FUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS NÚMEROS ALEATORIOS UNIFORMES
|
|
- Montserrat García Navarro
- hace 7 años
- Vistas:
Transcripción
1 FUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS Hay muchos problemas de ingeniería que requieren números aleatorios para obtener una solución. En algunos casos, esos números sirven para crear una simulación de un problema complejo. La simulación puede probarse una y otra vez para analizar los resultados, y cada prueba representa una repetición del experimento. También usamos números aleatorios para aproximar secuencias de ruido. Por ejemplo, la estática que escuchamos en una radio es una secuencia de ruido. Si estamos probando un programa que usa un archivo de datos de entrada que representan una señal de radio, tal vez nos interese generar ruido y agregarlo a una señal de voz o de música a fin de obtener una señal más realista. NÚMEROS ALEATORIOS UNIFORMES Los números aleatorios no se definen mediante una ecuación; más bien, se caracterizan por la distribución de valores. Por ejemplo, los números aleatorios que tienen la misma probabilidad de ser cualquier valor entre un límite superior y uno inferior se denominan números aleatorios uniformes. El histograma de la parte superior de la figura 3.10 muestra la distribución de un conjunto de valores uniformes entre 2 y 4. La función rand de MATLAB genera números aleatorios distribuidos uniforme-valor de semilla mente en el intervalo [0,1]. Se emplea un valor de semilla para iniciar una sucesión aleatoria de valores; este valor de semilla es inicialmente O, pero se puede cambiar con la función seed rand(n) Genera una matriz n x n que contiene números aleatorios entre O y 1. rand(m, n) Genera una matriz m x x que contiene números aleatorios entre 0 y 1. rand( seed,n) Asigna n como valor de la semilla, rand (' seed') Devuelve el valor actual de la semilla del generador de números aleatorios.
2 La función rand genera la misma sucesión de valores aleatorios en cada sesión de trabajo si se usa el mismo valor de semilla. Los siguientes comandos generan y exhiben dos series de diez números aleatorios uniformemente distribuidos entre O y 1; la diferencia entre las dos series se debe al uso de semillas distintas: rand('seed 1,0) setl = rand(10,1); rand('seed 1,123) set2 = rand(10,1); [setl set2] Los valores que se exhiben con estos comandos son: Con frecuencia se requieren sucesiones aleatorias con valores dentro de intervalos distintos del de O a 1. Por ejemplo, supongamos que queremos generar valores entre -5 y 5. Primero generamos un número aleatorio r (que está entre O y 1) y luego lo multiplicamos por 10, que es la diferencia entre el límite superior y el inferior (5 - (-5)). Ahora le sumamos el límite inferior (-5) para obtener un valor que tiene la misma probabilidad de ser cualquier valor entre -5 y 5. Por tanto, si queremos convertir un valor r que está uniformemente distribuido entre O y 1 en un valor uniformemente distribuido entre un límite inferior a y un límite superior lo, usamos la siguiente ecuación: x = (b-a).r + a
3 La sucesión data_1, graneada en la figura 3.10 de la página 94, se generó con esta ecuación: data_l = 2*rand(l,500) + 2; Por tanto, la sucesión contiene 500 valores distribuidos uniformemente entre 2 y 4. La semilla de los números aleatorios fue 246. PRACTIQUE! Escriba instrucciones MATLAB para generar 10 números aleatorios en el intervalo especificado. Verifique sus respuestas ejecutando las instrucciones e imprimiendo los valores generados en los vectores. 1. Números aleatorios uniformes entre O y Números aleatorios uniformes entre 1 y Números aleatorios uniformes entre -20 y Números aleatorios uniformes entre 4.5 y Números aleatorios uniformes entre -π y π. NÚMEROS ALEATORIOS GAUSSIANOS Cuando generamos una sucesión aleatoria con una distribución uniforme, todos los valores tienen la misma probabilidad de ocurrir. A veces necesitamos generar números aleatorios usando distribuciones en las que algunos valores tienen mayor probabilidad de ser generados que otros. Por ejemplo, suponga que una sucesión aleatoria representa mediciones de temperatura exterior tomadas durante cierto tiempo. Veríamos que las mediciones de temperatura tienen cierta variación, pero por lo regular no son igualmente verosímiles. Por ejemplo, podríamos encontrar que los valores varían en unos cuantos grados, aunque ocasionalmente pueden ocurrir cambios mayores a causa de tormentas, nublados y cambios del día a la noche. Las sucesiones aleatorias que tienen algunos valores con mayor probabilidad de ocurrir que otros a menudo pueden modelarse con números aleatorios gaussianos (también llamados números aleatorios normales). Un ejemplo de conjunto de valores con una distribución gaussiana es el representado por la segunda gráfica de la figura 3.10.
