R-IV. Números Aleatorios. Método de Monte- Carlo. Números Aleatorios. Números Aleatorios 8 -

Tamaño: px
Comenzar la demostración a partir de la página:

Download "R-IV. Números Aleatorios. Método de Monte- Carlo. Números Aleatorios. Números Aleatorios 8 -"

Transcripción

1 R-IV Método de Monte- Carlo Elemento Central en la Simulación digital. Definición formal controvertida. Elemento esencial en muchas áreas del conocimiento Ingeniería, Economía, Física, Estadística, etc. Definición intuitiva: Una sucesión de números aleatorios puros, se caracteriza por que no existe ninguna regla o plan que nos permita conocer sus valores. Los números aleatorios obtenidos a través de algoritmos recursivos se llaman pseudo-aleatorios. Simulación/2005 Héctor Allende 1 Simulación/2005 Héctor Allende 2 Disponer de un buen generador de números aleatorios es clave en: Computación Aleatorizada Computación Evolutiva Algoritmos Aleatorizados Verificación de Algoritmos Validación de Algoritmos Criptografía etc. " #$% &'( ( )' +(('&' (,) ( ( -./0 Simulación/2005 Héctor Allende 3 Simulación/2005 Héctor Allende 4, & ( 0 ( &, 1 + (,& &, & &' / 6)# +4 7 &(1 ) 8 - +(( 4& (1 + 51'9:;$::%$<9;<>9 2($%<?(9 / 9;?$9 9;?$; ( ( ' # ( ) Simulación/2005 Héctor Allende 5 Simulación/2005 Héctor Allende 6

2 + A2 ( ) " B<'$C +2 0&, D 2 ( 2 2( 0 Simulación/2005 Héctor Allende 7 5 2" ) ( ' 4&&' (/ 2" " & & &( +2' 4 1 & / & 4 Simulación/2005 Héctor Allende A ( 42 & 4 & ( 1 ( 4 0( 4 () 2 3' 5 & ( ' ' ( 2 & ( Simulación/2005 Héctor Allende 9 Simulación/2005 Héctor Allende 10 +A8 La gran disponibilidad de generadores de números aleatorios en muchos entornos y compiladores puede llevarnos a pensar que para un usuario de la simulación no sería necesario estudiar estas cuestiones. Una lección del pasado reciente nos obliga a sacar lecciones y actuar con mucho cuidado con dichos generadores (RANDU - IBM). El Uso progresivo de modelos de simulación cada vez más detallados exige una mayor calidad de los generadores de números aleatorios. ( +A8?< EF. & ( + +& Simulación/2005 Héctor Allende 11 Simulación/2005 Héctor Allende 12

3 +A8 +A8 ( ( ' $<<<) &)'9-A Simulación/2005 Héctor Allende 13 Simulación/2005 Héctor Allende 14 &;-A # +A8 # +A8 &;-A # ( ) $G Simulación/2005 Héctor Allende 15 Simulación/2005 Héctor Allende 16 DEF 1: Kolmogorov (1987) [Complejidad Algorítmica] Una sucesión de números es aleatoria sino puede producirse eficientemente de una manera más corta que la propia serie. DEF 2: L Ecuyer (1990) [Impredicibilidad] Una sucesión de números es aleatoria si nadie que utilice recursos computacionales razonables puede distinguir entre la serie y una sucesión de números verdaderamente aleatoria de una forma mejor que tirando una moneda legal para decidir cuál es cuál. Esta definición conduce a los denominados generadores PT-perfectos usados en Criptografía. Simulación/2005 Héctor Allende 17 DEF 3: Un Número aleatorio es una realización de una variable aleatoria que tiene asociada una ley de probabilidades F, en un espacio o modelo de Probabilidades ΩR. Obs: Una particular Ley de Probabilidad base para la generación de números pseudo-aleatorios es: u 1, u 2,..., u n : es la uniforme (0 ; 1) u i ~ U(0,1). DEF 4: Una sucesión de números aleatorios {u 1, u 2,..., u n } es una sucesión de números U(0;1), si tiene las mismas propiedades estadísticas relevantes que dicha sucesión de números aleatorios. Simulación/2005 Héctor Allende 18

