Modelos y herramientas de decisión. Análisis de decisiones II
|
|
- Nieves Olivera Benítez
- hace 5 años
- Vistas:
Transcripción
1 UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramietas de decisió. Aálisis de decisioes II MODELOS Y HERRAMIENTAS DE DECISIÓN 240EO023 Máster Uiversitario e Igeiería de Orgaizació (240MUEO) - ETSEIB Joaquí Bautista-Valhodo OPE-PROTHIUS OPE-MSc.2016/18 240EO023 ( ) Departameto de Orgaizació de Empresas ETSEIB UPC MHD 16 Dec (II): 0
2 Coteido Decisió multiestado Tipología del Uiverso Decisioes e Uiverso aleatorio-probabilista Ejemplo 2 Presetació Decisioes e Uiverso probabilista si experimetació Ejemplo 2 Resolució probabilista si experimetació Ejemplo 3 Cotexto y presetació Ejemplo 3 Plateo y resolució probabilista si experimetació Decisioes e Uiverso probabilista co experimetació Accioes y valoració Ejemplo 3 Resolució probabilista co experimetació Árboles de decisió Cocepto y reducció Ejemplo 3 Árbol de decisió MHD 16 Dec (II): 1
3 Decisió multiestado Cocepto: Elegir e etoros o certeros DECISOR (RACIONAL) Utilidad UNIVERSO (REALIDAD) Preferecias Acció ACCIONES POSIBLES PROCESO DE DECISIÓN Utilidad: Iformació que comuica el uiverso al decisor. Accioes: Decisioes tomadas por el decisor. Preferecias: Ordeació de criterios del decisor Probabilidades: Existe ua ley de probabilidad objetiva viculada a los estados de la aturaleza MHD 16 Dec (II): 2
4 Tipología del Uiverso Determiista Se cooce co certeza el estado de la aturaleza que se dará. Factores defiidos y coocidos. A cada acció correspode ua y sólo ua cosecuecia. Icierto Diversos estados de la aturaleza posibles. Nigua ley de probabilidad objetiva referida a ellos. Hay diversos iveles de icertidumbre. Aleatorio-Probabilista No se cooce co certeza el estado de la aturaleza que se dará. Existe ua ley de probabilidad objetiva. Hostil Diversos estados de la aturaleza posibles. No hay ley de probabilidad objetiva referida a los estados. Los estados está ifluidos por las decisioes de etes iteligetes ajeos co objetivos o coicidetes co los del decisor (Juego) MHD 16 Dec (II): 3
5 Decisioes e Uiverso aleatorio-probabilista Elemetos: Estados de la aturaleza: Situacioes e las que os podemos ecotrar, viculadas a priori a ua ley de probabilidad objetiva, tras tomar ua decisió. Accioes del decisor: Alterativas ate la elecció. Utilidad (resultados): Evaluació de las cosecuecias al elegir (gaacias o pagos). s s j S A u ij U p j "s j S a 1 u 11 u 12 u 1 a 2 u 21 u 22 u 2 a m u m1 u m2 u m Tabla-1: Tabla de pagos (utilidades) acció-estado. Los pagos puede ser gaacias o pérdidas (frustració) para el decisor. U ( ) = f ( U i, S, p(s) ) co U i = { u kj U : k = i} " A MHD 16 Dec (II): 4
6 Ejemplo 2. Presetació (1) Gaacias y probabilidades Ejemplo 2 Lazamieto de uevo producto al mercado FHI Euciado_1: La empresa FHI quiere lazar u uevo producto al mercado (pla-horizote 5 años) cotado co 4 alterativas posibles y especulado sobre 4 posibles estados del mercado sujetos a ua ley de probabilidad objetiva. Las gaacias y probabilidades se recoge e la Tabla-1. Accioes: a 1 : Recursos actuales a 2 : Salida a bolsa a 3 : Aliaza co empresa a 4 : Aliaza y bolsa Estados de la aturaleza: : Boaza : Creecimieto leve s 3 : Estable s 4 : Recesió p S U ( A, S) s1 s2 s3 s4 a a a a Tabla-1: Pagos acció-estado (tabla de gaacias) y probabilidades a priori de los estados de la aturaleza sobre la valoració del lazamieto de u uevo producto al mercado por parte de la empresa FHI. MHD 16 Dec (II): 5