4 La media de esta variable aleatoria corresponde a la coordenada x del pico de esta distribución, que es aproximadamente 3. A partir del histograma de la figura 3.12 podemos ver que la mayor parte de los valores están cerca de la media. Mientras que una variable aleatoria uniforme tiene límites superior e inferior específicos, una variable aleatoria gaussiana no se define en términos de límites superior e inferior: se define en términos de la media y la varianza de los valores. Para los números aleatorios gaussianos, puede demostrarse que aproximadamente el 68% de los valores caen a menos de una desviación estándar de la media, el 95% caen a menos de dos desviaciones estándar de la media, y el 99% caen a menos de tres desviaciones estándar de la media. Estos datos son útiles cuando se trabaja con números aleatorios gaussianos. MATLAB genera valores gaussianos con una media de cero y una varianza de 1.0 si se especifica una distribución normal. Las funciones para generar valores gaussianos son: randn (n) randn (m, n) Genera una matriz de n x n que contiene números aleatorios gaussianos (o normales) con una media de O y una varianza de l. Genera una matriz de m x n que contiene números aleatorios gaussianos (o normales) con una media de O y una varianza de l. Si desea modificar valores gaussianos con una media de O y una varianza de 1 de modo que tengan otra distribución gaussiana, multiplique los valores por la desviación estándar de la distribución deseada y súmeles la media de la distribución deseada. Así pues, si r es un número aleatorio con una media de O y una varianza de 1.0, la siguiente ecuación generará un número aleatorio con una desviación estándar de a y una media de b: X= a. r + b La sucesión data_2, graneada en la figura 3.10, se generó con esta ecuación: data_2 = randn (1,500) + 3;
5 Así, la sucesión contiene 500 valores aleatorios gaussianos con una desviación estándar de 1 y una media de 3. La semilla para números aleatorios que se usó fue 95. PRACTIQUE! Use MATLAB para generar 1000 valores con las características especificadas. Calcule la media y la varianza de los 1000 valores, y compárelas con los valores especificados. Prepare también el histograma de los valores usando 25 intervalos. 1. Números aleatorios gaussianos con una media de 1.0 y una varianza de Números aleatorios gaussianos con una media de -5.5 y una desviación estándar de Números aleatorios gaussianos con una media de -5.5 y una desviación estándar de 1.25.
Ejercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
Más detallesAnálisis de Datos y Probabilidad Grado 9
Análisis de Datos y Probabilidad Grado 9 Estimando el área de un círculo usando simulación 1 Introducción Suponga que tengo un círculo de radio 1 y centro en (0,0) inscrito en un cuadrado cuyos vértices
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 detallesUniversidad Católica de Valparaíso Facultad de Ingeniería Escuela de Ingeniería de Transporte
1. NÚMEROS ALEATORIOS 1.0 INTRODUCCIÓN El papel que desempeñan las variables aleatorias uniformemente distribuidas en la generación de variables aleatorias tomadas de otras distribuciones de probabilidad,
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesActividad: Qué proporción del área terrestre de Puerto Rico está urbanizada?
Actividad: Qué proporción del área terrestre de Puerto Rico está urbanizada? Introducción En planificación el área urbanizada corresponde a la superficie de un terreno donde se han construido residencias
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesPráctica 4 - Programación en MatLab
LABORATORIO DE TRANSMISIÓN Práctica 4 - Programación en MatLab Introducción En esta práctica veremos la utilización de diversas órdenes de MatLab, así como el uso de bucles y la creación de funciones y
Más detallesAnálisis de Decisiones II. Tema 17 Generación de números al azar. Objetivo de aprendizaje del tema
Tema 17 Generación de números al azar Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Obtener números aleatorios a partir de un proceso de generación. Validar las características
Más detallesEconometría I. Ejercicios de repaso de estadística
Poblaciones y parámetros Econometría I Ejercicios de repaso de estadística 1. Considera una variable aleatoria Z que solo puede tomar cinco valores, todos ellos con la misma probabilidad: Z = {Z 1,, Z
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 detallesTaller No 1. Laboratorio Estadística con Matlab. Estadística Descriptiva - Análisis exploratorio de datos con Matlab
Taller No 1. Laboratorio Estadística con Matlab Estadística Descriptiva - Análisis exploratorio de datos con Matlab Dos objetivos importantes de Análisis exploratorio de datos son: 1) para determinar un
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesMedios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base
Medios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base Curso 28-29. Introducción El objetivo de esta práctica es realizar un programa en Matlab que simule el funcionamiento
Más detallesOBJETIVOS: Simular en MATLAB/Octave procesos estocásticos sencillos.
