APLICACIÓN DE LA SIMULACIÓN CON HOJA DE CÁLCULO A LA TEORÍA DE COLAS
|
|
- Ana Paz Duarte
- hace 7 años
- Vistas:
Transcripción
1 APLICACIÓN DE LA SIMULACIÓN CON HOJA DE CÁLCULO A LA TEORÍA DE COLAS Bernal García, Juan Jesús Martínez María Dolores, Soledad María Sánchez García, Juan Francisco Dpto. Métodos Cuantitativos e Informáticos Universidad Politécnica de Cartagena RESUMEN En la Teoría de Colas, en ocasiones, es preciso recurrir a la simulación de fenómenos de espera generando valores de entrada y salida de acuerdo con los distintos modelos existentes. Para realizar dicha simulación es posible recurrir a determinadas aplicaciones informáticas especializadas en este tipo de cálculos o hacer uso de aplicaciones de uso general como las hojas de cálculo. En el presente trabajo probamos la idoneidad de dicha simulación utilizando las funciones estadísticas propias de la versión 2003 de la conocida aplicación Microsoft Excel. Además de comprobar el funcionamiento de dichas funciones, se han programando mediante el uso de Visual Basic para Aplicaciones (VBA) aquellas otras que son necesarias para tener recogidas todas las posibilidades y que no son incorporadas por Excel, probando también que cumplen todos los requisitos que son exigibles para este tipo de cálculos. XIII Jornadas de ASEPUMA 1
2 Juan J. Bernal García, Soledad M. Martínez María Dolores, Juan F. Sánchez García 1. INTRODUCCIÓN Junto con los resultados proporcionados por la Teoría de Colas, en ocasiones, es preciso recurrir a la simulación de fenómenos de espera generando valores de entrada y de salida de acuerdo con diferentes modelos que existen en la Teoría. Para realizar dicha simulación se pueden usar aplicaciones específicas, o bien utilizar aplicaciones de uso general como las hojas de cálculo. 2. GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.1. Métodos de generación de números pseudoaleatorios Se necesita en primer lugar un procedimiento que genere valores aleatorios uniformemente distribuidos entre 0 y 1. A tal fin, la hoja de cálculo dispone de una función que recibe el nombre de ALEATORIO(). Realmente, los números generados no son números aleatorios, sino pseudoaleatorios pues no son debidos realmente al azar, sino que proceden de cálculos matemáticos que tratan de imitar dicho azar. Existen otros métodos comúnmente utilizados en la literatura (Álvarez Madrigal, Coss, Escudero y Rubinstein), que también sirven para generar valores pseudoaleatorios: 1. Método de los cuadrados medios. 2. Técnica de mitad del producto. 3. Método del multiplicador constante. 4. Método congruencial. 5. Método congruencial aditivo. 6. Método congruencial lineal Validación de los números pseudoaleatorios generados Una vez que se han generado los valores pseudoaleatorios según la distribución uniforme se debe comprobar que efectivamente están uniformemente distribuidos, lo que significa que son uniformes e independientes. prueba de la Para probar la uniformidad se aplica la prueba de Kolmogorov-Smirnov, la 2 χ y la prueba de los promedios; mientras que para probar la independencia se utiliza el test de rachas y la prueba de poker. 2 XIII Jornadas de ASEPUMA
3 En las figuras 1 a 4 se muestran, para un nivel de confianza del 95%, las pruebas 2 de Kolmogorov-Smirnov, χ, de rachas y de los promedios que se han realizado sobre 1000 valores simulados utilizando la función ALEATORIO() de Excel. Tras efectuar diversas tiradas aleatorias comprobamos que las pruebas resultan satisfactorias en todos los casos. CLASE FRECUENCIA F.R.ACUM. TEÓRICA DIFERENCIA 0,1 81 0,081 0,1 0,019 0, ,187 0,2 0,013 0,3 96 0,283 0,3 0,017 0,4 96 0,379 0,4 0,021 0, ,489 0,5 0,011 0, ,596 0,6 0,004 0,7 99 0,695 0,7 0,005 0,8 84 0,779 0,8 0,021 0, ,886 0,9 0, ,000 TOTAL 1000 TEST KOLMOGOROV-SMIRNOV Diferencia máxima 0,021 Estimador Kolmogorov-Smirnov D 0,05;1000 0,043 NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD Figura 1 CLASE FRECUENCIA F. TEÓRICA CHI CUADRADO 0, ,610 0, ,360 0, ,160 0, ,160 0, ,000 0, ,490 0, ,010 0, ,560 0, , ,960 TOTAL ,8 TEST CHI CUADRADO CHI-CUADRADO 10,800 Estimador χ 2 0,05;9 16,919 NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD Figura 2 TEST DE RACHAS U 667 MEDIA 666,333 DESV.TÍPICA 13,321 Z 0,050 Z 0,025 1,960 NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD TEST DE LOS PROMEDIOS MEDIA 0,513 Z 1,447 Z 0,025 1,960 NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD Figura 3 Figura 4 XIII Jornadas de ASEPUMA 3