7 Ejemplo 2. Presetació (2) Frustracioes y probabilidades Ejemplo 2 Lazamieto de uevo producto al mercado FHI Euciado_2: La empresa FHI quiere lazar u uevo producto al mercado (pla-horizote 5 años) cotado co 4 alterativas posibles y especulado sobre 4 posibles estados del mercado sujetos a ua ley de probabilidad objetiva. Las frustracioes y probabilidades se recoge e la Tabla-2. Accioes: a 1 : Recursos actuales a 2 : Salida a bolsa a 3 : Aliaza co empresa a 4 : Aliaza y bolsa Estados de la aturaleza: : Boaza : Creecimieto leve s 3 : Estable s 4 : Recesió p S V ( A, S) s1 s2 s3 s4 a a a a Tabla-2: Frustracioes acció-estado y probabilidades a priori de los estados de la aturaleza sobre la valoració del lazamieto de u uevo producto al mercado por parte de la empresa FHI. MHD 16 Dec (II): 6
8 Decisioes e Uiverso probabilista si experimetació Procedimietos: Sea : S A u i, j v i, j p j { } Cojuto de estados de la aturaleza, S =,.., s Cojuto de accioes posibles, A = { a 1,.., a m }, del decisor Utilidad (gaacia) ormalizada de la acció A ate el estado s j S Frustració ormalizada de la acció ate estado s j : v i, j = max { u i, j }" u i, j A Probabilidad asociada a la ocurrecia del estado s j S Notacioes: p j # p s j $s j S { p j } s *, j * Estado más probable: s * # s j * Ídice del estado más probable (ab. ot.): j * = argmax s j S Percepció Efoque Decisor Fució Acció óptima Oportuista Utilidad Estado s * max f a, s Oportuista Frustració Estado s * mi f Probabilista Utilidad BAYES max f Probabilista Frustració BAYES mi f = max a, s = mi a, s = max a, s { u A i, j *} a * = argmax { u i, j *} A { v A i, j *} a * = argmi { v i, j *} A A = mi A {% p j u j=1 i, j } a* = argmax p j u i, j {% A j=1 } {% p j v j=1 i, j } a * = argmi{ % p j v j=1 i, j } A MHD 16 Dec (II): 7
9 Ejemplo 2. Resolució Estado más probable (1) Ejemplo 2 Lazamieto uevo producto FHI Resolució Estado más probable Gaacias: Los estados de la aturaleza está sujetos a ua ley de probabilidad objetiva. Se seleccioa la acció que maximiza la gaacia del estado más probable. Fució objetivo: max f a, s = max{ f i ( )} A f i ( ) = u i, j * " A { p j } = 3 # s * = s 3 j * = argmax s j S Acció óptima Oportuista: a * = argmax A f a { } u i,3 = ( 30,10,80, 50) { f i ( )} = a 3 a * = argmax A p S U A, S s1 s2 s3 s4 a a a a Tabla-3: Mejor acció Estado más probable (efoque gaacias) sobre lazamieto de u uevo producto al mercado por parte de la empresa FHI. Estado más probable s3 : p(s3)=0.4 f i ( ) MHD 16 Dec (II): 8
10 Ejemplo 2. Resolució Estado más probable (2) Ejemplo 2 Lazamieto uevo producto FHI Resolució Estado más probable Frustracioes: Los estados de la aturaleza está sujetos a ua ley de probabilidad objetiva. Se seleccioa la acció que miimiza la frustració del estado más probable. Fució objetivo: mi f a, s f i = mi A = v i, j * " A j * = argmax s j S { f i ( )} { p j } = 3 # s * = s 3 Acció óptima Oportuista: a * = argmi A f a { v i,3 } = ( 50, 70, 0,30) a * = argmi A { f i } = a 3 p S U A, S s1 s2 s3 s4 a a a a Tabla-4: Mejor acció Estado más probable (efoque frustracioes) sobre lazamieto de u uevo producto al mercado por parte de la empresa FHI. Estado más probable s3 : p(s3)=0.4 f i ( ) MHD 16 Dec (II): 9
11 Ejemplo 2. Resolució Bayes si experimetació (1) Ejemplo 2 Lazamieto uevo producto FHI Resolució bayesiaa Gaacias: Los estados de la aturaleza está sujetos a ua ley de probabilidad objetiva. Se seleccioa la acció que maximiza la esperaza matemática de la gaacia. Fució objetivo: max f a, s = max A f i ( ) = p j u j=1 i, j { f i ( )} " # A Acció óptima BAYES: a * = argmax{ p j u j=1 i, j " } A f a = ( 50.0, 40.5, 59.5, 47.0) a * = argmax A { f i } = a 3 p S U A, S s1 s2 s3 s4 a a a a UIP Tabla-5: Mejor acció bayesiaa a priori (efoque gaacias) sobre lazamieto de u uevo producto al mercado por parte de la empresa FHI. UIP : Utilidad esperada co Iformació Perfecta (81) f i ( ) MHD 16 Dec (II): 10