4 DEF 5: Una sucesión de números aleatorios {u i } es aleatorio si h-úplas de números sucesivos no superpuestos se distribuyen aproximadamente. como una [0,1] h, con h1,2,..,n, para n suficientemente grande. Obs: h2 tenemos (u i,u i+1 ), i1,2,..n, se distribuye como una ley uniforme en [0,1] 2. Existe una gran de métodos para generar {u i } U(0,1) : -Uniformente distribuidas - Independientes - E[U] ½ ; V[U] 1/12 - Período largo A las propiedades estadísticas anteriores se deben agregar otras relativas a la eficiencia computacional: Velocidad de respuesta Consumo de memoria Portabilidad Parsimonia Reproducibilidad Mutabilidad Período Simulación/2005 Héctor Allende 19 Simulación/2005 Héctor Allende 20 Métodos de Generación de 1.- Método de los cuadrados medios 2.- Métodos Congruenciales 3.- Método de registros desfasados [Semilla - Algoritmo - Validación] P 1 : Obtener semilla (valores iniciales) P 2 : Aplicación de Algoritmos recursivos P 3 : Validación del conjunto de datos generados (Test de Aleatoriedad) Métodos de los cuadrados Medios Consiste en que cada número de una sucesión es producido tomando los dígitos medios de un número obtenido mediante la elevación al cuadrado. P 1 : Obtener semilla (valores iniciales 445) P 2 : Aplicación de Algoritmos recursivos (elevar al cuadrado) P 3 : Validación del conjunto de datos generados Simulación/2005 Héctor Allende 21 Simulación/2005 Héctor Allende 22 Métodos de los Cuadrados Medios Ejemplo: Consideremos la semilla 445 n+1 (a n + b) mod m ; X X 2 N Aleatorio , , , Los parámetros del algoritmo se llaman - a multiplicador - b sesgo - m módulo - o semilla (valor inicial) Simulación/2005 Héctor Allende 23 Simulación/2005 Héctor Allende 24

5 Obs: 1.- Cuando b0 el generador se denomina Generador congruencial multiplicativo. 2.- Cuando b 0 el generador se denomina Generador congruencial mixto. 3.- A pesar de la simplicidad una adecuada elección de los parámetros de a, b y m, permite obtener de manera eficiente una larga e impredecible sucesión de números como para considerarse aleatoria. Caso Parámetros a b m xo Caso Salidas Simulación/2005 Héctor Allende 25 Simulación/2005 Héctor Allende 26 Algunas observaciones de las salidas de los generadores congruenciales: i) Un generador congruencial tiene ciclos ii) La longitud del ciclo depende de la selección de los parámetros (ver caso 1) y 3) ) iii) Dentro de selecciones de parámetros que conducen a la misma longitud, algunas salidas parecen más aleatorias que otras. iv) La representación de pares ( i, i+1 ) sugiere que estos se disponen en un número finito de hiperplanos. Los resultados teóricos que veremos a continuación facilitan la elección de los parámetros de a y b su demostración puede verse en el texto clásico D. Knuth (1981): The Art of Computer Programming. Ed. A. Wesley Vol N 2 Simulación/2005 Héctor Allende 27 Simulación/2005 Héctor Allende 28 Proposición 2.1 Un generador congruencial tiene su período máximo si y sólo si: i) m.c.d (b, m) 1 (primos relativos) ii) a 1 mod p ; para cada factor primo p de m. iii) a 1 mod 4 ; si 4 divide a m. Puesto que b esta asociado en la práctica con el efecto de traslación, inicialmente asumiremos ( b0), es decir partiremos estudiando los generador congruencial multiplicativos. Simulación/2005 Héctor Allende 29 Dem: Donald Knuth Vol 2 (1981) Obs: 1) Lo anterior sugiere elegir m lo más grande posible, para asegurarnos un período largo (posibles elecciones de m son; m2 31-1, m ) 2) Sea p el período de la secuencia de números aleatorios, si pm el generador se llama de período completo. 3) Si m es un número primo entonces el máximo período se obtiene ssi a 1 Simulación/2005 Héctor Allende 30

6 Proposición 2.2 Sea un generador multiplicativo (b0) [X n+1 a X n mod m] tiene período p(m-1), sólo si p es primo. El periodo divide a (m-1) y es (m-1) si y sólo si a es una raíz primitiva de m-1, es decir a (m-1)/p 1 mod m, para todos los factores primos p de (m-1). Proposición 2.3 Si a es un raíz primitiva de m, a k mod m, lo es siempre que k y m-1 sean primos relativos. Equivalentemente Si a es una raíz primitiva de m, a k mod m lo es siempre que ; mcd(k,m-1)1 Simulación/2005 Héctor Allende 31 Dem: B. Ripley (1987) Stochastic Simulation Ed. John Wiley. pp 47 Obs: 1) En general los generadores congruenciales son de la forma n+1 g ( n, n-1,..., n-k,...) mod m g (x) a n g (x) a n + b g (x) a n2 + b n + c Usando g (x) (a 1 n-1 + a 2 n a r n-r ), se obtiene un generador de Fibonacci retardado. La teoría de estos generadores se puede ver en Marsaglia (1985)] Simulación/2005 Héctor Allende 32 2) Una buena elección de m, permite obtener un generador eficiente (ciclo máximo). Pero aún se debe estudiar con más detalle la elección de a y b, pues se tienen muchos grados de libertad. 3) Un buen generador congruencial debe ser: i) De máximo período ii) Su salida debe parecer aleatoria iii) Poder implementar de forma eficiente en aritmética de 32 bits. Un algoritmo de muy fácil implementación del tipo congruencial es m a 7 5 (raíz primitiva de m) X n 7 5 X n-1 mod (2 31-1) u n Dicho generador se encuentra en las bibliotecas IMSL y NAG Simulación/2005 Héctor Allende 33 Simulación/2005 Héctor Allende 34 La rutina RANDU, que IBM proporcionaba para sus equipos consideraba un modelo congruencial multiplicativo con m 2 31 ; a ; b 0 X n X n-1 mod (2 31 ) u n Este generador proporciona tripletas consecutivas de números que caen en 15 planos Lo que sugiere cierta previsiblidad en su salida (Mal Generador) Simulación/2005 Héctor Allende 35 Barsaglia (1968) demostró que sucesiones consecutivas no superpuestas de n números aleatorios obtenidos de generadores multiplicativos caen en, a lo sumo [n m] 1/n hiperplanos paralelos. Algunas cotas de casos representativos n3 n5 n7 n9 n10 m m Es decir, en un computador con palabras de 32 bits, menos de 41 hiperplanos contendrán las 10-úplas Simulación/2005 Héctor Allende 36

