Análisis de extremos
|
|
- José Luis Villalobos Vera
- hace 6 años
- Vistas:
Transcripción
1 Análisis de extremos
2 Referencias Wilks (sección 4.4.5): dice mucho, explica poco Coles (2001) An Introduction to Statistical Modeling of Extreme Values
3 Introducción Objetivo del análisis de extremos: cuantificar el comportamiento aleatorio de un determinado proceso para valores atípicamente altos o bajos. 1ª dificultad se busca estimar la probabilidad de ocurrencia de eventos mayores (o menores) a los observados; i.e. se requieren modelos para extrapolar los datos
4 Por ejemplo: Variable aleatoria: Máxima velocidad de viento anual : Máxima velocidad de viento media en 10 min a 10 m de altura registrada cada 1 hora en una determinada estación durante 34 años V [m/s] Años
5 Se puede estimar la distribución empírica como: V [m/s] Tr = 1/(1-F)
6 25 20 V [m/s] Tr = 1/(1-F) Período de retorno de un valor Zs es el número esperado de observaciones de Z entre dos excedencias consecutivas de Zs. 1 Tr 1 P( Z Si la serie es de datos anuales entonces Tr está en años. Z S )
7 Interés social: qué valores es esperable que ocurran con alto período de retorno? (inundaciones, sequías, olas de calor, vientos ) Valores objetivo típicos corresponden a entre 100 y años. 25? 20 V [m/s] Tr = 1/(1-F)
8 Introducción Objetivo del análisis de extremos: cuantificar el comportamiento aleatorio de un determinado proceso para valores atípicamente altos o bajos. 2ª dificultad La información disponible es escasa; por definición se está trabajando con valores atípicos (poco probables).
9 Por ejemplo: De una determinada variable tenemos datos horarios durante varios años x
10 Introducción 2ª dificultad La información disponible es escasa; por definición se está trabajando con valores atípicos (poco probables). Muy importante: 1) Maximizar el uso de la información 2) Calcular intervalos de
11 Introducción Existen dos aproximación clásicas al cálculo de extremos: (1) Análisis de los máximos alcanzados en un período de tiempo fijo (típicamente máximos anuales) (2) Análisis de los máximos alcanzados en cada uno de los eventos extremos registrados (picos sobre el umbral) El análisis (1) considera un evento extremo por año de registro; en el análisis (2) puede haber años con más de un evento extremo y años sin eventos extremos.
12 Coles (2001) capítulo 3 (+ algo de capítulo 2)
13 Nuestra variable aleatoria va a ser Mn: con X1,,Xn una secuencia de variables aleatorias independientes con la misma distribución F(x). Típicamente Xi son los valores obtenidos al medir un determinado proceso con una frecuencia fija (e.g. datos de viento horarios), y n es la cantidad de datos en una año (e.g. 365 x 24).
14 En principio la distribución de Mn podría derivarse de la distribución F(x): pero pequeños errores en el ajuste de la cola superior se traducen en grandes errores en la distribución de máximos anuales
15 Por ejemplo: De una determinada variable tenemos datos horarios durante varios años se puede ajustar una distribución F(x) x f(x) 20 15?
16 Alternativa? Extremal Type Theorem Dice que el máximo Mn de n observaciones independientes de Xi tiende a una distribución de probabilidad G(z) fija cuando n tiende a infinito, independientemente de cuál sea la distribución F(x) La distribución G(z) se denomina distribución generalizada de extremos (GEV distribution).