4 Juan J. Bernal García, Soledad M. Martínez María Dolores, Juan F. Sánchez García 3. GENERACIÓN DE VARIABLES ALEATORIAS CON DISTRIBUCIÓN NO UNIFORME 3.1. Métodos de generación Existen diversas técnicas para generar variables aleatorias cuya distribución no es uniforme Técnica de la transformada inversa (figura 5). Figura 5 Esta técnica utiliza números aleatorios uniformes para generar variables aleatorias con una distribución específica. Los pasos a seguir son: deseada. 1. Decidir la función de densidad f (x) que se desea para la variable a generar. 2. Calcular la función acumulada de probabilidad F (x) para la variable aleatoria 3. Formular la ecuación F ( x) = U i Resolver la ecuación anterior, es decir, calcular F ( U i ) = x. 5. Generar los valores de la variable deseada. La principal limitación de este método es que la función de densidad de la distribución debe ser fácilmente integrable. 4 XIII Jornadas de ASEPUMA
5 Técnica gráfica de la transformada inversa (figura 6). Figura 6 Este método se utiliza cuando las variables aleatorias no se comportan de forma continua o no tienen una distribución conocida. Los pasos a seguir son: 1. Generar un histograma que exprese las probabilidades deseadas en las variables a generar. 2. Encontrar la probabilidad acumulada a partir del histograma. 3. Localizar algún i U en el intervalo [,1] 0 en el eje de ordenadas de la gráfica de probabilidad acumulada. 4. Proyectar hasta el polígono de la curva de probabilidad acumulada y después reflejar sobre el eje de coordenadas, encontrando el valor de una variable aleatoria con la distribución deseada. Si la variable aleatoria buscada es discreta, x tomará el valor de la marca de clase correspondiente, y, si es continua, el valor se calculará mediante interpolación lineal Método polar. Esta técnica se utiliza cuando la distribución no es integrable en todos los intervalos, como es el caso de la distribución normal. Su razonamiento es que al representar pares de coordenadas ( Z 1,Z 2 ) normales estándar seleccionadas al azar de una tabla, se obtiene un diagrama de dispersión con correlación aproximada de cero, es decir, los puntos representados están distribuidos homogéneamente en todos los cuadrantes. XIII Jornadas de ASEPUMA 5
6 Juan J. Bernal García, Soledad M. Martínez María Dolores, Juan F. Sánchez García 3.2. Validación de los valores generados Para validar los valores simulados de una variable se utilizan la prueba de la y la prueba de Kolmogorov-Smirnov con datos agrupados. 2 χ 4. SIMULACIÓN MEDIANTE HOJA DE CÁLCULO 4.1. Funciones estadísticas: Distribuciones probabilísticas Hasta hace algunos años las funciones de tipo estadístico que incorporaban las distintas aplicaciones de hoja de cálculo eran muy limitadas, obligando al usuario a programar aquellas funciones que necesitaba (Bernal García), o bien era preciso adquirir programas complementarios Analyze-It, Crystal Ball y otros, que incorporan funciones adicionales a la hoja de cálculo. Así, en la última versión de la hoja de cálculo Excel aparece una amplia serie de funciones estadísticas relacionadas con las distribuciones probabilísticas. Con todas estas funciones se pueden realizar simulaciones basadas en las distribuciones beta, F, gamma, logarítmico-normal, normal y t de Student, ya que para todas ellas existen funciones inversas, las cuales a partir de la probabilidad acumulada y