12 Ejemplo 2. Resolució Bayes si experimetació (2) Ejemplo 2 Lazamieto uevo producto FHI Resolució bayesiaa Frustracioes: Los estados de la aturaleza está sujetos a ua ley de probabilidad objetiva. Se seleccioa la acció que miimiza la esperaza matemática de la frustració. Fució objetivo: mi f a, s = mi { f i ( )} A f i ( ) = p j v j=1 i, j " # A Acció óptima BAYES: a * = argmi{ p j v j=1 i, j " } A f a = ( 31.0, 40.5, 21.5, 34.0) a * = argmi A { f i } = a 3 p S U ( A, S) s1 s2 s3 s4 a a a a f i ( ) Tabla-6: Mejor acció bayesiaa a priori (efoque frustracioes) sobre lazamieto de u uevo producto al mercado por parte de la empresa FHI. MHD 16 Dec (II): 11
13 Ejemplo 3. Cotexto Características de u motor piezas y 330 referecias e 6 versioes del motor diesel 2.- Nº de operacioes de Motaje: 378 (icluida la prueba rápida). 3.- Nº de operarios, para u turo de 135 motores: 42 Características de la fabricació 1.- Motaje: 9 tipos de motores de 3 familias: 4x4 (p1 a p3); furgoetas (p4, p5); camioes MT (p6 a p9). 2.- Nº de operacioes: 140. Atributos: temporales, espaciales y de riesgo 3.- Demada diaria: 30 motores de cada tipo (istacia #1 Nissa-BCN), 2 turos de 6h 45 (8h): c=180 s. MHD 16 Dec (II): 12
14 Ejemplo 3. Presetació Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Euciado: A la estació K-10 de ua líea de motores mixtos llega u lote de 10 compoetes co fallo e traza. Se descooce la procedecia del lote, auque se sabe que puede teer dos orígees: (s1) proveedor co 90% de piezas adecuadas o (s2) proveedor co 50% de piezas adecuadas. Si se laza a líea u lote de procedecia s1 se tiee ua gaacia de 2800 um, si se laza u lote tipo s2 hay pérdidas por valor de 2000 um; si o se laza el lote a líea hay ua caída imediata de producció valorada e 400 um Lote proveedor Lote proveedor MHD 16 Dec (II): 13
15 Ejemplo 3. Plateo Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Plateo: Estació K-10 Lote 10 compoetes co fallo e traza (s1) 90% (+) o (s2) 50% (+) Lazamieto lote: (s1) 2800 um, (s2) Reteció lote: um. Accioes: a 1 : Lazar lote a líea a 2 : Reteer lote y sustituir Estados: : Lote proveedor_1 : Lote proveedor_2 Probabilidades a priori: p 1 p( ) = 0.5 p 2 p( ) = 0.5 p S U ( A, S) S1 S2 LANZAR 2800 RETENER Máximo 2800 Tabla-7: Utilidades acció-criterio y probabilidades sobre el lazamieto a líea del lote de compoetes de motores. MHD 16 Dec (II): 14
16 Ejemplo 3. Resolució Bayes si experimetació Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Resolució: Estació K-10 Lote 10 compoetes co fallo e traza (s1) 90% (+) o (s2) 50% (+) Lazamieto lote: (s1) 2800 um, (s2) Reteció lote: um. Fució objetivo: max f a, s = max A f i ( ) = p j u j=1 i, j { f i ( )} " # A Acció óptima BAYES: a * = argmax{ p j u j=1 i, j " } A f a = ( 400, $400) a * = argmax A { f i } = a 1 p S U ( A, S) S1 LANZAR RETENER UIP Tabla-8: Mejor acció bayesiaa a priori (efoque gaacias) sobre el lazamieto a líea del lote de compoetes de motores. UIP : Utilidad esperada co Iformació Perfecta (1200) S2 f i ( ) MHD 16 Dec (II): 15
17 Decisioes e Uiverso probabilista co experimetació (1) Procedimietos: Sea : S, A, X Cojutos de accioes, A = { a 1,.., a m }, estados, S = {,.., s }, y resultados, X = x 1,.., x l i, j, k Ídices de accioes ( A), estados ( s j S) y resultados ( x k X) u i, j, v i, j Utilidad (gaacia) y frustració ormalizadas de la acció A ate el estado s j S a * ( x k ) Acció óptima cuado el resultado del experimeto es x k X { } $ 1. A priori: p s & j 2. Codicioales: p x k s j & Probabilidades: % 3. Margiales: p x k & & ' & 4. A posteriori: p( s j x k ) p s j x k Coocidas "s j Coocidas "x k, s j p( x k ) = # p( x k s j ) p( s j=1 j ) "x k = p ( x k s j ) p( s j ) "s j x k p x k ( & & ) & & * & Efoque Fució Acció óptima depediete x k X Utilidad max f a, s, ( x k ) = max p s j x k u i, j A {# j=1 } a * ( x k ) = argmax # p( s j x k )u i, j A j=1 Frustració mi f a, s, ( x k ) = mi p s j x k v i, j A {# j=1 } a * ( x k ) = argmi p( s j x k )v i, j A Nota: max p s j x k u i, j A {# j=1 } + mi p s j x k v i, j A {# j=1 } { } {# j=1 } MHD 16 Dec (II): 16