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 8-9 PRACTICA 5. PROCESOS ESTOCÁSTICOS OBJETIVOS: Simular en MATLAB/Octave procesos estocásticos
Más detallesEjercicios de Simulación
Ejercicios de Simulación Investigación Operativa Ingeniería Informática, UC3M Curso 07/08 1. Escribe un código (por ejemplo en Matlab, Fortran, C,... ) que genere m secuencias de n números Bernoulli con
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
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 detallesTécnicas de Muestreo I
1 / 20 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2017 Números aleatorios 2 / 20 3 / 20 Qué son los números aleatorios? Es una secuencia
Más detalles2.2. Fundamentos racionales de la Simulación en computadoras
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL TUCUMÁN DEPARTAMENTO: INGENIERÍA EN SISTEMAS DE INFORMACIÓN CARRERA: INGENIERÍA EN SISTEMAS DE INFORMACIÓN ÁREA: MODELOS ASIGNATURA: SIMULACIÓN NIVEL:
Más detallesPolinomios y Estadística
Funciones polinomiales Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos Funciones polinomiales
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
Más detallesUn subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:
4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
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 Contenido 1 Introducción 2 3 4 ?Porqué números aleatorios? Uso
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesCAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS
CAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS SOFTWARE PARA LA GESTIÓN DE PRODUCCIÓN Y OPERACIONES 10MO IPO LOS NÚMEROS PSEUDOALEATORIOS Para poder realizar una simulación que incluya variabilidad dentro de sus
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesDepartamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso ) Matrices Práctica 1
Departamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso 2005-06) Matrices Práctica 1 1. Introducción En esta práctica vamos a profundizar un poco en las capacidades de
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesGUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA. Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO
GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO Qué es la Simulación? Una definición más formal, es que la simulación es el proceso de diseñar
Más detallesQué proporción del área terrestre de Puerto Rico está urbanizada? Análisis de Datos y Probabilidad Grado 9-12
Qué proporción del área terrestre de Puerto Rico está urbanizada? Análisis de Datos y Probabilidad Grado 9-12 Qué proporción del área terrestre de Puerto Rico está urbanizada? 1 Introducción En planificación
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #3 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Obtener muestras a partir de números aleatorios. Usando muestras
Más detallesVisualización y Realismo: Problemas Capítulo 2
Visualización y Realismo: Problemas Capítulo 2 Carlos Ureña Almagro Curso 2011-12 1 Problema 2.1 Calcula los coeficientes de la ecuación implícita de la recta que pasa por los puntos p 0 y p 1 Y p 0 p
Más detallesElementos de Cálculo Numérico
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico Primer cuatrimestre 2006 Práctica N 2: Condicionamiento de una matriz. Descomposición
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesEjercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz
Ejercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz 6 de marzo de 05. Cálculo de π con métodos Monte Carlo El objetivo de este ejercicio consiste en estimar el valor
Más detallesCálculo de Incertidumbre por el Método de Monte Carlo en Calibración de Multímetros Digitales
Cálculo de Incertidumbre por el Método de Monte Carlo en Calibración de Multímetros Digitales Comparación entre el (Método de Monte Carlo ( MMC) y la Guía para la estimación de la incertidumbre de medición
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más 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 detalles( x) Distribución normal
Distribución normal por Oliverio Ramírez La distribución de probabilidad más importante es sin duda la distribución normal (o gaussiana), la cual es de tipo continuo. La distribución de probabilidad para
Más detallesCursada Segundo Cuatrimestre 2012 Guía de Trabajos Prácticos Nro. 1
Temas: Ambiente de trabajo MATLAB. Creación de matrices y vectores. Matrices pre-definidas. Operador dos puntos. Operaciones con matrices y vectores. Direccionamiento de elementos de matrices y vectores.
