Números aleatorios. Contenidos
|
|
- María Victoria María Luisa Ayala Parra
- hace 8 años
- Vistas:
Transcripción
1 Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método basado en la inversa de la distribución de probabilidad acumulada. Método Box-Muller (distribución normal). Método del rechazo. Números aleatorios con correlaciones. 1
2 Descripción estadística de los datos. Distribución de Poisson Objetivo: Caracterizar un conjunto de datos mediante una distribución y /o un conjunto de parámetros, llamados momentos P (n) = 1 n! n n e n Distribución de probabilidad. Consideremos la variable discreta x, cuyo rango es {x 1,x 2,...x N } P (x n ) Probabilidad de que al medir x una variable discreta obtengamos el valor x n Figure 1: Distribución de Poisson n =2.5. P (n) = 1 n! n n e n Ejemplos: Distribución binomial: Siendo p la probabilidad de que ocurra un suceso en una medida determinada, la probabilidad de m ocurrencias del suceso en N medidas independientes es ( N P N (m) = m ) (1 p) N m p m 2 3
3 Distribución de densidad de probabilidad Consideremos la variable continua x. P (x)dx Probabilidad de que la variable se encuentre entre x y x + dx. CDF(x) = x P (x )dx Probabilidad de que la variable tenga un valor menor que x. P(x) Ejemplo: Distribución normal. P (x) = { } 1 exp (x x )2 2πσ 2 2σ P(x) dx x x+dx x Ejemplo: Distribución log-normal. P (y) = { 1 1 2πσ 2 y exp 1 } (log y log y )2. 2σ
4 Momentos. Momento central de orden n ˆx n Consideremos el conjunto de puntos {x 1,x 2,...,x N } ˆx n = 1 N N (x i x ) n Media o valor medio x x 1 N En MATLAB: mean(x) En Excel: PROMEDIO() N Notas: Deja de ser útil cuando el primer momento de las colas de la distribución es grande. Mediana x med es tal que hay igual número de valores x i <x med como de valores x i >x med. En MATLAB: median(x) En Excel: MEDIANA() Notas: Más robusto que la media. Deja de ser útil cuando el área bajo las colas de la distribución es grande. x i En MATLAB: moment(x,orden) Varianza σ 2 σ 2 = 1 N 1 N (x i x ) 2 σ 2 = 1 N (x i x ) 2 N = x 2 x 2. En MATLAB: var(x), var(x,1) En Excel: VAR() Notas: El factor que aparece en el denominador es (N 1) si el valor medio es estimado a partir de los propios datos. Desviación estándar o desviación típica σ = Var. En MATLAB: std(x), std(x,1) En Excel: DESVEST() 6 7
5 Curtosis Espaciado entre cuartiles: Espaciado que comprende el segundo y tercer cuartil de los datos. Es una medida más robusta que la desviación estándar de la dispersión de los datos. En MATLAB: iqr(x) En Excel: CUARTIL(datos,opciones) Coeficiente de asimetría (sesgo) Skew = 1 N N ( xi x En MATLAB: skewness(x) En Excel: COEFICIENTE.ASIMETRIA() σ ) 3 Curt = 1 N N ( ) 4 xi x 3 σ En MATLAB: kurtosis(x) En Excel: CURTOSIS() En el caso en que dispongamos de la distribución subyacente Norma Media Momento de orden n D P (x r )=1 E[x] = D D r=1 x rp (x r ) E[x n ]= x n P (x r ) r=1 r=1 P (x)dx =1 E[x] = D xp(x)dx E[xn ]= x n P (x)dx D Distribución Media Varianza Coef. asim. Curtosis Poisson x x 1/ x 1/ x Normal x σ 0 0 D 8 9
6 Descripción estadística de errores. Hipótesis: Los errores aleatorios proceden de una acumulación de pequeñas alteraciones que se producen al azar. Teorema del ĺımite central Considera la variable definida como suma de variables aleatorias {x i } N tomadas de las distribuciones de probabilidad P i (x i ) centradas en torno al origen y = 1 N N En el ĺımite N, la distribución de y es una distribución normal centrada en torno al origen y cuya varianza es σ 2 (y) = 1 N σ 2 (x i ) N x i Nivel de confianza (P )yvalorescríticos (z c ) para una distribución normal con desviación estándard σ. P (z c ) Probabilidad ( x x <z c σ) P (%) z c Desviación típica de la media. Dado se cumple x = 1 N N x i σ( x ) = σ(x) N Los errores aleatorios tienen una distribución normal