7 En teoría puede conseguirse que un buen generador con m 2 32 produzca puntos independientes en un cubo de dimensión 3, siendo el mínimo número de hiperplanos que contiene estos puntos 10 8, en contraste con los Para la famosa rutina RANDU de IBM, X n X n mod (2 31 ) las tripletas consecutivas de números caen en 15 planos. Simulación/2005 Héctor Allende 37 Generadores de Registros Desfasados Se basa en Generadores lineales recursivos múltiples El estudio de este generador se asocia al Polinomio característico. sobre un álgebra finita F m, con m elementos. [Niederreiter 1992] Simulación/2005 Héctor Allende 38 Generadores de Registros Desfasados Generadores de Registros Desfasados [Niederreiter 1992] Cuando el polinomio es primitivo el período es (m k -1). Debido a la complejidad del análisis para m grande, habitualmente se elige un m pequeño, generalmente 2 obteniendo generadores de bits de la forma donde a k 1 ^ a i {0, 1} Simulación/2005 Héctor Allende 39 La adición módulo 2 es equivalente al XOR (ó exclusivo) 0 XOR XOR XOR XOR 0 1 Esto nos permite implementar registros de desplazamiento Un generador propuesto Tausworthe (1985) ( + ) < Simulación/2005 Héctor Allende 40 Generadores de Registros Desfasados Conversión del Generador Binario En este caso los primeros q bits deben ser especificados, esto es análogo a la semilla de los generadores congruenciales. Este tipo de generador depende del largo de la palabra Ejemplo: h 3 ; q 5 ; b 1 b 2 b 3 b 4 b 5 1 b 6 (b 3 + b 1 ) mod 2 2 mod 2 0 b 7 (b 4 + b 2 ) mod 2 2 mod 2 0 b 8 (b 5 + b 3 ) mod 2 2 mod 2 0 b 9 (b 6 + b 4 ) mod 2 1 mod 2 1 b 10 (b 7 + b 5 ) mod 2 1 mod b 42 (b 39 + b 37 ) mod 2 2 mod 2 0 Simulación/2005 Héctor Allende 41 Transformar la sucesión {b i } en un número aleatorio (0,1) Consideremos {b i } b 1 b 2 b 3 b 4 b 5 b 6 b 7 b 8 b 9 b 10 b 11 b b 41 b Simulación/2005 Héctor Allende 42

8 { } Conversión del Generador Binario Generadores no Lineales Consideremos 4 y 1 b b b b u 1 y 2 b b b b u 2 y 3 b b b b u 3... y así sucesivamente { } Simulación/2005 Héctor Allende 43 Dada la estructura reticular de los generadores lineales, algunos autores sugirieron utilizar generadores no lineales. (Ver Niederreiter (1992)) Usar un generador con función de transición lineal, produciendo una transformación no lineal del estado en su salida. Usar un generador con función de transición no lineal. Simulación/2005 Héctor Allende 44 Una forma de incrementar el periodo e intentar evitar regularidades que muestren los generadores lineales es combinar (mezclar) diferentes generadores para obtener generadores híbridos de mejor calidad que los generadores originales. Muchas de las combinaciones propuestas son heurísticas y algunas con resultados bastantes pobres. { } Por ejemplo sean e dos sucesiones aleatorias, una sucesión combinada sería : donde Combinación de Generadores i i i es alguna operación binaria Simulación/2005 Héctor Allende 45 Generadores Paralelos de números aleatorios. Sincronización; reproductibilidad; gasto transición ] Generadores de Fibonacci retardados [ Sincronización; reproductibilidad; gasto transición ] Generadores Comerciales: IMSL Generador congruencial multiplicativo m a 16807; ; Otros Generadores Simulación/2005 Héctor Allende 46 Validación de Generadores Congruenciales Finalmente la fase de validación se basa en ciertas propiedades estadísticas que deben cumplirse a la salida de los generadores de n aleatorios. Los Test empíricos que veremos a continuación son genéricos y pueden usarse en la evaluación de generadores de n aleatorios, en generadores de variables aleatorias y en la modelación de entradas de modelos de simulación. La mayoría de los Test se encuentran disponibles en paquetes estadísticos comerciales. SAS, Statistica, etc. 1) Test Validación de N os Aleatorios χ Este es un test de Bondad de Ajuste. Es poco potente, por lo que permite justificar el rechazo de una hipótesis, pero proporciona escaso apoyo en la aceptación. Dada una muestra 1, 2,..., n de una F x () desconocida. Se desea contrastar. H o : F x () F o () v/s H 1 : F x () F o () Simulación/2005 Héctor Allende 47 Simulación/2005 Héctor Allende 48