18 Ejemplo 3. Resolució Bayes co experimetació (1) Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Resolució: Estació K-10 Lote 10 compoetes co fallo e traza (s1) 90% (+) o (s2) 50% (+) Lazamieto lote: (s1) 2800 um, (s2) Reteció lote: um Experimeto Experimeto: Extaer u compoete del lote y hacer test Resultados: { x 1 : Compoete correcto } x 2 : Compoete co defecto p( S) p X / S = p x k s j p x k S1 j=1 S2 p s j p( X) CORRECTO DEFECTO Tabla-9: Probabilidades codicioales y margiales sobre el lazamieto a líea de lote de compoetes CORRECTO DEFECTO p S p S / X ( x k ) = p x k s j p s j p( s j ) p x k S S Tabla-10: Probabilidades a posteriori de estados s1 y s2 e fució del resultado del experimeto (correcto / defecto). MHD 16 Dec (II): 17
19 Ejemplo 3. Resolució Bayes co experimetació (2) Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Resolució: Estació K-10 Lote 10 compoetes co fallo e traza (s1) 90% (+) o (s2) 50% (+) Lazamieto lote: (s1) 2800 um, (s2) Reteció lote: um Experimeto Experimeto: Extaer u compoete del lote y hacer test Resultados: { x 1 : Compoete correcto } x 2 : Compoete co defecto = argmax a * x 1 p( S x 1 ) U A, S A {" p( s j x 1 )u j=1 i, j } # a* x S1 S2 LANZAR RETENER = a 1 a * ( x 2 ) = argmax f i ( ) A {" p( s j x 2 )u j=1 i, j } # a* x 2 p S x U ( A, S) S1 S2 f i = a 2 LANZAR RETENER Tabla-11: Mejor acció bayesiaa a posteriori si el resultado del experimeto es compoete correcto Tabla-12: Mejor acció bayesiaa a posteriori si el resultado del experimeto es compoete co defecto MHD 16 Dec (II): 18
20 Decisioes e Uiverso probabilista co experimetació (2) Valoració de la experimetació: Elemetos S, A, X Cojutos de accioes, A = { a 1,.., a m }, estados, S = {,.., s }, y resultados, X = x 1,.., x l i, j, k Ídices de accioes ( A), estados (s j S) y resultados (x k X) u i, j, v i, j Utilidad (gaacia) y frustració ormalizadas de la acció A ate el estado s j S p(s) Probabilidad a priori asociada a la ocurrecia del estado s j S p(x s) Probabilidad de que se obtega el resultado x X codicioada al suceso s S p(x) Probabilidad de que se obtega el resultado x X idepedietemete del suceso p(s x) Probabilidad a posteriori del suceso s S cuado se obtiee el resultado x X Valores U IP Utilidad esperada co iformació perfecta: U IP = p( s j )max U B Utilidad esperada si experimetació (BAYES): U B = max p s j u i, j A j=1 C IP Coste de lformació perfecta: C IP =U IP #U B U E Utilidad esperada co experimetació: U E = l p( x k )max C E Coste de la experimetació: C E =U E #U B " " j=1 k=1 A { } { u i, j } {" } A {" p( s j x k )u j=1 i, j } MHD 16 Dec (II): 19
21 Ejemplo 3. Valoració de la experimetació Ejemplo 3 Lazamieto a líea de lote de compoetes de motores Valoració: Valores : 1. Utilidad esperada co iformació perfecta: U IP = " p( s j )max{ u i, j } = 0.5# # ($400) =1200 j=1 A 2. Utilidad esperada si experimetació (BAYES): U B = max A 3. Coste de lformació perfecta: % {" p( s j )u } 0.5# # ($2000) ( j=1 i, j = max& ) ' 0.5# ($400)+ 0.5# ($400)* C IP =U IP $U B =1200 $ 400 = Utilidad esperada co experimetació: = max{ 400,$400} = 400 l U E = " p( x k )max " p( s j x k )u i, j = 0.7# # ($400) = 640 k=1 A 5. Coste de la experimetació: { } j=1 C E =U E $U B = 640 $ 400 = 240 MHD 16 Dec (II): 20
22 Árboles de decisió. Cocepto y reducció Cocepto: Grafo que despliega visualmete el problema y permite orgaizar los cálculos para el aálisis de decisioes 400 Vértice de decisió Lazar Reteer Vértice de azar 400 s1 s2 s s2 0.5 Vértice fial 2800 Evaluació y reducció del árbol: Regla-1 (Vértice de azar): A todo vértice extremo-orige de AZAR se le asiga la media poderada (probabilidades) de las utilidades de los vértices extremosdestio. Regla-2 (Vértice de decisió): A todo vértice extremo-orige de DECISIÓN se le asiga el valor máximo (míimo) de las utilidades (frustracioes) de los vértices extremos-destio. MHD 16 Dec (II): 21