17 En la realidad: n no tiende a infinito Las observaciones no son independientes La distribución F(x) no necesariamente es estacionaria A pesar de lo cual el uso de la distribución GEV a probado ser una herramienta valiosa en el análisis de extremos siempre y cuando se tenga una comprensión suficiente de los procesos físicos que subyacen a los datos analizados, de modo de aplicar la GEV con criterio
18 Distribución GEV con siendo: mu parámetro de posición sigma parámetro de escala xi parámetro de forma
19 El parámetro de forma (xi) determina si la distribución está acotada o no xi = 0 Distribución Tipo I (Gumbel) no acotada xi > 0 Distribución Tipo II (Frechet o Fisher-Tippett II) con límite inferior xi < 0 Distribución Tipo III (Weibull) con límite superior
20 Cálculo de cuantiles Parea calcular el cuantil de probabilidad de excedencia p (z p ), se invierte la distribución G(z), obteniéndose: Cuando se trabaja con máximos anuales el período de retorno es Tr = 1/p
21 Papel de Gumbel: Si se define la variable, siendo p la probabilidad de excedencia de z p (G(z p ) = 1-p ), entonces el gráfico log(y p ) z p será lineal en el caso de la distribución de Gumbel (xi = 0) Tipo III: Weibull Tipo I: Gumbel Tipo II: Frechet
22 Ejemplo GEV: 25 Velocidad de viento V W [m/s] Período de retorno [años]
23 Ajuste de los parámetros de la distribución GEV (1) Máxima verosimilitud (2) Probability Weighted Moments (PWM; combinación lineal de momentos de la distribución)
24 Ajuste parámetros GEV mediante máxima verosimilitud Da resultados adecuados cuando xi>-0,5 (habitual en la práctica) y cuando el número de datos disponible es grande Se buscan los parámetros que maximizan el logaritmo de la función de verosimilitud.
25 En MATLAB el comando es: gevfit
26 Ajuste parámetros GEV mediante PWM Da mejor ajuste cuando el número de datos disponible es chico Equivalente al método de los momentos, pero se igualan combinaciones lineales de momentos en lugar de igualar momentos.
27 Ajuste parámetros GEV mediante PWM El método no está programado en MATLAB pero es de fácil programación.
28 Velocidad de viento V W [m/s] data1 ML PWM? Período de retorno [años]
29 Cálculo de intervalos de confianza (1) Método Delta (2) Perfil de verosimilitud (profile likelihood) (3) Métodos basados en Bootstrapping paramétrico (muestreo aleatorio y simulación)
30 Intervalos de confianza: Método Delta Asigna a los cuantiles una distribución normal intervalos de confianza simétricos en torno al valor estimado no es realista cuando se extrapola a altos períodos de retorno: se corre el riesgo de subestimar límite superior. No está programado en MATLAB; puede programarse con cierta facilidad siguiendo Coles (2001, Cap.2)
31 Intervalos de confianza: Perfil de Verosimilitud
32 Intervalos de confianza: Perfil de Verosimilitud
33 Intervalos de confianza: Perfil de Verosimilitud
34 Intervalos de confianza: Perfil de Verosimilitud Para usar el perfil de verosimilitud para estimar los intervalos de confianza de los cuantiles de la GEV es necesario expresar uno de los parámetros de la distribución en función del valor del cuantil (ver Coles 2001, Cap 3).
35 Intervalos de confianza: Perfil de Verosimilitud
36 Intervalos de confianza: Perfil de Verosimilitud No está programado en MATLAB Es posible programarlo siguiendo Coles (2001) capítulos 2 y 3, pero requiere usar funciones de optimización (búsqueda de mínimos) para construir los perfiles de verosimilitud.
37 Intervalos de confianza: Bootstrapping paramétrico Aproximación tradicional; dada GEV ajustada con datos originales: (1) se simulan N series de igual duración que la serie original (2) a cada serie se le ajusta una GEV y se calcula el cuantil de interés (3) se estiman intervalos de confianza a partir de datos generados
38 Intervalos de confianza: Bootstrapping paramétrico Aproximación alternativa; dada GEV ajustada con datos originales: (1) se estima matriz de covarianza de los parámetros (2) se simulan N conjuntos de parámetros usando la matriz de covarianza (3) Se estima el cuantil objetivo con cada conjunto de parámetros (4) se estiman intervalos de confianza a partir de datos generados
39 Intervalos de confianza: Bootstrapping paramétrico No están programados en MATLAB pero son de sencilla programación una vez que se tiene la matriz de covarianza
40 Intervalos de confianza: Bootstrapping paramétrico Matriz de covarianza de los parámetros para ajuste ML: función gevlike Matriz de covarianza de los parámetros para ajuste PWM hay que programarla usando
41 30 Velocidad de viento V W [m/s] data1 ML PWM Período de retorno [años]
42 Ejemplo: análisis de extremos de la altura de ola significante en la costa de Rocha x 10 6 Profundidad (mwh) Y (UTM zona 22H) ADCP B Condición de borde X (UTM zona 22H) x
43 6 Máximo Hm0 Anual [m] Año
44 9 Distribución de extremos GEV de Hm0 (Omnidireccional) Altura de ola significante espectral Hm0 [m] Período de retorno [años]
45 Altura de ola significante espectral Hm0 [m] ENE Período de retorno [años] Altura de ola significante espectral Hm0 [m] E Período de retorno [años] Altura de ola significante espectral Hm0 [m] ESE Período de retorno [años] Altura de ola significante espectral Hm0 [m] SE Período de retorno [años] Altura de ola significante espectral Hm0 [m] SSE Período de retorno [años] Altura de ola significante espectral Hm0 [m] S Período de retorno [años] Altura de ola significante espectral Hm0 [m] SSW Período de retorno [años]
46 9 Distribución de extremos GEV de Hm0 (Omnidireccional) 11 Distribución de extremos GEV de Hm0 (Direccional) Altura de ola significante espectral Hm0 [m] Altura de ola significante espectral Hm0 [m] Período de retorno [años] Período de retorno [años]
47
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO
Facultad de Ingeniería Escuela de Civil Hidrología ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO Prof. Ada Moreno ANÁLISIS DE FRECUENCIA Es un procedimiento para
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesFigura Área de Influencia de las estaciones complementarias a la estación Centro
INFORME FINAL Instituto de Ingeniería Coordinación de Hidráulica Figura 3.5.1 Área de Influencia de las estaciones complementarias a la estación Centro Tabla 3.5.2 Estaciones dentro del área de influencia
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesLA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO
LA FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DE LA LLUVIA ANUAL CUANDO OCURRE UN CAMBIO CLIMÁTICO Omar Abel Lucero 1 Resumen La lluvia anual es una variable aleatoria frecuentemente utilizada para caracterizar
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesCLIMA MEDIO DE OLEAJE
1 CLIMA MEDIO DE OLEAJE Boya de Sevilla Conjunto de Datos: REDCOS CODIGO B.D. 1314 LONGITUD -6.475 E LATITUD 36.738 N PROFUNDIDAD 10 m BANCO DE DATOS OCEANOGRÁFICOS DE PUERTOS DEL ESTADO ÁREA DE MEDIO
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesFecha de Publicación: CONJUNTO DE DATOS: REDEXT. Introducción
Fecha de Publicación: 25-06-2015 CONJUNTO DE DATOS: REDEXT Introducción El conjunto de datos REDEXT esta formado por las medidas procedentes de la Red de Boyas de Aguas Profundas (Red Exterior). Esta red
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesIntroducción a la Teoría de Valores Extremos. 4. Tópicos Adicionales, Software y Casos de Estudio
Introducción a la Teoría de Valores Extremos 4. Tópicos Adicionales, Software y Casos de Estudio Joaquín Ortega Sánchez jortega@cimat.mx Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto.,
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
Más detallesRÉGIMEN EXTREMAL DE LA VELOCIDAD MEDIA DEL VIENTO PARA LA ZONA COSTERA DEL PACÍFICO DE COSTA RICA. Informe Final
Ministerio de Obras Públicas y Transportes DIVISIÓN MARÍTIMO PORTUARIA RÉGIMEN EXTREMAL DE LA VELOCIDAD MEDIA DEL VIENTO PARA LA ZONA COSTERA DEL PACÍFICO DE COSTA RICA Informe Final Preparado por: ENERO
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesCapítulo 2 Análisis espectral de señales
Capítulo 2 Análisis espectral de señales Objetivos 1. Se pretende que el alumno repase las herramientas necesarias para el análisis espectral de señales. 2. Que el alumno comprenda el concepto de espectro
Más detallesHietograma en Santiago (10-11 Abril 1980)
Hietograma en Santiago (10-11 Abril 1980) hietograma de lluvia 4 3.5 3 Lluvia (mm) 2.5 2 1.5 1 0.5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Tiempo (hrs) Intensidades de Lluvia Intensidades se acostumbran
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesMapa de caudales máximos
JORNADA TÉCNICA T DE INUNDACIONES 10-11 11 de junio de 010 Mapa de caudales máximos Antonio Jiménez Álvarez del CEDEX 1 CARACTERÍSTICAS GENERALES DEL TRABAJO Realizado dentro de un Convenio de colaboración
Más detallesPRINCIPALES MODELOS ESTADÍSTICOS EN RIESGO DE MERCADO Y LIQUIDEZ DR. HOLGER CAPA SANTOS
PRINCIPALES MODELOS ESTADÍSTICOS EN RIESGO DE MERCADO Y LIQUIDEZ DR. HOLGER CAPA SANTOS Octubre, 2007 CONTENIDO INTRODUCCIÓN VALOR EN RIESGO VaR UTILIZANDO LA DISTRIBUCIÓN NORMAL VaR UTILIZANDO MODELOS
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesEstudio del clima de olas en el Río de la Plata mediante el análisis de datos de olígrafo
Estudio del clima de olas en el Río de la Plata mediante el análisis de datos de olígrafo Nicolás Tomazin 1, Raúl Cáceres 2 1.Programa de Hidráulica Marítima LH-INA. 2. HDROVIA S.A. E-mail: ntomazin@ina.gob.ar;
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesBioestadística para Reumatólogos
Bioestadística para Reumatólogos Xavier Barber Vallés Mabel Sánchez Barrioluengo Colaboradores - Umh Todos los datos que se muestran son ficticios Tablas 2x2: Riesgos Relativos y Odds ratio En cada sociedad
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesPROBESTAD - Probabilidad y Estadística
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 250 - ETSECCPB - Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos de Barcelona 751 - ECA - Departamento
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesAnálisis de Datos y Probabilidad Grado 9-12
Análisis de Datos y Probabilidad Grado 9-12 Cómo se afectaría el costo de vida por el incremento en el precio de la electricidad en Puerto Rico? 1 Introducción En esta actividad los estudiantes usarán
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detallesEXTREMOS MAXIMOS DE OLEAJE
MINISTERIO DE FOMENTO Puertos del Estado EXTREMOS MAXIMOS DE OLEAJE ( ALTURA SIGNIFICANTE ) Boya de Cabo de Gata CODIGO B.D. 2548 LONGITUD -2.340 E LATITUD 36.570 N PROFUNDIDAD 368 m PERIODO 1998 2005
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesCLIMA DE OLEAJE EN AGUAS PROFUNDAS Y COSTERAS: MODELOS NUMÉRICOS
CLIMA DE OLEAJE EN AGUAS PROFUNDAS Y COSTERAS: MODELOS NUMÉRICOS BENTOS Servicios y Equipos Marinos Ltda. Avda. Suecia 3005, Ñuñoa, Santiago Teléfono: (56 2) 296 373 60 Fax: (56 2) 296 373 77 E-mail: info@bentos.cl
Más detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Más detallesTema de la sesión: TEMA 4 Método Direct Costing
Aplicación: Contabilidad de Costes Tema de la sesión: TEMA 4 Método Direct Costing Nota técnica preparada por: Raúl Holgado Hermoso Fecha: 2011/2012 CARACTERÍSTICAS DEL DIRECT COSTING: 1) Distingue entre
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesContenidos Mínimos del Estudio de Factibilidad de un Proyecto de Inversión Pública en fase de preinversión
Contenidos Mínimos del Estudio de Factibilidad de un Proyecto de Inversión Pública en fase de preinversión 1 Para la elaboración de un estudio de factibilidad, se debe tomar como punto de partida el estudio
Más detallesINSTRUCCIÓN TÉCNICA: PLAN DE AUTOPROTECCIÓN ESTUDIO DE RIESGOS NATURALES
PLAN DE AUTOPROTECCIÓN ESTUDIO DE RIESGOS PAUT-13-INS-018-1.0 Edición_Versión 1.0 19/02/2013 INSTRUCCIÓN TÉCNICA: PLAN DE AUTOPROTECCIÓN ESTUDIO DE RIESGOS Cualquier versión impresa o en soporte informático,
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesModelos de cola.
Modelos de cola http://humberto-r-alvarez-a.webs.com Las colas Las colas son frecuentes en la vida cotidiana: En un banco En un restaurante de comidas rápidas Al matricular en la universidad Los autos
Más detallesDatos Descriptivos. ANEXO II Guía de Aprendizaje Información al estudiante. Sólo castellano Sólo inglés Ambos IDIOMA IMPARTICIÓN
ANEXO II Guía de Aprendizaje Información al estudiante Datos Descriptivos ASIGNATURA: Estadística MATERIA: Probabilidad e Inferencia Estadística CRÉDITOS EUROPEOS: 6 CARÁCTER: Básica TITULACIÓN: GIE, GITM,
Más detallesTécnicas de validación y experimentación
Técnicas de validación y experimentación Clase nro 11 Introducción Todo modelo debe ser testeado para asegurarnos que es confiable, no tiene errores y que es aceptado por aquellos que lo van a usar. Luego
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesTEMA 2. CARACTERIZACIÓN DEL OLEAJE.
TEMA. CARACTERIZACIÓN DEL OLEAJE. ENGINYERIA MARÍTIMA ETSECCPB INDICE.INTRODUCCIÓN....FUENTES DE INFORMACIÓN DE OLEAJE... 3. OLEAJE A CORTO TÉRMINO O CARACTERIZACIÓN DEL OLEAJE IRREGULAR...3 3.. Descripción
Más detalles2 4. c d. Se verifica: a + 2b = 1
Pruebas de Acceso a la Universidad. SEPTIEMBRE 0. Bachillerato de Ciencias Sociales. El alumno debe responder a una de las dos opciones propuestas, A o B. En cada pregunta se señala la puntuación máxima.
Más detalles1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas:
LIMITE DE FUNCIONES Tema: Introducción a límite 1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas: a) Cuál es el valor de la función si x = 2? b) Cuál es el valor de la función
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesESTUDIO DE INUNDABILIDAD DE LA E.D.A.R. DE SAHÚN (HUESCA).
ESTUDIO DE INUNDABILIDAD DE LA E.D.A.R. DE SAHÚN (HUESCA). Proyecto Final de Carrera Tipo II Titulación: Ingeniero de Caminos, Canales y Puertos Especialidad: Hidráulica y Medio Ambiente Autor: Ignacio
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesCapítulo 5 Determinación de caudales en los puntos de análisis
Capítulo 5 Determinación de caudales en los puntos de análisis Al no existir información sobre los caudales en los puntos que definen las subcuencas en estudio (Vilcazán, Sta. Rosa, San Lázaro, Chulucanitas
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
Más detallesSemivida de una pelota
Semivida de una pelota INTRODUCCIÓN Esta investigación plantea la pregunta de si la altura de los rebotes de una pelota presenta una disminución exponencial y, si es así, cuál es la semivida de la altura?
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detalles1.- Construye la tabla de frecuencias para las notas de una prueba de las 44 alumnas de un curso. 6,8 3,2 6,0 3,4 6,5 3,7 7,0 5,0 6,3 3,8 2,8
PROBABILIDAD Y ESTADÍSTICA TABLAS DE FRECUENCIA 1.- Construye la tabla de frecuencias para las notas de una prueba de las 44 alumnas de un curso. 6,8 3,2 6,0 3,4 6,5 3,7 7,0 5,0 6,3 3,8 2,8 5,5 3,8 6,5
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesEfecto de diferentes intervalos entre partos y producción por lactancia sobre la productividad esperada por hectárea.
Efecto de diferentes intervalos entre partos y producción por lactancia sobre la productividad esperada por hectárea. Ing. Agr. Roberto Rubio Introducción En las situaciones productivas de los tambos el
Más detallesDEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso
DEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso 2009-10 1. Generalidades Instrumentación: En general la instrumentación comprende todas las técnicas, equipos y metodología relacionados con
Más detallesCoffey. Estudios hidrológicos en área de Minera Aratiri
Coffey Estudios hidrológicos en área de Minera Aratiri Informe técnico Precipitaciones máximas y tiempos de concentración en los Arroyos Valentín y De las Palmas (V) INGESUR SRL Enero de 00 Índice general.introducción....área
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesCuenca de los ríos Magdalena y Becerra
Cuenca de los ríos Magdalena y Becerra Objetivo: Elaborar un modelo hidrológico e hidráulico de la cuenca y cauce de los ríos Magdalena y Becerra, que permita contar con una herramienta de predicción de
Más detalles