9 Validación de N os Aleatorios Validación de N os Aleatorios Efectuando una partición del soporte de X en k subconjuntos 1, 2,..., k : φ ( ) χ asint χ ~ f i : frecuencia absoluta del subconjunto i-ésimo ( i ) e i : número de observaciones esperadas en i bajo H o Obs: 1) Este Test considera aleatoridad de F o U(0,1) 2) Este Test también permite contrastar la uniformidad S-dimensional de 1 (u 1, u 2,..., u s ); 2 (u s+1, u s+2,..., u 2s );... n (u (n-1)s+1,..., u ns ) en F o [0,1] s [Distribución uniforme en el hipercubo] Simulación/2005 Héctor Allende 49 Simulación/2005 Héctor Allende 50 Validación de N os Aleatorios 2) Test de Kolmogorov - Smirnov (Test K-S) Sea F o una función de distribución continua y sea F n la función de distribución empírica de la muestra. Bajo H o : F x (x) F o (x) se espera que F n se aproxime a F o D n Sup F n (x) - F o (x) x R La distribución exacta de D n está tabulada para valores n 40 y distintos niveles de significación α. Para muestras grandes se utiliza la distribución asintótica de D n dada por Simulación/2005 Héctor Allende 51 Test de Kolmogorov - Smirnov Obs: En el caso particular de aleatoridad se considera X (1) < X (2) <... < X (n) estadísticos de orden F o (X (i) ) X (i) ^ F n (X (i) ) / D n Simulación/2005 Héctor Allende 52 ) 8<'$") ( & ( 1' H & ( +1'3 (,# 0& 6 8<'$ I 4 ( Simulación/2005 Héctor Allende 53 Simulación/2005 Héctor Allende 54

10 Validación de N os Aleatorios Otros Test son: Test de Rachas Test Serial Test de Permutaciones Test de Poker Test de Dependencia Test de longitud de rachas etc./../&' ' & 8 / 04& / 4& / AJA5() &2'.' ' Simulación/2005 Héctor Allende 55 Simulación/2005 Héctor Allende 56.#- 5 1& $A3&(& 9 ;E %. G#() &(? 0 :J& >#'.#-# K &&, 2 A5 K ) K & & // K / & 4 / && &. 54& 4&(( /. 4 Simulación/2005 Héctor Allende 57 Simulación/2005 Héctor Allende 58 Idea : Es la aproximación a la solución de un problema por medio del muestreo de un proceso al azar. Esto no ayuda mucho lo que es el pero podemos familiarizarnos por la vía de ejemplos: Caso 1 π { R + } Simulación/2005 Héctor Allende 59 y x Caso 2: Sea g(x) una función y supongamos que deseamos conocer Sea u ~ (0,1) Entonces siendo θ E[g(u)] Problema determinista y sea x u ( ) Simulación/2005 Héctor Allende 60

11 Luego E[g(u)] θ Entonces transformamos la estimación de θ por el cálculo E[g(u)] por la vía de la ley de los grandes números. θ " θ " > ε Simulación/2005 Héctor Allende 61 Es decir podemos resolver un problema determinístico por medio del cálculo del valor esperado de una muestra grande. Algoritmo Valores iniciales, S 1 0 ; S Generar u i ((0,1)) 2.- Calcular g(u i ) S 1 S 1 + g(u i ) 3.- Calcular S 2 S 2 + [g(u i )] Repetir el cálculo k-veces 5.- Calcular θ ; 6.- Calcular el θ θ ± Simulación/2005 Héctor Allende 62 θ Caso 3 : Para θ Sea θ + Entonces donde + Luego podemos estimar mediante el cálculo de E[h(y)] Simulación/2005 Héctor Allende 63 Caso 4 : θ θ puede ser calculado mediante θ donde 1, 2,..., n sucesiones v.a.i.i.d. (0,1) θ Simulación/2005 Héctor Allende 64 Caso 5 : Para θ Sea Entonces + + θ #$%&$ 1.- Construir RGN, tipo congruencial Mixto y un RGN, regristro defasado. Verificar a lo menos 3 test de Aleatoriedad 2.- Derive un método aproximado para resolver este problema de integración, vía Simulación de Monte Carlo y proponga un Algoritmo θ Luego θ siendo Simulación/2005 Héctor Allende 65 Simulación/2005 Héctor Allende 66

Generadores de números aleatorios

Generadores de números aleatorios Generadores de números aleatorios Patricia Kisbye FaMAF 23 de marzo, 2010 Para qué se utilizan? Simulación. Muestreo. Análisis numérico. Testeo de programas. Juegos de azar. Toma de decisiones. Secuencias

Más detalles

Capítulo 2. Generación de Números Aleatorios. Introducción. Efectos de la aleatoriedad en la simulación

Capítulo 2. Generación de Números Aleatorios. Introducción. Efectos de la aleatoriedad en la simulación Capítulo 2 Generación de Números Aleatorios II.1 Introducción La vida real raramente es determinística. Muchas de las influencias externas a un sistema bajo estudio (tal como el arribo de las entidades)