23 Ejemplo 3. Árbol de decisió (1) Costrucció Lazar 0.5 Reteer Lazar Test x Reteer x Lazar Reteer MHD 16 Dec (II): 22
24 Ejemplo 3. Árbol de decisió (2) Reducció_ Lazar 0.5 Reteer 0.5 Lazar Test x Reteer x Lazar Reteer MHD 16 Dec (II): 23
25 Ejemplo 3. Árbol de decisió (3) Reducció_ Lazar 0.5 Reteer 0.5 Lazar Test x Reteer x Lazar Reteer MHD 16 Dec (II): 24
26 Ejemplo 3. Árbol de decisió (4) Reducció_ Lazar 0.5 Reteer 0.5 Lazar Test 640 x 1 x Reteer Lazar Reteer MHD 16 Dec (II): 25
27 Ejemplo 3. Árbol de decisió (5) Reducció_4. Accioes Lazar 0.5 Reteer Lazar Test 640 Coste límite de la experimetació: C E =U E U B = = 240 x 1 x Reteer Lazar Reteer MHD 16 Dec (II): 26
28 Icertidumbre o determiismo [...] Si cocebimos uteligecia que e u istate determiado abarca todas las relacioes etre todos los etes del uiverso -uteligecia lo suficietemete amplia que permitiera someter estos datos al aálisis- ésta podría establecer las posicioes respectivas, el movimieto y las propiedades geerales de todos estos etes, desde los mayores cuerpos del uiverso al meor de los átomos; para ella ada serícierto y el futuro así como el pasado estaría presetes ate sus ojos. Pierre-Simo Laplace (1814) Esayo filosófico sobre las probabilidades MHD 16 Dec (II): 27
Modelos y herramientas de decisión. Análisis de decisiones I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramietas de decisió. Aálisis de
Más detallesFundamentos de Teoría de la Decisión Modelos y Herramientas de Decisión Máster Universitario de Ingeniería de Organización - ETSEIB
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Fundamentos de Teoría de la Decisión Modelos
Más detallesDirección de Operaciones. Programación
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Direcció de Operacioes. Programació DIRECCIÓN
Más detalles1. QUÉ ES LA ESTADÍSTICA?
1. QUÉ ES LA ESTADÍSTICA? Cuado coloquialmete se habla de estadística, se suele pesar e ua relació de datos uméricos presetada de forma ordeada y sistemática. Esta idea es la cosecuecia del cocepto popular
Más detallesProbabilidad. Departamento de Análisis Matemático Universidad de La Laguna. 1. Introducción 1
Probabilidad BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimeez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es) ALEJANDRO SANABRIA
Más detallesModelos y herramientas de decisión. Teoría de Juegos I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Teoría de
Más detallesSistemas Avanzados de Producción. Secuenciación en contexto JIT
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Sistemas Avanzados de Producción. Secuenciación
Más detallesUNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios
1. Experimetos aleatorios U experimeto se llama aleatorio cuado o se puede predecir su resultado; además, si se repitiese el mismo experimeto e codicioes aálogas, los resultados puede diferir. a) El resultado
Más detallesModelos y herramientas de decisión. Introducción a MHD
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Introducción
Más detallesDistribución Multinomial
Uiversidad de Chile. Rodrigo Assar Facultad de Ciecias Físicas y Matemáticas M A34B 3 Adrés Iturriaga Departameto de Igeiería Matemática. Víctor Riquelme Distribució Multiomial Resume E el presete artículo
Más detallesNOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.
NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores
Más detallesTema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. 3.