7 Generador de números aleatorios. Generadores por congruencia lineal. Generador por congruencia lineal Un ordenador es una máquina determinista conunnúmero finito de estados. El problema es cómo generar una sucesión infinita de números aleatorios, con una distribución de probabilidad subyacente prefijada, de manera algorítmica. U j = I j m ; I j+1 = (ai j ) mod m, j =0, 1,..., Alomás que podemos aspirar es a generar una secuencia de números pseudo-aleatorios, es decir, tales que se comportan para el programa en el que son utilizados como una secuencia de números aleatorios (i.e. Es decir, no es posible detectar correlaciones estadísticas entre ellos). Nos centraremos en el problema de encontrar números aleatorios con una distribución uniforme en el intervalo [0, 1]. La distribución de probabilidad es P (u) = { 0 u (0, 1) 1 u (0, 1) con las definiciones m módulo a multiplicador I 0 semilla (entero entre 1 y m 1 Si los valores de a, y m son elegidos de una forma adecuada, se generará una secuencia de números aleatorios enteros con una distribución uniforme en [1,m 1], conunperiodomáximo de m 1. En concreto, las siguientes condiciones garantizan que el generador tiene un periodo máximo (a es una raiz primitiva del primo m: m es primo. a m 1 1 es un múltiplo de m. a j 1 1; j =1, 2,...,m 2 no son múltiplos de m
8 El generador por congruencia lineal generalizado U j = I j m ; I j+1 = (ai j + c) mod m, j =0, 1,... es más lento que el anterior y no aporta mayor generalidad. Las condiciones que deben cumplir los parámetros a, c, m para que el generador tenga un periodo máximo son: El único divisior común entre c y m es 1 (se dice que c y m son primos el uno respecto al otro). todos los divisores primos m son divisores primos de a 1. Si m es divisible por 4, a 1 también lo es. Ejemplos Ejemplo 1: (de ejemplo propuesto para el estándar ANSI C) m = 2 15 = a = c = Ejemplo 2: (Park+Miller) m = = a = 7 5 = c = 0 I 0 0 La implementación en este ejemplo ha de ser hecha con cuidado, ya que necesitamos realizar operaciones exactas con enteros. Ventajas El método es rápido. La secuencia generada es independiente de la máquina en la que se ejecuta el algoritmo. Inconvenientes Existen correlaciones entre los números generados: Imaginemos que utilizamos esta secuencia para generar puntos en k dimensiones, los puntos se distribuyen en un máximo de m 1/k hiper-planos de dimensión k 1, y no de manera uniforme. Los bits menos significativos tienen un carácter menos aleatorio que los bits más significativos
9 En particular, el algoritmo de Park y Miller no satisface el test χ 2 si dos puntos sucesivos se asimilan a puntos en un plano bidimensional (I i,i i+1 ), i =1, 2,...,N, para N 10 7 (todavía mucho menor que m 2). Es posible eliminar estas correlaciones secuenciales de bajo orden mediante un simple mecanismo de reordenación aleatoria. Números aleatorios con otras distribuciones. El problema a resolver es cómo obtener a partir de un generador de números aleatorios con una distribución ρ(u) (generalmente uniforme), un generador de números aleatorios con la distribución p(z). Por el principio de conservación de probabilidad ρ(u)du = p(z)dz = p(z) = ρ(u) du dy Dada la forma de la distribución objetivo p(z), y si partimos de una distribución de probabilidad uniforme en u, hemos de resolver la ecuación diferencial p(z) = du dz. En términos de la distribución de probabilidad acumulada P (z) = z dyp(y) la solución es u = P (z) = z = P 1 (u)