Más detalles

Capítulo 3 Números Aleatorios

Capítulo 3 Números Aleatorios Capítulo 3 Profesor : Héctor Allende O. Elemento Central en la Simulación digital. Definición formal controvertida. Elemento esencial en muchas áreas del conocimiento Ingeniería, Economía, Física, Estadística,

Más detalles

Generación de números aleatorios

Generación de números aleatorios Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad

Más detalles

Simulación Computacional. Tema 1: Generación de números aleatorios

Simulación Computacional. Tema 1: Generación de números aleatorios Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

El método de Monte Carlo: generalidades. Simulación de Distribuciones de Poisson. Simulación de Distribuciones Generales

El método de Monte Carlo: generalidades. Simulación de Distribuciones de Poisson. Simulación de Distribuciones Generales El método de Monte Carlo: generalidades Números aleatorios Simulación de Distribuciones de Poisson Simulación de Distribuciones Generales El método de Monte Carlo en Mecánica Estadística Percolación en

Más detalles

Estadística Computacional

Estadística Computacional Estadística Computacional Estadística Computacional Antonio Salmerón Cerdán María Morales Giraldo ALMERÍA, 2001 Prólogo El objetivo de este trabajo es ofrecer un libro de texto que cubra los contenidos

Más detalles

Unidad II: Números pseudoalealeatorios

Unidad II: Números pseudoalealeatorios 1 Unidad II: Números pseudoalealeatorios Generación de números aleatorios Un Número Aleatorio se define como un número al azar comprendido entre cero y uno. Su característica principal es que puede suceder

Más detalles

Generación de Números Aleatorios Uniformes

Generación de Números Aleatorios Uniformes Capítulo 5 Generación de Números Aleatorios Uniformes Vimos en el capítulo sobre repaso de distribuciones de probabilidad, lo que es una distribución uniforme. Pero podemos encontrar un método o experimento

Más detalles

13. Técnicas de simulación mediante el método de Montecarlo

13. Técnicas de simulación mediante el método de Montecarlo 13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que

Más detalles

Universidad TecMilenio: Profesional IO04002 Investigación de Operaciones II

Universidad TecMilenio: Profesional IO04002 Investigación de Operaciones II IO04002 Investigación de Operaciones II Tema #4 Generación de números pseudo aleatorios y Objetivo de aprendizaje del tema Al finalizar la sesión serás capaz de: Calcular números pseudo aleatorios. Determinar

Más detalles

Simulación y Modelos Estocásticos

Simulación y Modelos Estocásticos y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,

Más detalles

Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico

Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico Departamento de Matemática Aplicada Universidad Granada Introducción El Cálculo o Análisis Numérico es

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Workshop de Investigadores en Ciencias de la Computación WICC 2002

Workshop de Investigadores en Ciencias de la Computación WICC 2002 Aplicación del Método de Montecarlo para el cálculo de integrales definidas López, María Victoria y Mariño, Sonia Itatí Departamento de Informática Facultad de Ciencias Exactas y Naturales y Agrimensura

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

RELACIONES DE RECURRENCIA

RELACIONES DE RECURRENCIA Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Trabajo de investigación I (Especialización Sistemas Distribuidos, Multimedia y Seguros) Autor: Eugenio Soler Galán Profesor: Benjamín Ramos Álvarez

Trabajo de investigación I (Especialización Sistemas Distribuidos, Multimedia y Seguros) Autor: Eugenio Soler Galán Profesor: Benjamín Ramos Álvarez http://www.eugenio-soler-galan.es/aleatoriedad Trabajo de investigación I Profesor: Benjamín Ramos Álvarez junio de 2008 Página 2 de 54 INDICE 1. MOTIVACIÓN... pág. 4 2. DÓNDE ENCONTRAMOS ALEATORIEDAD?...

Más detalles

Tema 3. Concepto de Probabilidad

Tema 3. Concepto de Probabilidad Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados

Más detalles

SÍLABO. VIII Ciclo 3 Teoría y 2 Práctica

SÍLABO. VIII Ciclo 3 Teoría y 2 Práctica SÍLABO I. DATOS GENERALES 1.1. Nombre de la Asignatura 1.2. Carácter 1.3. Carrera Profesional 1.4. Código 1.5. Semestre Académico 1.6. Ciclo Académico 1.7. Horas de Clase 1.8. Créditos 1.9. Pre Requisito

Más detalles

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de

Más detalles

Cómo ordenar una lista de números?