Más detallesModelos Estocásticos. Simulación de fenómenos estocásticos. Simulación de fenómenos estocásticos. Definición. Por qué fenómenos estocásticos?
Definición Modelos Estocásticos Breve introducción Se denomina estocástico (del latín stochasticus, "hábil en hacer conjeturas") a un sistema cuyo comportamiento es intrínsecamente no determinístico. El
Más detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Excel 2013 LIBRO 6
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Excel 2013 LIBRO 6 Contenido FORMA DE HACER CÁLCULOS... 3 QUÉ SON LAS FÓRMULAS Y QUÉ LAS FUNCIONES?... 4
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesEstadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Más detallesIntroducción a la Simulación
Taller de Informática I Introducción a la Simulación Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 1er. Cuatrimestre 2016 Enrique Carlos Segura Introducción
Más detallesUniversidad de Managua. UdeM
Universidad de Managua. UdeM Simulación de Sistemas Guía #3 Tema: Generar números aleatorios para un modelo de simulación y determinar si los números pseudoaleatorios generados, cumplen con las pruebas
Más detallesEstimación por intervalos de la media poblacional con desviación estándar desconocida
ESTIMACIÓN POR INTERVALO Ya estudiamos cómo estimar intervalos de confianza cuando la desviación estándar poblacional es conocida. En ese caso usamos una estimación de la desviación estándar poblacional
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesGeneración de números aleatorios con distribución uniforme
Generadores de Números Aleatorios 1 Existen en la actualidad innumerables métodos para generar números aleatorios En la literatura disponible se pueden encontrar gran cantidad de algoritmos. Generación
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detalles1. [1p] Clasifica los siguientes números reales en racionales e irracionales, y escribe como fracción los que se puedan expresar de esa forma:
Matemáticas 3 o ESO. Recuperación de junio 2013/14 Primer Trimestre: Para recuperar el trimestre hay que obtener al menos 5 puntos 1. [1p] Clasifica los siguientes números reales en racionales e irracionales,
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detalles2) Funciones de distribución de probabilidad. Histogramas. Función de distribución de probabilidad (o función de densidad de probabilidad):
Función de distribución de probabilidad (o función de densidad de probabilidad): Es una función matemá0ca de una o varias variables que describe la probabilidad de obtener un conjunto específico de valores
Más detallesVALOR MEDIO Y DESVIACION ESTANDAR DE UNA SERIE DE MEDIDAS. x 1, x 2, x 3,..., x N. La media aritmética de las N medidas (valor medio o promedio) será:
VALOR MEDIO Y DESVIACION ESTANDAR DE UNA SERIE DE MEDIDAS Si medimos N veces la magnitud de interés obtendremos los N datos eperimentales: 1, 2, 3,..., N La media aritmética de las N medidas (valor medio
Más detalles5. Distribuciones de probabilidad multivariadas
5. Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable binomial
Más detallesFigura 1. Generación de variables aleatorias.