10 Ejemplo: La distribución objetivo es la exponencial p(z) =e z, z [0, ] La distribución de probabilidad acumulada P (z) = z La transformación apropiada es El algoritmo es 0 dze z =1 e z z(u) = log(1 u). Generar un número aleatorio con distribución uniforme uu[0, 1]. Calcular el número aleatorio z = log(1 u). Los números aleatorios z tienen una distribución p(z) =e z. Números aleatorios con distribución normal. Para obtenerun conjunto de números aleatorios con una distribución normal, utilizaremos un método de transformación en dos dimensiones. El objetivo es utilizar un generador de números aleatorios con distribución uniforme para generar números aleatorios con una distribución normal: p(z) = 1 2π exp( z2 2 ). La transformación a utilizar es z 1 = 2log(u 1 )cos(2πu 2 ) z 2 = 2log(u 1 )sin(2πu 2 ), donde u 1, u 2 son dos números aleatorios con distribución U[0, 1]
11 Demostración: En 2 dimensiones, la conservación de probabilidad se traduce en P (u 1,u 2 )du 1 du 2 = P (z 1,z 2 )dz 1 dz 2 = P (z 1,z 2 )= (u 1,u 2 ) (dz 1,dz 2 ) P (u 1,u 2 ) A partir de las expresiones [ u 1 = exp 1 ] 2 (z2 1 + z2) 2 u 2 = 1 2π arctan z 2 z 1 el Jacobiano es (u 1,u 2 ) (dz 1,dz 2 ) = 1 ( 2π exp 1 ) 2 (z2 1 + z2) 2. Algoritmo: 1. Genera los números v 1, v 2 a partir de una distribución uniforme en [0, 1]. 2. Elige únicamente aquellos pares v 1,v 2 correspondientes a una distribuciónuniformeenuncírculo de radio unidad R 2 v v 2 2 < Genera los números aleatorios z 1, z 2 mediante la fórmula z 1 = 2log(R) v 1 R z 2 = 2log(R) v 2 R. Siendo P (u 1,u 2 )=1, el resultado es P (z 1,z 2 ) = ( 1 2π e z2 1 /2 )( 1 2π e z2 2 /2 ) 20 21
12 Método de rechazo. Este proceso requiere un promedio de A evaluaciones de 2 números aleatorios uniformes. Este método permite obtener un conjunto de números aleatorios con una distribución arbitraria p(x). A U f(x) F(x) -1 f(f (U)) 1. Definimos una función de comparación f(x) similar a p(x) tal que cumple las siguientes condiciones f(x) p(x) x [, ] F (x) F ( ) = x dy f(y) es conocida dy f(y) = A (> 1) 2. Generamos un número aleatorio U a partir de una distribución U[0,A]. Apartirdeestenúmero definimos X = F 1 (U) 3. Generamos un segundo número aleatorio V apartirde una distribución uniforme en [0,f(x)]: 0 p(x) -1 F (U) Figure 2: Representación gráfica del método del rechazo. Algoritmo alternativo 1. Definimos una distribución de densidad de probabilidad de referecia pdf(x) para la cual sabemos generar números aleatorios, similar a p(x), y tal que cumple las siguientes condiciones Apdf(x) p(x) x [, ]; A 1 cdf(x) x dx cdf(x ) 2. Generamos un número aleatorio X con la distribución de referencia. Para ello podemos utilizar el método de la inversa: (a) Generar U a partir de una distribución U[0, 1]. (b) A partir de U calculamos X = cdf 1 (U). 3. Generamos un segundo número aleatorio V a partir de una distribución uniforme en [0,Apdf(x)]: V x V < p(x) x es aceptado V < p(x) x es aceptado V p(x) x es rechazado V p(x) x es rechazado 22 23
13 Ejemplo para generar números aleatorios N(0, 1), a partir de una función de referencia uniforme en [ R, R] f(x) = normpdf(0); x [ R, R] f(x) normpdf(x); x [ R, R] F (x) = normpdf(0)(x + R); A = 2Rnormpdf(0); F 1 (u) = u/normpdf(0) R; El algoritmo para esta distribución es: 1. Genera valor aleatorio X U[ R, R]. Nota: Este paso resulta de combinar (a) Genera valor aleatorio U U[0,A]. (b) Calcula X = U/normpdf(0) R. Números aleatorios con correlaciones Si queremos generar una muestra de números aleatorios (y 1,y 2,...,y N ) con una distribución gaussiana de media (µ 1,µ 2,...,µ N ) y matriz de covarianzas Σ. Generamos una muestra de números aleatorios (x 1,x 2,...,x N ) independientes con distribución normal (0, 1). Realizamos la siguiente descomposición de la matriz de covarianzas (ej. descomposición de Cholesky). En MATLAB A = chol(σ). Σ = A A 2. Genera valor V U[0,normpdf(0)]. 3. Acepta X si V<normpdf(X). Finalmente y 1 y 2... y N = µ 1 µ 2... µ N + A x 1 x 2... x N 24 25
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesAplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesGeneración 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 detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación
Más detallesSe podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.
Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción
Más detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detallesCapítulo 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 detallesDESCRIPCIÓN ESPECÍFICA
DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad
Más detallesTema 1 con soluciones de los ejercicios. María Araceli Garín
Tema 1 con soluciones de los ejercicios María Araceli Garín Capítulo 1 Introducción. Probabilidad en los modelos estocásticos actuariales Se describe a continuación la Tarea 1, en la que se enumeran un
Más detallesElementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas
Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente
Más detallesEjercicios de Modelos de Probabilidad
Ejercicios de Modelos de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Binomial, Poisson, Exponencial y Uniforme Ejercicio. Se dispone de un sistema formado por dos componentes similares
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesESTIMACIÓN. 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 detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesGeneración 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 detallesProblemas resueltos del Tema 3.
Terma 3. Distribuciones. 9 Problemas resueltos del Tema 3. 3.1- Si un estudiante responde al azar a un examen de 8 preguntas de verdadero o falso Cual es la probabilidad de que acierte 4? Cual es la probabilidad
Más detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesIES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado
Más detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesUnidad 3 Generación de números aleatorios.
Unidad 3 Generación de números aleatorios. Ejercicio 1. Generadores de números aleatorios. La implementación de un buen generador de números aleatorios uniformemente distribuidos sobre el intervalo (0,
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesEl Método de Monte Carlo. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El Método de Monte Carlo Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas El método de Monte Carlo es una técnica numérica para calcular probabilidades y otras cantidades relacionadas, utilizando secuencias
Más detallesProblemas. Variables Aleatorias. Modelos de Probabilidad
Problemas. Variables Aleatorias. Modelos de Probabilidad Ejemplos resueltos y propuestos Variables Aleatorias Discretas Una variable aleatoria discreta X de valores x 1, x 2,..., x k con función de probabilidad
Más detalles5. 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 detalles13. 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 detallesTema 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 detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesExplicación de la tarea 3 Felipe Guerra
Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICA APLICADA A LA CIENCIA OCIALE EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ECOGER UNA DE LA DO OPCIONE Y DEARROLLAR LA
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesTeoría de Probabilidad
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesCurso: 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 detallesProbabilidades 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 detallesEl concepto de integral con aplicaciones sencillas
El concepto de integral con aplicaciones sencillas Eliseo Martínez Marzo del 24 Abstract Este artículo trata de ejemplos sencillos del concepto de integral con aplicaciones a la Física, la Teoría de la
Más detallesProblemas de Probabilidad resueltos.
Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose
Más detallesCAPITULO 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 detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesVariables aleatorias. Función de distribución y características asociadas
Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................
Más detallesRELACIONES 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 detallesUAM CSIC Grupo 911 Febrero 2013. Ejercicios Resueltos del Tema 2.2.5. Asignatura de Matemáticas Grado en Química
UAM CSIC Grupo 9 Febrero Ejercicios Resueltos del Tema..5 Asignatura de Matemáticas Grado en Química Lista de ejercicios en estas páginas: y. Consejo: En todos los ejercicios es esencial dibujar el dominio
Más detallesMATEMÁTICA NM4 4º EM
MATEMÁTICA NM4 4º EM UNIDADES TEMÁTICAS UNIDAD Nº 01: ESTADÍSTICA Y PROBABILIDAD Conceptos generales : Población, muestra, parámetro y estadístico Variables y su clasificación Medición y escalas Organización
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesCURSO HERRAMIENTAS ESTADISTICAS PARA IMPLEMENTACION DE SIX SIGMA EN EMPRESAS DE PRODUCCION, LOGISTICA Y SERVICIOS
CURSO HERRAMIENTAS ESTADISTICAS PARA IMPLEMENTACION DE SIX SIGMA EN EMPRESAS DE PRODUCCION, LOGISTICA Y SERVICIOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-15-4492-6252 Fax:
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesLa nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx
La nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx Resumen Se dan algunas definiciones básicas relacionadas con la divisibilidad
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesEstadística aplicada y modelización. 10 de septiembre de 2005
Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesTema 3. Variables aleatorias. Inferencia estadística
Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable
Más detallesCURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL
MANAGEMENT CONSULTORES CURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL Cnel. Ramón L. Falcón 1435 1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesMATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA
IES Fco Ayala de Granada Sobrantes 00 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 00 (Modelo ) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO Sea el recinto del plano definido
Más detallesMatemáticas 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 detallesAlvaro 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 detallesEstimación de las principales distribuciones de probabilidad mediante Microsoft Excel 1
Estimación de las principales distribuciones de probabilidad mediante Microsoft Excel Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesESTIMACION 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 detallesEn una plantación de manzanos, el peso en kg de la fruta producida anualmente por cada manzano sigue una distribución normal N(50; 10).
MODELOS DE PROBABILIDAD En una plantación de manzanos, el peso en kg de la fruta producida anualmente por cada manzano sigue una distribución normal N(50; 10). (a) Si tomamos dos manzanos al azar, cuál
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
Más detallesSimulación 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 detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesT.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 detalles2 Resolución de algunos ejemplos y ejercicios del tema 2.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones
Más detallesGeneración 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 detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detalles2 Teoría de colas o líneas de espera
2 Teoría de colas o líneas de espera El tráfico en redes se puede modelar con la ayuda de la teoría de colas, es por ello ue es importante estudiarlas y comprenderlas. Existen varias definiciones sobre
Más detallesANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D.
UNIVERSIDAD DE PUERTO RICO FACULTAD DE ADMINISTRACION DE EMPRESAS INSTITUTO DE ESTADISTICA ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus, Ph.D. Presentación Este curso ofrece al estudiante, la posibilidad
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesAnálisis Dinámico: Integración
Análisis Dinámico: Integración Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Análisis Dinámico: Integración 1 / 57 Integración indefinida
Más detallesEcuaciones diferenciales de orden superior
CAPÍTULO 4 Ecuaciones diferenciales de orden superior 4.4.2 ED lineales homogéneas con coeficientes constantes de orden n 3 En la sección anterior hemos obtenido las soluciones de la ED lineal homogénea
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detalles