Cómo ordenar una lista de números? Cómo ordenar una lista de números? Germán Ariel Torres Resumen. Este trabajo trata acerca de métodos y técnicas usadas para el ordenamiento eficiente de listas de números. Se analizan los métodos básicos,

Más detalles

Números aleatorios. Contenidos

Números aleatorios. Contenidos Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método

Más detalles

Propiedades de Muestras Grandes y Simulación

Propiedades de Muestras Grandes y Simulación Propiedades de Muestras Grandes y Simulación Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema 1 Propiedades en muestras grandes (W App C3) 2 3 Las propiedades

Más detalles

3. Algoritmo DES (Data Encription Standard)

3. Algoritmo DES (Data Encription Standard) 3. Algoritmo DES (Data Encription Standard) 3.1. Fundamentos Cifrado por bloques (block cipher) Opera sobre un bloque de texto plano de n bits para producir un texto cifrado de n bits. Tipicamente, la

Más detalles

Generación de Números Pseudo-Aleatorios

Generación de Números Pseudo-Aleatorios Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia

Más detalles

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL 1. Electrónica Digital Antes de empezar en el tema en cuestión, vamos a dar una posible definición de la disciplina que vamos a tratar, así como su ámbito

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION DE INTERVALOS DE CONFIANZA pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones

Más detalles

5.2 Estructuras Algebraicas Introducción

5.2 Estructuras Algebraicas Introducción 5.2 Introducción * Los números naturales: N Al contar objetos se les asigna números: 1, 2, 3,, pasando de un número a su sucesor. La representación en el sistema decimal de números está hecha de tal forma

Más detalles

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Simulación Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Índice Sistemas, modelos y simulación Elementos de la simulación Software de simulación

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Simulación Discreta Estocástica Tutor: Deivis Galván

Simulación Discreta Estocástica Tutor: Deivis Galván Capitulo 1 Simulación Discreta Estocástica Tutor: Deivis Galván OBJETIVOS Al aprobar la asignatura el alumno será capaz de: Conocer, comprender y aplicar los principios del modelado de sistemas complejos

Más detalles

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito,

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito, 1 1.4 Cálculo de Probabilidades con Métodos de Conteo Considerere un espacio muestral finito, y defina, Luego, Ω = {ω 1,..., ω n }, P ({ω i }) = p i, i = 1,..., n P (A) = ω i A p i, A Ω Ω se dice equiprobable

Más detalles

UNIDAD 3: ARITMÉTICA DEL COMPUTADOR

UNIDAD 3: ARITMÉTICA DEL COMPUTADOR UNIDAD 3: ARITMÉTICA DEL COMPUTADOR Señor estudiante, es un gusto iniciar nuevamente con usted el desarrollo de esta tercera unidad. En esta ocasión, haremos una explicación más detallada de la representación

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Figura 1. Bandeja usada por Piaget e Inhelder: Al mover la bandeja, las bolas, que al principio están ordenadas, se mezclan progresivamente

Figura 1. Bandeja usada por Piaget e Inhelder: Al mover la bandeja, las bolas, que al principio están ordenadas, se mezclan progresivamente Azar y probabilidad en la Escuela Primaria, Qué podemos aprender de la investigación? Ernesto Sánchez, CINVESTAV, México Carmen Batanero, Universidad de Granada, España Cuando un maestro o maestra comienza

Más detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian

Más detalles

Simulación, Método de Montecarlo

Simulación, Método de Montecarlo Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................

Más detalles

Modelos matemáticos de simulación

Modelos matemáticos de simulación Modelos matemáticos de simulación Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Sistemas,

Más detalles

Generación de Números Pseudoaleatorios usados en Sistemas Criptográficos

Generación de Números Pseudoaleatorios usados en Sistemas Criptográficos Generación de Números Pseudoaleatorios usados en Sistemas Criptográficos jesus@seguridata.com.mx Generación de Números Pseudoaleatorios usados en Sistemas Criptográficos jesus@seguridata.com Resumen En

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA RUBEN DARIO GUEVARA, FERNANDO ALONSO VELEZ

UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA RUBEN DARIO GUEVARA, FERNANDO ALONSO VELEZ UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA 1. IDENTIFICACIÓN ASIGNATURA: SIMULACIÓN ESTADÍSTICA CODIGO: 070110 NIVEL: VI CREDITOS: 3 DESCRIPCIÓN: DOCENTES:

Más detalles

PRÁCTICA N 2 SISTEMAS DE NUMERACIÓN

PRÁCTICA N 2 SISTEMAS DE NUMERACIÓN PRÁCTICA N 2 SISTEMAS DE NUMERACIÓN Ejercicio 1. Diseñar una planilla EXCEL que tome como dato de entrada un número entero y devuelva la representación en base 2. Testearla con los números 23, 245, 673,

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3. LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de

Más detalles

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN &$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos

Más detalles

Unidad II: Números pseudoaleatorios

Unidad II: Números pseudoaleatorios Unidad II: Números pseudoaleatorios 2.1 Métodos de generación de números Pseudoaleatorio Métodos mecánicos La generación de números aleatorios de forma totalmente aleatoria, es muy sencilla con alguno

Más detalles

Sistemas Numéricos Cambios de Base Errores

Sistemas Numéricos Cambios de Base Errores Cálculo Numérico Definición: es el desarrollo y estudio de procedimientos (algoritmos) para resolver problemas con ayuda de una computadora. π + cos ( x) dx 0 Tema I: Introducción al Cálculo Numérico Sistemas