PRÁCTICA 3. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Generación de variables aleatorias. El programa nos permite generar variables aleatorias especificando
Más detallesTeorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Teorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Variables de Bernouilli. Una de las familias de variables aleatorias más básicas
Más detallesMATERIA: CONTROL DIGITAL-LAB
MATERIA: CONTROL DIGITAL-LAB PRACTICA NUM 1: SEÑALES CONTINUAS Y DISCRETAS CON MATLAB DEPARTAMENTO: TECNOCIENCIAS 2 ALUMNOS POR EQUIPO(MAXIMO) ALUMNO: ALUMNO: FECHA: INTRODUCCION El objeto básico usado
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesSIMULACION. Urna 1. s(x) h(x) Urna 2. s(x) Dado. Urna /6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 Dado 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6
SIMULACION x p(x) x h(x) 6 4 5 2 3 Urna /6 2 /6 3 /6 4 /6 5 /6 6 /6 Dado /6 2 /6 3 /6 4 /6 5 /6 6 /6 x p(x) x h(x) s(x) 4 5 2 3 Urna 2 0.2 2 0.2 3 0.2 4 0.2 5 0.2 6 0.0 Dado /6.2 2 /6.2 3 /6.2 4 /6.2 5
Más detallesSEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias
SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias 1. Impulsos continuos y discretos a) Enuncie la propiedad de extracción de la delta de Dirac. b)
Más detallesEspacios Vectoriales
Leandro Marín Octubre 2010 Índice Definición y Ejemplos Paramétricas vs. Impĺıcitas Bases y Coordenadas Para definir un espacio vectorial tenemos que empezar determinando un cuerpo sobre el que esté definido
Más detallesPractica 2. Estructuras de Datos en MATLAB
Practica. Estructuras de Datos en MATLAB Informática Aplicada - Grado en Ingeniería Química, UAM, 009/010 1 Fecha limite de entrega de la practica Grupo A: de Marzo Grupo B: 1 de Marzo Objetivos Al finalizar
Más detallesTema 3. Magnitudes escalares y vectoriales
1 de 13 09/07/2012 12:51 Tema 3. Magnitudes escalares y vectoriales Algunos derechos reservados por manelzaera Como sabes, una magnitud es todo aquello que se puede medir. Por ejemplo, la fuerza, el tiempo,
Más detallesInducción a MATLAB. Álgebra Lineal. Escuela de Matemáticas. Facultad de Ciencias Universidad Nacional de Colombia Sede Medellín
Inducción a MATLAB Álgebra Lineal Escuela de Matemáticas Facultad de Ciencias Universidad Nacional de Colombia Sede Medellín Inducción a MATLAB (Álgebra Lineal) Escuela de Matemáticas Universidad Nacional
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesSimulación computacional de cadenas de Markov
Simulación computacional de cadenas de Markov Presentación basada en el capítulo 3 de Finite Markov Chains and Algorithmic Applications (Häggström, 2002) Sebastián Castro Seminario de Probabilidad y Estadística
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallestransmisión de señales
Introducción al análisis y transmisión de señales La transmisión de información La información se puede transmitir por medio físico al variar alguna de sus propiedad, como el voltaje o la corriente. Este
Más detallesSimulación. pseudoalealeatorios
Generación n de números n aleatorios La aplicación de los números aleatorios se remonta a los tiempos de la primera revolución industrial, cuando los procesos manuales tuvieron que reemplazarse por procesos
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesPhotogates: Cálculo de la velocidad de un móvil
Photogates: Cálculo de la velocidad de un móvil Supongamos que se tiene un móvil (con una cebra) que se desliza por una pista y que un photogate detecta su paso por un punto de la pista. Para este ejemplo
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesOPTIMIZACIÓN DE LA OPERACIÓN DE PLANTAS FOTOVOLTAICAS HÍBRIDAS AISLADAS
Volumen II Anexos TRABAJO DE FINAL DE GRADO OPTIMIZACIÓN DE LA OPERACIÓN DE PLANTAS FOTOVOLTAICAS HÍBRIDAS AISLADAS TFG presentado para optar al GRADO en INGENIERÍA de la ENERGÍA Por Marc Galceran Feixas
Más detallesModelación y Simulación de Sistemas Conferencia 3
Modelación y Simulación de Sistemas Conferencia 3 www.norte.uni.edu.ni Maestro Julio Rito Vargas Avilés Metodología de la construcción de modelos de simulación discretos Simulación de sistemas: entendemos
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesUniversidad de Managua. UdeM
Universidad Managua. UM Simulación Sistemas Guía #4 (primera parte) Tema: Obtener muestras aleatorias para un molo simulación cuando se conocen las distribuciones tiempos y tiempos s. Docente: MSc. Julio
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Aplicar las técnicas estudiadas para desarrollar
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA FÍSICA ESTADÍSTICA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA DIPLOMA DE ESPECIALIZACIÓN EN FÍSICA (ANEP UDELAR) FÍSICA ESTADÍSTICA Curso 013 Práctico II Fundamentos de Probabilidad y Estadística. Fecha de Entrega: 13 de
Más detallesDistribución normal estándar. Juan José Hernández Ocaña
Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.
Más detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
Más detallesHerramientas computacionales para la matemática MATLAB: Análisis de datos.
Herramientas computacionales para la matemática MATLAB:. Verónica Borja Macías Junio 2012 1 Analizar datos estadísticos en MATLAB es sencillo. Máximo y mínimo max(x) si x es vector encuentra el valor más
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detalles