Tema 3: Itroducció a la probabilidad Tema 3: Itroducció a la probabilidad 3.1 Itroducció Equiprobabilidad Métodos combiatorios Objetivos del tema: l fial del tema el alumo será capaz de: Compreder y describir
Más detallesMg. Ing. Susana Vanlesberg Profesor Titular
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeierías: Recursos Hídricos-Ambietal-Agrimesura- Iformática Mg. Ig. Susaa Valesberg Profesor Titular MODELOS PARA VARIABLES
Más detallesCÁLCULO DE PROBABILIDADES :
CÁLCULO DE PROBBILIDDES : Experimeto aleatorio. Espacio muestral. Sucesos. Álgebra de sucesos. Frecuecias. Propiedades. Probabilidad. Resume de Combiatoria. Probabilidad codicioada. Teoremas. PROBBILIDD
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesTUTORES PTA EVALUACIÓN DE CARÁCTER DIAGNÓSTICO FORMATIVA (ECDF) y O r d e n
Libertad TUTRES PTA EVALUACIÓN DE CARÁCTER DIAGNÓSTIC FRMATIVA (ECDF) Presidete de la República Jua Mauel Satos Calderó Miistra de Educació Nacioal Gia María Parod d Echeoa Vicemiistro de Educació Preescolar
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesMATEMÁTICAS 2ºBACHILLERATO CCSSII
La trata del recueto, ordeació y clasificació de los datos obteidos por las observacioes, para poder hacer comparacioes y sacar coclusioes. U estudio estadístico costa de las siguietes fases: Recogida
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesTeorema del Muestreo
Teorema del Muestreo Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice 1.1. Itroducció 1.2. Coversió aalógico-digital y digital-aalógico 1.3. Proceso
Más detallesEjemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis
Ejemplo Solució ) Se trata de ua distribució muestral de diferecia de proporcioes. Se evalúa dos tipos diferetes de solucioes para pulir, para su posible uso e ua operació de pulido e la fabricació de
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesModelos y herramientas de decisión. Reparto proporcional
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Reparto
Más detallesModelos y herramientas de decisión. Reparto proporcional
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN ) Modelos y herramientas de decisión. Reparto
Más detallesTEMA 64. Probabilidad Compuesta. Probabilidad condicionada. Probabilidad total. Teorema de Bayes.
TEM 64. Probabilidad Compuesta, codicioada, total y Teorema de Bayes. TEM 64. Probabilidad Compuesta. Probabilidad codicioada. Probabilidad total. Teorema de Bayes. 1. Itroducció. 1.1 Histórica. Los coceptos
Más detallesEstimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detallesPaso 6. Recopilar información
Paso 6. Recopilar iformació Ua vez determiado el tipo de ivestigació que se llevará a cabo, se revisará la bibliografía pertiete al respecto del tema de estudio para coocer los procedimietos y las técicas
Más detallesPropiedad Intelectual Propiedad Cpech Intelectual Cpech
Raíces Propiedad Itelectual Propiedad Cpech Itelectual Cpech Apredizajes esperados Recoocer la defiició de raíz como ua potecia de base etera y de expoete racioal. Aplicar las propiedades de las raíces
Más detallesGestión de operaciones
Gestió de operacioes Modelos de programació lieal l y etera Pedro Sáchez Pedro Sáchez pedro.sachez@upcomillas.es Coste fio Coteidos Trasporte Trasbordo Viaate (TSP) Asigació Partició (set partitioig) Mochila
Más detallesModelos y herramientas de decisión. Programación dinámica I
UNIVERSITAT POLITÈCNICA DE CATALUNYA BARCELONATECH OPE ORGANIZACIÓN DE LA PRODUCCIÓN Y DE EMPRESA (ASPECTOS TÉCNICOS, JURÍDICOS Y ECONÓMICOS EN PRODUCCIÓN Modelos y herramientas de decisión. Programación
Más detallesCAPÍTULO 1: ELEMENTOS BÁSICOS DE LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS
Parte I: Istrumetos matemáticos de la teoría de los subcojutos borrosos CAPÍTULO 1: ELEMENTOS BÁSICOS DE LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS 1.1. SUBCONJUNTO BORROSO 1.1.1. Defiició y cocepto La matemática
Más detalles8. Modelos de transporte y análisis de redes
8. Modelos de trasporte y aálisis de redes Problema de trasporte Problema de asigació Aálisis de redes. Redes de actividades: método CPM Problemas de trasporte. Eiste m orígees que cotiee diversas catidades
Más detallesBurgos Simón, Clara Cortés López, Juan Carlos; Navarro Quiles, Ana
Las Matemáticas para la Gestió de Carteras co Riesgo. Carteras compuestas por activos co correlacioes estadísticas arbitrarias. El caso e que se fija el redimieto esperado de la cartera Apellidos, ombre
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesTema 10 Cálculo de probabilidades Matemáticas CCSSII 2º Bachillerato 1
Tema 10 Cálculo de probabilidades Matemáticas CCSSII 2º Bachillerato 1 TEMA 10 CÁLCULO DE PROBABILIDADES 10.1 EXPERIENCIAS ALEATORIAS. SUCESOS EXPERIENCIAS DETERMINISTAS Y ALEATORIAS Se llama experiecia
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesIES Fco Ayala de Granada Sobrantes de 2001 (Modelo 3) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 200 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U establecimieto poe a la veta tres tipos de camisas A, B y C. Se sabe que la razó etre los
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
Más detallesPrueba Matemática. Resolución. Proceso de admisión Documento Oficial. Universidad de Chile
Proceso de admisió 20 28 de octubre de 200 Documeto Oficial Uiversidad de Chile VicerrectorÍa de asutos académicos DEMRE Cosejo de rectores UNIVERSIDADES CHILENAS Resolució Prueba Matemática Parte IV E
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesResolución N 2. Axiomas de Probabilidades. Ejercicios Resueltos. Profesor: Iván Rapaport Z. Auxiliar: Abelino Jiménez G.
Resolució N 2 Axiomas de Probabilidades Profesor: Ivá Rapaport Z Auxiliar: Abelio Jiméez G Ejercicios Resueltos 1 Cierta efermedad se trasmite e forma geética de los padres a los hijos, del siguiete modo:
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribucioes de probabilidad discretas Departameto de Ciecias del Mar y Biología Aplicada Itroducció Iferecia estadística: Parte de la estadística que estudia grades colectivos a partir
Más detallesDIRECTIVOS SINDICALES
Libertad DIRECTIVS SINDICALES EVALUACIÓN DE CARÁCTER DIAGNÓSTIC FRMATIVA (ECDF) Presidete de la República Jua Mauel Satos Calderó Miistra de Educació Nacioal Yaeth Cristia Giha Tovar Vicemiistro de Educació
Más detallesI. DEBES ENTREGAR RESUELTOS TODOS LOS PROBLEMAS PROPUESTOS EN LA GUIA DE CLASE DEL ICFES. II. SOLUCIONA CADA UNO DE LOS SIGUIENTES PROBLEMAS.
LA ACTIVIDAD DE RECUPERACIÓN DE LA ASIGNATURA CONSISTE EN APRENDER EN UN TÉRMINO DE 8 DIAS LO QUE DEBISTE HACER DURANTE TODO EL PERIODO. ES DECIR TU COMPROMISO ES TRABAJAR TIEMPO EXTRA EN TU CASA Y PREPARAR
Más detallesSEMANA 01. CLASE 01. MARTES 04/10/16
EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detalles( ) ( ) ( ) ( ) ( ) ( ) ( ( )) ( )
I E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS INFERENCIA ESTADÍSTICA El coeficiete itelectual de los alumos de u cetro se distribuye N(110,15). Escogemos 5 alumos al azar. Cuál es la probabilidad
Más detallesGráficos de control por atributos
Gráficos de cotrol por atributos por Felipe de la Rosa Los gráficos de cotrol por variables so istrumetos sumamete útiles para moitorear y mejorar la calidad, si embargo, preseta al meos dos limitacioes
Más detallesEscena 5 Planificación contra stock
Método de Plaificació propuesto 67 Escea 5 Plaificació cotra stock Ua vez coocidos los protagoistas la escea busca ordear los pedidos de la forma más eficiete, respetado los requisitos del cliete. Es e
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
Más detallesEVALUACIÓN DE BACHILLERATO PARA EL ACCESO A LA UNIVERSIDAD 207 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 2017
EBAU Juio 07 Matemáticas aplicadas a las ciecias sociales e Murcia EVALUACIÓN DE BACHILLERATO PARA EL ACCESO A LA UNIVERSIDAD 07 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 07 OBSERVACIONES IMPORTANTES:
Más detallesPROBABILIDAD. El espacio muestral de un experimento aleatorio es el conjunto de todos los resultados posibles que pueden producirse.
PROAILIDAD 1.- EXPERIMENTOS ALEATORIOS De forma geeral podemos distiguir etre experimetos determiistas y experimetos aleatorios. Las leyes de la física, de la química y de otras ciecias os provee de ecuacioes
Más detallesTEMA 10: La programación lineal como instrumento para la toma de decisiones de inversión
Itroducció a las Fiazas 3º Curso de Direcció y Admiistració de Empresas TEMA 0: La programació lieal como istrumeto para la toma de decisioes de iversió E la empresa existe ua serie de restriccioes (recursos,
Más detallesFrecuencia y probabilidad. Leyes del azar. Espacio probabilístico
Tema 63 Frecuecia y probabilidad. Leyes del azar. Espacio probabilístico 63. Itroducció E geeral, la Teoría de la robabilidad se ocupa de situacioes o modelos e los que está presete la icertidumbre. Llamaremos
Más detallesUNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
Más detallesCI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet
CI2612: Algoritmos y Estructuras de Datos II Blai Boet Aálisis probabiĺıstico Uiversidad Simó Boĺıvar, Caracas, Veezuela Objetivos Espacio de probabilidad Ituitivamete, utilizamos la idea de probabilidad
Más detallesHelena Ramalhinho Lourenco y Daniel Serra 13 de Mayo PRESENTA: MC Marco Antonio Cruz Chavez.
Helea Ramalhiho Loureco y Daiel Serra 3 de Mayo 998 PRESENTA: MC Marco Atoio Cruz Chavez. OBJETIVO PRINCIPAL.- Compreder las diferecias de cada efoque heurístico aalizado. OBJETIVO SECUNDARIO.- De los
Más detallesPRUEBAS ESTADÍSTICAS CON LA DISTRIBUCIÓN CHI-CUADRADO
PRUEBAS ESTADÍSTICAS CON LA DISTRIBUCIÓN CHI-CUADRADO. BONDAD DE AJUSTE Las pruebas de bodad de ajuste tiee por objetivo determiar si los datos se ajusta a ua determiada distribució, esta distribució puede
Más detallesÁrboles Binarios de Búsqueda
Árboles Biarios de Búsqueda 3.6 Árboles biarios de búsqueda (ABB)! U ABB puede defiirse cuado el tipo de los elemetos posee ua relació de orde total! So árboles biarios e los que: " todos los valores de
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesBandas de Bollinger. Curso Estrategias de Inversión en Acciones. Tendencia alcista con alta volatilidad. Tendencia alcista con baja volatilidad
Badas de Bolliger La volatilidad hace referecia a la diferecia promedio etre los máximos y míimos que defie las fuerzas alcistas y bajistas a medida que éstos etra y sale del mercado. La volatilidad está
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesTopografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
Más detallesCAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD. Es un hecho bien conocido que la probabilidad de que un individuo fallezca en un periodo
CAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD 4.1 Geeralidades Es u hecho bie coocido que la probabilidad de que u idividuo fallezca e u periodo determiado de tiempo depede de muchos factores, etre
Más detallesPROGRAMACIÓN DINÁMICA
Ivestigació Operativa e Igeiería Tema 4. Métodos Determiístas. PROGRAMACIÓN DINÁMICA Image: http://tgsua.blogspot.com.es/2011/01/5-programacio-diamica.html Programació Diámica Itroducció La técica de Programació
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesCálculo II (0252) TEMA 6 SERIES DE POTENCIAS. Semestre
Cálculo II (5) Semestre - TEMA 6 SERIES DE POTENCIAS Semestre - José Luis Quitero Julio Departameto de Matemática Aplicada UCV FIUCV CÁLCULO II (5) José Luis Quitero Las otas presetadas a cotiuació tiee
Más detallesTRABAJO PRACTICO Nº 1
TRABAJO PRACTICO Nº 1 DEMANDA DE TRANSPORTE: ELASTICIDAD OFERTA DE TRANSPORTE: COSTOS AJUSTE DE FUNCIONES ANÁLISIS DE REGRESIÓN Objetivo: Aplicar a u caso práctico utilizado las herramietas básicas de
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo Nacioal de Estadística Direcció de Regulació, Plaeació, Estadariació y Normaliació -DIRPEN- Diseño Muestral Ecuesta Ambietal Idustrial Diciembre 00 ELABORÓ: EQUIPO TEMÁTICO DISEÑO
Más detallesNotas de Teórico. Sistemas de Numeración
Departameto de Arquitectura Istituto de Computació Uiversidad de la República Motevideo - Uruguay Sistemas de umeració Arquitectura de Computadoras (Versió 4.3b - 6) SISTEMAS DE UMERACIÓ. Itroducció E
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesWilfrido Massieu. PRACTICA No. 2
INSTITUTO POLITÉCNICO NCIONL Cetro De studios Cietíficos Y Tecológicos Wilfrido Massieu LBOTOIO D FÍSIC I LUMNO: GUPO: POFSO: FCH: QUIPO: CLIF. : PCTIC No. 2 1. NOMB: MDICIONSY OS. II. OBJTIVOS: Describir
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detalles