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

PROGRAMA DE ESTUDIO. Horas de Práctica

PROGRAMA DE ESTUDIO. Horas de Práctica PROGRAMA DE ESTUDIO Nombre de la asignatura: MODELADO Y SIMULACIÓN DE PROCESOS Clave: IQM12 Ciclo Formativo: Básico ( ) Profesional (X) Especializado ( ) Fecha de elaboración: 7 DE MARZO DE 2015 Horas

Más detalles

UNIDAD Nº 1: 1. SISTEMAS DE NUMERACION. Formalizado este concepto, se dirá que un número X viene representado por una cadena de dígitos:

UNIDAD Nº 1: 1. SISTEMAS DE NUMERACION. Formalizado este concepto, se dirá que un número X viene representado por una cadena de dígitos: UNIDAD Nº 1: TECNICATURA EN INFORMATICA UNLAR - CHEPES 1.1. INTRODUCCION 1. SISTEMAS DE NUMERACION El mundo del computador es un mundo binario. Por el contrario, el mundo de la información, manejada por

Más detalles

UNIVERSIDAD DE EXTREMADURA Departamento de Matemáticas. Matemáticas. Manuel Fernández García-Hierro Badajoz, Febrero 2008

UNIVERSIDAD DE EXTREMADURA Departamento de Matemáticas. Matemáticas. Manuel Fernández García-Hierro Badajoz, Febrero 2008 UNIVERSIDAD DE EXTREMADURA Departamento de Matemáticas Matemáticas Manuel Fernández García-Hierro Badajoz, Febrero 2008 Capítulo VI Concepto de error 6.1 Introducción Uno de los temas más importantes en

Más detalles

Procedimientos de Cifrado en flujo. Amparo Fúster Sabater Instituto de Física Aplicada C.S.I.C. amparo@iec.csic.es

Procedimientos de Cifrado en flujo. Amparo Fúster Sabater Instituto de Física Aplicada C.S.I.C. amparo@iec.csic.es Procedimientos de Cifrado en flujo Amparo Fúster Sabater Instituto de Física Aplicada C.S.I.C. amparo@iec.csic.es Contenido Operaciones binarias Del cifrado Vernam al cifrado en flujo Secuencias cifrantes

Más detalles

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo POLINOMIOS 1.1. DEFINICIONES Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo p(x) = a i x i = a 0 + a 1 x + a 2 x 2 + + a n x n + ; a i, x K; n N

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03.

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03. INFORMÁTICA Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial Curso 2013-2014 v1.0 (05.03.14) A continuación figuran una serie de ejercicios propuestos, agrupados

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

Más detalles

Guía para el estudio de la segunda Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo

Guía para el estudio de la segunda Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo Guía para el estudio de la segunda Unidad didáctica Dr. Víctor Hernández Dr. Jorge Martín Dr. José Antonio Carrillo 18 de marzo de 2011 Índice general Donald Erwin Knuth 5 Recomendaciones para el estudio

Más detalles

Listas de vectores y conjuntos de vectores

Listas de vectores y conjuntos de vectores Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas

Más detalles

Generación de valores de las variables aleatorias

Generación de valores de las variables aleatorias Generación de valores de las variables aleatorias Juan F. Olivares-Pacheco * 14 de junio de 007 Resumen En todo modelo de simulación estocástico, existen una o varias variables aleatorias interactuando.

Más detalles

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus INFORMACIÓN GENERAL Área de formación Núcleo de Contenido Núcleo de Conocimiento Núcleo Temático Profesional Especifica Ingeniería Aplicada Operativa Modelación Semestre IX Número de Créditos Académicos

Más detalles

Informática 1 Sistemas numéricos: decimal, binario, octal y hexadecimal FCFA Febrero 2012

Informática 1 Sistemas numéricos: decimal, binario, octal y hexadecimal FCFA Febrero 2012 Informática 1 Sistemas numéricos: decimal, binario, octal y hexadecimal CONVERSIONES DE UN SISTEMA A OTRO Para la realización de conversiones entre números de bases diferentes se efectúan operaciones aritméticas

Más detalles

Algoritmos de cifrado Definir el problema con este tipo de cifrado

Algoritmos de cifrado Definir el problema con este tipo de cifrado Criptografía Temario Criptografía de llave secreta (simétrica) Algoritmos de cifrado Definir el problema con este tipo de cifrado Criptografía de llave pública (asimétrica) Algoritmos de cifrado Definir

Más detalles

Integración por el método de Monte Carlo

Integración por el método de Monte Carlo Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

R PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad

R PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde

Más detalles

Novedades de software/new softwares

Novedades de software/new softwares REVISTA INVESTIGACIÓN OPERACIONAL VOL., 3, No. 3, 275-28, 2 Novedades de software/new softwares ALGORITMO PARA LA GENERACIÓN ALEATORIA DE MATRICES BOOLEANAS INVERSIBLES P. Freyre*, N. Díaz*, E. R. Morgado**

Más detalles

Matemáticas para la Computación

Matemáticas para la Computación Matemáticas para la Computación José Alfredo Jiménez Murillo 2da Edición Inicio Índice Capítulo 1. Sistemas numéricos. Capítulo 2. Métodos de conteo. Capítulo 3. Conjuntos. Capítulo 4. Lógica Matemática.