de los parámetros propios de cada distribución devuelven el valor que hace que se obtenga dicha probabilidad. El procedimiento para ello consiste en generar números aleatorios de acuerdo con la distribución uniforme y a partir de dicho valor (que siempre será mayor o igual que cero y menor que 1) aplicar la correspondiente función inversa para obtener el valor al que le corresponde la probabilidad obtenida aleatoriamente Construcción de funciones en Excel mediante VBA Dado que en determinadas simulaciones las variables a simular no siguen ninguna de las distribuciones que incorporan las aplicaciones de hoja de cálculo, se debe proceder a su simulación. Básicamente, existen dos posibilidades: Realización manual de los cálculos necesarios en la propia hoja de cálculo. 1 Por ejemplo, la función DISTR.NORM.INV(probabilidad, media, desviación típica) devuelve el valor inverso de la distribución acumulativa normal para la media y desviación típica especificadas, siendo la probabilidad un valor pseudoaleatorio uniformemente distribuido entre 0 y1. 6 XIII Jornadas de ASEPUMA
7 Programación de la función adecuada mediante VBA. La primera de las técnicas puede suponer el problema de que existan cálculos intermedios que es necesario realizar para obtener el valor final. En este caso, para cada tirada aleatoria habría que recalcular la simulación y guardarla mediante macros en una tabla, en la cual se vería solamente el valor obtenido. Adicionalmente, en el caso de que se necesitara efectuar otra simulación mediante la misma distribución de probabilidades se deberían rehacer los cálculos nuevamente. Por otra parte, esta posibilidad tiene como ventaja que no precisa conocimiento alguno en programación para poder efectuarla. La segunda técnica, que implica conocer programación en Visual Basic para Aplicaciones (VBA), plantea la ventaja de que mediante una función que se añade a la hoja de cálculo como cualquier otra función de las que trae incorporadas la propia aplicación, puede ser llamada tantas veces como sea necesario y en tantas celdas como sea preciso simular sin ninguna limitación. Adicionalmente, se puede proteger su contenido para que no sea visible por el usuario de forma que éste sólo tenga que conocer la sintaxis de la función para su utilización. De esta forma, también, se evitan manipulaciones que puedan arrojar resultados incorrectos Simulación de la inversa de la distribución de Poisson Para poder determinar el número de llegadas que ocurren en una unidad de tiempo se necesitaría una función, que a partir de la probabilidad simulada mediante la distribución uniforme y, a partir de la tasa media de llegadas calcule el valor correspondiente al número de llegadas que se han producido. La complicación principal consiste en que al tratarse de una función discreta los valores deben ser números enteros. Dicha función no existe como tal en las aplicaciones de hoja de cálculo, por lo que se debe recurrir a técnicas de simulación para su cálculo, y al ser una función no integrable no se puede utilizar la técnica de la transformada inversa. En la literatura existen diversas opciones, de las cuales se ha seleccionado la propuesta por Escudero, que ha sido incorporada siguiendo el organigrama siguiente: XIII Jornadas de ASEPUMA 7
8 Juan J. Bernal García, Soledad M. Martínez María Dolores, Juan F. Sánchez García Figura Simulación de la inversa de la distribución exponencial En este caso el proceso es mucho más sencillo ya que esta función no es discreta y además es fácil obtener el valor buscado a partir de la expresión de su función de distribución, utilizando la técnica de la transformada inversa: x 1 = ln λ i U i 4.5. Simulación de la inversa de la distribución de Erlang Esta función sí se encuentra disponible entre las funciones que incorpora la mayoría de las aplicaciones de hoja de cálculo. En el caso concreto de Microsoftr Excel, existe la función DISTR.GAMMA.INV (probabilidad; alfa; beta), donde alfa y beta son los parámetros de la distribución. En este punto, se ha de recordar que la distribución de Erlang es un caso particular de la distribución gamma, siendo alfa un número entero positivo (que en la distribución de Erlang recibe el nombre de parámetro k). Pese al hecho de que ya se dispone de dicha función, también se podría construir a partir de los métodos propuestos por Rubinstein, Jöhnk, Wallace, Fishman, Cheng y Tadikamalla. 8 XIII Jornadas de ASEPUMA
9 4.6. Simulación de distribuciones no conocidas En múltiples estudios puede ocurrir que los valores observados no se corresponden con ninguna función de distribución conocida. Este hecho no debe impedir el efectuar la simulación requerida para el estudio del sistema en el que se han producido esas observaciones. Para efectuar este tipo de cálculos ya no se puede utilizar ninguna función estadística propia de la hoja de cálculo, ni tan siquiera una función programada mediante VBA puesto que la cantidad de parámetros que se necesitaría es desconocida, ya que variaría de unos sistemas a otros. Se debe poder generar valores de acuerdo con la distribución de frecuencias observadas, para lo cual se recurre a la técnica gráfica de la transformada inversa Contraste de los valores simulados Una vez que se han analizado los procedimientos para simular valores para las distribuciones de frecuencias que se necesitan, se deben validar sus resultados. SIMULACIÓN POISSON INVERSA Método: Laureano F. Escudero lambda = 3,5 FRECUENCIA TOTAL SIMULACIÓN POISSON POISSON SIMULADA POISSON TEÓRICA FRECUENCIA SIMULADA FRECUENCIA TEÓRICA F.REL.SIM. ACUMULADA F.REL.TEÓR. ACUMULADA DIFERENCIA F.REL.ACUM. CÁLCULOS χ , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,11111 TOTALES TEST KOLMOGOROV-SMIRNOV TEST CHI CUADRADO Diferencia máxima 0,003 CHI-CUADRADO 15,800 Estimador Kolmogorov-Smirnov Estimador D 0,05; ,007 χ 2 0,05;12 21,026 NO SE RECHAZA LA HIPÓTESIS NO SE RECHAZA LA HIPÓTESIS Figura 6 XIII Jornadas de ASEPUMA 9
10 Juan J. Bernal García, Soledad M. Martínez María Dolores, Juan F. Sánchez García Inversa de la distribución de Poisson Para comprobar la validez de los métodos de simulación de la función Poisson, se han realizado tiradas aleatorias para cada uno de los métodos analizados (figura 6), y a continuación se han aplicado las pruebas de Kolmogorov-Smirnov y de la χ 2. Se puede observar, en dicha figura, que no existe razón para rechazar la hipótesis de que la frecuencia teórica y la frecuencia simulada pertenecen a la misma distribución Inversa de la distribución exponencial Dado el método de cálculo de la simulación para la distribución exponencial, mediante la transformada inversa, no existe ninguna posibilidad de error, siempre y cuando la generación de números aleatorios se corresponda efectivamente con una distribución uniforme, y es conveniente recordar que la generación de números pseudoaleatorios utilizando la función propia de la hoja de cálculo cumplía todos los requisitos exigibles. Como era previsible, tampoco existen diferencias entre las frecuencias simuladas y las frecuencias teóricas Inversa de la distribución Erlang No existen diferencias entre las frecuencias simuladas y las frecuencias teóricas, lo que revela que dicha función es válida para realizar la simulación de valores de acuerdo con una distribución gamma (y por extensión con una distribución Erlang), por lo que no se necesita recurrir a la programación de ninguno de los algoritmos relacionados en el apartado CONCLUSIONES Podemos comprobar que la hoja de cálculo Microsoft Excel, siendo una herramienta de tipo ofimático, se revela como una aplicación que permite la simulación de todo tipo de distribuciones estadísticas. En particular, es posible efectuar la simulación de las funciones de distribución propias de la Teoría de Colas, cumpliendo los parámetros obligados de rigor que se debe exigir a este tipo de cálculos. Además, la utilización de su editor de Visual Basic para Aplicaciones (VBA) permite dotarla de aquellas distribuciones de las que carece, utilizando para ello una programación orientada a objetos. 10 XIII Jornadas de ASEPUMA
11 6. REFERENCIAS BIBLIOGRÁFICAS Álvarez Madrigal, M. (1997). Curso virtual de Investigación de Operaciones. Instituto Tecnológico y de Estudios Superiores de Monterrey. Campus Estado de México. Bernal García, J. J. (1990). Simulación de un modelo real de circulación de documentos administrativos. Tesis doctoral. Universidad de Murcia. Cheng R. C. H. (1978). Generating beta variates with non-integral shape parameters, Communications of the Association for Computing Machinery, 21, Coss Bu, R. (1982). Simulación. Un enfoque práctico. Limusa, México D.F. Escudero, L. F. (1973). La simulación en la empresa. Ediciones Deusto, Bilbao. Fishman, G. S. (1976). Sampling from the gamma distribution on a computer, Communications of the Association for Computing Machinery, 19, Fishman, G. S. (1978). Principles of Discrete Event Simulation. John Wiley & Sons, New York. Jöhnk, M. D. (1964). Erzeugung von Betraverteilten y Gammaverteilten Zuffalszahlen, Metrika, 8, Rubinstein, R. Y. (1981). Simulation and the Monte Carlo Method. John Wiley & Sons, New York. Tadikamalla, P. R. (1978). Computer generation of gamma random variables, Communications of the Association for Computing Machinery, 21, Tadikamalla, P. R. (1978). Computer generation of gamma random variables II, Communications of the Association for Computing Machinery, 21, Wallace, N.D. (1974). Computer generation of gamma random variables with nonintegral shape parameters, Communications of the Association for Computing Machinery, 17, XIII Jornadas de ASEPUMA 11
Análisis de Decisiones II. Tema 18 Generación de variables aleatorias discretas, continuas y su aplicación. Objetivo de aprendizaje del tema
Tema 18 Generación de variables aleatorias discretas, continuas y su aplicación Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Emplear la generación de números aleatorios con distribución
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 detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesCarrera: SCC - 0424 4-2-10. Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y estadística Ingeniería en Sistemas Computacionales SCC - 0424 4-2-10
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas 0.0 16 Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 PROBABILIDAD
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS CARRERA: LICENCIATURA EN CIENCIAS DE LA INFORMÁTICA LÍNEA CURRICULAR : COORDINACIÓN: INVESTIGACIÓN DE
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesLa simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba
Simulación Simulación La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Los modelos matemáticos se construyen y utilizan para comprobar los resultados
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 detallesMATEMÁTICA III. Régimen de Cursada: Semestral Caracter: Obligatoria Correlativas: Matemática II Profesor: Beatriz Pintarelli Hs. semanales: 6 hs.
MATEMÁTICA III Año 2015 Carrera/ Plan: Licenciatura en Informática Plan 2015-3º año Licenciatura en Sistemas Plan 2015 3º año Licenciatura en Informática Plan 2003-07 / Plan 2012-2º año Licenciatura en
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 5 Nombre: Distribuciones de probabilidad para variables Contextualización Ya se han estudiado los conceptos variable aleatoria y distribución
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesMÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE
Programa de Capacitación y Actualización de las Mejores Prácticas en Materia de Asociaciones Público Privadas MÉTODO DE MONTE CARLO MÉTODO DE BOOTSTRAP HEINZ ROQUE MÉXICO DF, MÉXICO, OCTUBRE, 2013 ÍNDICE
Más detallesContenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra.
Contenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Clasificar distintos tipos de números: naturales, enteros, racionales y reales. 2. Operar con números reales y aplicar las propiedades
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesDefiniciones. Definiciones. Simulación
Simulación Prof. Mariela J. Curiel Octubre 2003 Definiciones La simulación se puede definir como la creación de un modelo computacional de un sistema real o propuesto, sobre el cual se realizan experimentos
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución
Más detalles3. Resolver triángulos rectángulos utilizando las definiciones de las razones trigonométricas.
Contenidos mínimos MI. 1. Contenidos. Bloque I: Aritmética y Álgebra. 1. Conocer las clases de números, los conjuntos numéricos: naturales, enteros, racionales, reales y complejos y las propiedades que
Más detallesGeneración de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL.
PRÁCTICAS DE ESTADÍSTICA 1º CURSO DE GRADO EN CC. AMBIENTALES Guión de la práctica 4: Curso 2009/2010 7/04/2010. Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación
Más detallesC a r t a D e s c r i p t i v a
I. Identificadores del Programa: C a r t a D e s c r i p t i v a Programa: Maestría en Matemática Educativa. Depto.: Física y Matemáticas Materia: Métodos Estadísticos Clave: MME10090 No. Créditos: 6 Tipo:
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #3 Generación de números Aleatorios para modelos de simulación Prof.: MSc. Julio Rito Vargas A. Grupo: INGENIERIA INDUSTRIAL
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
Más detallesGUÍAS. Módulo de Razonamiento cuantitativo SABER PRO 2013-1
Módulo de Razonamiento cuantitativo Este módulo evalúa competencias relacionadas con las habilidades en la comprensión de conceptos básicos de las matemáticas para analizar, modelar y resolver problemas
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
Más detallesTeoría 3_10 Gráficos!
Teoría 3_10 Gráficos! Gráficos de columnas Ideal para mostrar cambios de datos en un período de tiempo o para ilustrar comparaciones entre elementos. En los gráficos de columnas, las categorías normalmente
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
Más detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
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 detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detallesDeterminación del tamaño muestral para calcular la significación del coeficiente de correlación lineal
Investigación: Determinación del tamaño muestral para calcular 1/5 Determinación del tamaño muestral para calcular la significación del coeficiente de correlación lineal Autores: Pértegas Día, S. spertega@canalejo.org,
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesUNIVERSIDAD DE MANAGUA
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar
Más detallesPráctica 1: Introducción a SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 1: Introducción a SPSS 1 Este programa estadístico está organizado en dos bloques: el editor de datos y el visor
Más detallesDistribución Normal Curva Normal distribución gaussiana
Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en
Más detallesDistribución de Probabilidad Normal
Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias
Más detallesValor absoluto de un número real. Potencias de exponente racional. Logaritmos. Logaritmos decimales y neperianos. Propiedades y operaciones.
Otras páginas Matemásicas ccss 5º MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I ARITMÉTICA Y ÁLGEBRA Los números reales Números racionales. Números irracionales. Los números y e. Los números reales.
Más detallesTécnicas de planeación y control
Técnicas de planeación y control 1 Sesión No. 10 Nombre: El valor esperado y su papel para evaluar diferentes resultados de métodos para presupuestos Contextualización Esta semana cerramos la unidad dedicada
Más detallesBenavides Muñoz Holger. Área de Ingeniería Hidráulica y Saneamiento. Unidad de Ingeniería Civil, Geología y Minas.
Aplicación de métodos numéricos en el análisis financiero. Determinación de la TR por el método de Newton Raphson Benavides Muñoz Holger Área de ngeniería Hidráulica y Saneamiento. Unidad de ngeniería
Más detallesDistribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta
Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad
Más detallesMedia de los números aleatorios entre cero y uno
Qué propiedades deben cumplir los números pseudoaleatorios entre cero y uno? En gran medida, conocer las propiedades que deben tener los números aleatorios garantiza una buena simulación, por ello se enumeran
Más detallesEstadística Descriptiva
Estadística Descriptiva 1 Sesión No. 3 Nombre: Estadística descriptiva Contextualización Parte fundamental de la Estadística es la organización de los datos, una forma de realizar esta organización es
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES
UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Carrera: LICENCIATURA EN COMERCIO EXTERIOR Asignatura: ESTADÍSTICA APLICADA A LOS NEGOCIOS ESTADÍSTICA DE LOS NEGOCIOS Curso: 1º AÑO Año lectivo: 2016 Carga
Más detallesNombre de la asignatura: Probabilidad y Estadística Ambiental
Nombre de la asignatura: Probabilidad y Estadística Ambiental Créditos: 2 2-4 Aportación al perfil Proporcionar los fundamentos necesarios para el manejo estadístico de datos experimentales que le permitan
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesContenidos Programáticos. PROGRAMA: VARIAS (Ingeniería, Administración, edufísica, M. veterinaria )
Página 1 de 4 FACULTAD: CIENCIAS BÁSICAS PROGRAMA: VARIAS (Ingeniería, Administración, edufísica, M. veterinaria ) DEPARTAMENTO DE: MATEMÁTICA CURSO : ESTADISTICA I CÓDIGO: 157011 ÁREA: MATEMÁTICA REQUISITOS:
Más detallesGUÍAS. Módulo de Razonamiento cuantitativo SABER PRO 2014-1
GUÍAS Módulo de Razonamiento cuantitativo SABER PRO 2014-1 GUÍAS Módulo Razonamiento cuantitativo Este módulo evalúa competencias relacionadas con las habilidades matemáticas que todo ciudadano debe tener,
Más detallesPROGRAMA ANALÍTICO PLAN DE ESTUDIOS 2011
PROGRAMA ANALÍTICO PLAN DE ESTUDIOS 2011 Asignatura: MODELOS Y SIMULACIÓN CARRERA: LICENCIATURA EN SISTEMAS DE INFORMACIÓN AÑO: Quinto CREDITO HORARIO: Cinco (5) horas Reloj DESPLIEGUE: Segundo Semestre
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesProbabilidades y la curva normal
Probabilidades y la curva normal Las distribuciones reales y las distribuciones teóricas Por Tevni Grajales Guerra Tal cual estudiamos en nuestro tercer tema. Cuando registramos los valores de una variable
Más detallesTema 3. Medidas de tendencia central Ejercicios resueltos 1
Tema 3. Medidas de tendencia central Ejercicios resueltos 1 Ejercicio resuelto 3.1 La demanda de cierto artículo en 48 días fue 1, 4, 1, 0, 2, 1, 1, 3, 2, 1, 1, 0, 3, 2, 4, 3, 4, 1, 2, 1, 1, 2, 2, 2, 1,
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
Más detallesFACULTAD DE INGENIERÍAS Y ARQUITECTURA ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS ANÁLISIS DE SISTEMAS MINEROS SÍLABO
SÍLABO 1. DATOS GENERALES: CARRERA PROFESIONAL : INGENIERÍA DE MINAS CÓDIGO CARRERA PRO. : 32 ASIGNATURA : CÓDIGO DE ASIGNATURA : 3202-32507 Nº DE HORAS TOTALES : 3 HORAS SEMANALES Nº DE HORAS TEORÍA :
Más detallesCAPITULO 4: DESARROLLO. En los capítulos anteriores hemos estudiado las bases del problema de la ruta
CAPITULO 4: DESARROLLO En los capítulos anteriores hemos estudiado las bases del problema de la ruta más corta. Conocemos algunos métodos para resolverlo de los cuales hemos elegido algoritmos evolutivos,
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
Más detalles1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Probabilidad y Estadística. Carrera: Ingeniería en Materiales. Clave de la asignatura: MAM 0524
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería en Materiales MAM 0524 3 2 8 2.- HISTORIA
Más detallesEl método utilizado en esta investigación será el método probabilístico ya que el universo en estudio es finito.
CAPITULO III: MARCO METODOLOGICO. 3.1 TIPO DE INVESTIGACION: El tipo de estudio que se desarrollara en la investigación es, descriptiva, porque está dirigido a determinar cómo es, cómo está la situación
Más detallesIngeniería en Innovación Agrícola Sustentable
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Estadística Ingeniería en Innovación Agrícola Sustentable ASF-1010 (Créditos) SATCA: 3-2-5 2.- PRESENTACIÓN Caracterización
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesMedidas de Dispersión
Medidas de Dispersión Revisamos la tarea de la clase pasada Distribución de Frecuencias de las distancias alcanzadas por las pelotas de golf nuevas: Dato Frecuencia 3.7 1 4.4 1 6.9 1 3.3 1 3.7 1 33.5 1
Más detallesPROFESORADO DE EDUCACIÓN SECUNDARIA EN MATEMÁTICA
PROFESORADO DE EDUCACIÓN SECUNDARIA EN MATEMÁTICA Ciclo Lectivo: 2014 Curso: Segundo Año Espacio Curricular: PROBABILIDAD Y ESTADÍSTICA I Régimen de cursado: Anual Formato: Asignatura Carga horaria: 4
Más detallesJulio Deride Silva. 27 de agosto de 2010
Estadística Descriptiva Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de agosto de 2010 Tabla de Contenidos Estadística Descriptiva Julio Deride
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detallesPRUEBAS PARA DOS MUESTRAS RELACIONADAS
PRUEBAS PARA DOS MUESTRAS RELACIONADAS Estos contrastes permiten comprobar si hay diferencias entre las distribuciones de dos poblaciones a partir de dos muestras dependientes o relacionadas; es decir,
Más detallesGeneración de números aleatorios. Jhon Jairo Padilla Aguilar, PhD.
Generación de números aleatorios Jhon Jairo Padilla Aguilar, PhD. Necesidad Un elemento clave para el desarrollo de un simulador es la generación de valores aleatorios para variables con una determinada
Más detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesEstadística descriptiva. Representación de datos descriptivos
6 Estadística descriptiva. Representación de datos descriptivos Alberto Rodríguez Benot Rodolfo Crespo Montero 6.1. Introducción Tal como vimos en la introducción, la estadística descriptiva comprende
Más detallesUniversidad de Managua
Universidad de Managua UdeM Simulación de Sistemas Guía #2 Tema: Determinar si el conjunto de números Pseudoaleatorios dados, cumplen las pruebas estadísticas de uniformidad e independencia; para ser considerados
Más detallesEstadística Descriptiva. SESIÓN 12 Medidas de dispersión
Estadística Descriptiva SESIÓN 12 Medidas de dispersión Contextualización de la sesión 12 En la sesión anterior se explicaron los temas relacionados con la desviación estándar, la cual es una medida para
Más detalles3. Análisis univariable y bivariable
FUOC P01/71039/00748 36 Investigación descriptiva: análisis de información 3. Análisis univariable y bivariable 3.1. Análisis univariable Como se ha visto, los métodos de análisis univariable se utilizan
Más detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesLa estadística en Internet
5 La estadística en Internet Neus Canal Díaz 5.1. Introducción Actualmente, Internet se está convirtiendo en una de las principales fuentes de información en muchas áreas, como es la investigación científica.
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL
VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL PROGRAMA: ESTADISTICA I CÓDIGO ASIGNATURA: 1215-311 PRE-REQUISITO: 1215209 SEMESTRE: 3 UNIDADES DE CRÉDITO:
Más detallesPROGRAMA ASIGNATURA. Horas Cronológicas Semanales Presénciales Adicionales Total. Nº de Semanas
PROGRAMA ASIGNATURA Facultad: Carrera: INGENIERIA INGENIERIA EN CONSTRUCCION 1.- IDENTIFICACIÓN DE LA ASIGNATURA: a. Nombre: ESTADISTICA b. Código: ICN 122 c. Nivel (semestre en que se ubica): SEGUNDO
Más detalles