Más detalles

Aritmética de Números Enteros

Aritmética de Números Enteros Aritmética de Números Enteros Pablo De Nápoli versión 0.8.2 Resumen Este es un apunte de las teóricas de Algebra I, turno noche del primer cuatrimestre de 2007, con algunas modificaciones introducidas

Más detalles

Cómo juega a los dados el ordenador?

Cómo juega a los dados el ordenador? Cómo juega a los dados el ordenador? Vicente Trigo Aranda La simulación es, gracias a los cada vez más potentes ordenadores, una de las herramientas básicas para la resolución de problemas. Pero, en qué

Más detalles

MatemásTIC. Estudio y práctica del álgebra matricial con una aplicación TIC didáctica y sencilla. 65 Noviembre 2010, pp. 57-67

MatemásTIC. Estudio y práctica del álgebra matricial con una aplicación TIC didáctica y sencilla. 65 Noviembre 2010, pp. 57-67 65, pp. 57-67 Estudio y práctica del álgebra matricial con una aplicación TIC didáctica y sencilla MatemásTIC A lo largo de los distintos números de Suma nos planteamos en esta sección descubrir distintas

Más detalles

Seguridad matemática en la Sociedad de la Información

Seguridad matemática en la Sociedad de la Información Pino T. Caballero Gil Profesora Titular de Ciencias de la Computación e Inteligencia Artificial Departamento de Estadística, Investigación Operativa y Computación Universidad de La Laguna Introducción

Más detalles

Un problema sobre repetidas apuestas al azar

Un problema sobre repetidas apuestas al azar Un problema sobre repetidas apuestas al azar Eleonora Catsigeras 1 10 de marzo de 2003. Resumen En estas notas se da el enunciado y una demostración de un conocido resultado sobre la probabilidad de éxito

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS

Más detalles

TEORIA DE LA PROBABILIDAD

TEORIA DE LA PROBABILIDAD TEORIA DE LA PROBABILIDAD 2.1. Un poco de historia de la teoría de la probabilidad. Parece evidente que la idea de probabilidad debe ser tan antigua como el hombre. La idea es muy probable que llueva mañana

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

CRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA

CRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA CRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA Para generar una transmisión segura de datos, debemos contar con un canal que sea seguro, esto es debemos emplear técnicas de forma que los datos que se envían de una

Más detalles

Optimización de consultas Resumen del capítulo 14

Optimización de consultas Resumen del capítulo 14 Optimización de consultas Resumen del capítulo 14 Libro: Fundamentos de Bases de Datos Silberschatz et al. 5ed. Dr. Víctor J. Sosa Agenda 1. Visión general 2. Estimación de las estadísticas de los resultados

Más detalles

XI Esc. Prob. & Estad. CIMAT 2012 Clase 3 La Ley de Benford para Secuencias Deterministas

XI Esc. Prob. & Estad. CIMAT 2012 Clase 3 La Ley de Benford para Secuencias Deterministas XI Esc. Prob. & Estad. CIMAT 2012 Clase 3 La Ley de Benford para Secuencias Deterministas Ted Hill Internet base de datos http://www.benfordonline.net/ Internet libro de la teoría de Benford http://www.i-journals.org/ps/viewissue.php?id=11/

Más detalles

SIMULACIÓN ING. MIGUEL MIRANDA CÁTEDRA INVESTIGACIÓN OPERATIVA

SIMULACIÓN ING. MIGUEL MIRANDA CÁTEDRA INVESTIGACIÓN OPERATIVA SIMULACIÓN ING. MIGUEL MIRANDA CÁTEDRA INVESTIGACIÓN OPERATIVA TEMARIO Pág. I INTRODUCCIÓN II APLICACIONES 4 III DEFINICIONES 6 IV SIMULACIÓN DE PROCESOS 7 V VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN 0 VI

Más detalles

Soluciones de los ejercicios de la primera Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo

Soluciones de los ejercicios de la primera Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo Soluciones de los ejercicios de la primera Unidad Dr. Víctor Hernández Dr. Jorge Martín Dr. José Antonio Carrillo 5 de marzo de 0 Índice general Ejercicio.. Manejo del formalismo de los sucesos.............

Más detalles

Representación de Datos. Una Introducción a los Sistemas Numéricos

Representación de Datos. Una Introducción a los Sistemas Numéricos Representación de Datos Una Introducción a los Sistemas Numéricos Tipos de Datos Datos Texto Número Imagen Audio Video Multimedia: Información que contiene números, texto, imágenes, audio y video. Como

Más detalles

INTRODUCCIÓN AL TESTING BASADO EN MODELOS

INTRODUCCIÓN AL TESTING BASADO EN MODELOS INTRODUCCIÓN AL TESTING BASADO EN MODELOS SEMANA DE LA CIENCIA Y DE LA INGENIERÍA. UNIVERSIDAD DE CÁDIZ. Manuel Núñez - Universidad Complutense de Madrid WARNING! El uso que haré del castellano en esta

Más detalles

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas En los capítulos 13 al 18 hemos estudiado una serie de procedimientos estadísticos diseñados para analizar variables cuantitativas:

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles