Introducción a la Simulación
|
|
- Xavier Contreras Miguélez
- hace 6 años
- Vistas:
Transcripción
1 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
2 Introducción a la simulación Objetivo: - Implementar computacionalmente un modelo formal de algún proceso natural o social - Analizar su comportamiento y evolución - Extraer conclusiones y formular nuevas hipótesis Se trata, entonces, de una aproximación. Diremos que el modelo es plausible si es lo suficientemente fiel al proceso original como para que las hipótesis que derivamos de él no se contradigan con los resultados experimentales.
3 Método hipotético-deductivo Teoría -----> hipótesis -----> experimento------>conclusiones Conclusiones contradicen hipótesis? > hipótesis rechazada ----> abandonar o modificar teoría Conclusiones no contradicen hipótesis? ---> nuevo experimento El método cientifico es el proceso de destrucción de teorías y su sustitución unas por otras
4 Simulación en Ciencias Geológicas: para qué? Existen múltiples áreas de la investigación en Ciencias de la Tierra, así como de su aplicación, que recurren intensivamente a la simulación por computadora y, en algunos casos, no serían posibles en absoluto sin ella. - Tectónica de placas. - Movimiento de fallas - Predicciones: - Erupción de un volcán - Desbordamiento de ríos - Terremotos - Geología de combustibles fósiles: - Petróleo: prospección y perforación - Gas - Exploración minera - Recursos naturales (preservación)
5 Ejemplo: experimento de lanzar una moneda Hipótesis: en 100 tiradas sucesivas es imposible obtener una sucesión de 50 caras consecutivas. Experimento: 100 tiros, registrar los resultados Modelo computacional: programa que simula el experimento. Números al azar entre 0 y 1: menor que > cara mayor que > ceca - Se ejecuta muchas veces el programa (1000, por ejemplo) - Se examina cada una de las 1000 series de 100 tiros cada una. En alguna aparecen 50 caras consecutivas? Si > hipótesis rechazada No > hipótesis no confirmada ni rechazada (aún)
6 Archivo: moneda.m 1 function s = moneda(n) 2 s = []; 3 for i = [1:n] 4 m =rand(); 5 if m < s = [s 'CARA']; 7 else 8 s = [s 'CECA']; 9 end 10 end 11 end
7 Método de Montecarlo Util para estimar empricamente parámetros de un proceso. Por ejemplo, probabilidades. Cuál es la probabilidad, en el juego de la batalla naval, de tocar un barco de tamaño 4 en un tablero de 12 x 12 en menos de 100 tiros? Experimento: tirar hasta 100 o hasta tocar el barco. Contar cuántas veces hubo éxito.
8 Método Montecarlo: una aplicación sencilla Batalla naval. Se realiza una serie de tiros a coordenadas aleatorias. Si el jugador genera un algoritmo puede deducir la posición del barco conocidos los fracasos anteriores.
9 Archivo: tirar.m 1 function r = tirar(m) 2 i = round (rand * (size(m,1) 1)) + 1; 2 j = round (rand * (size(m,2) 1)) + 1; 4 if m(i,j) > 0 5 r = 'TOCADO'; 6 else 7 r = 'AGUA'; 8 end 9 end
10 Archivo: guerra.m 1 function s = guerra(m) 2 r = tirar(m); 3 c=1; 4 while strcmp(r,'agua') && c<=100 5 r=tirar(m); 6 c = c+1; 7 end 8 if c>100 9 s = -1; 10 else 11 s = c; 12 end 13 end
11 Estimación del valor π ρ = area del circulo/area del cuadrado = π r^2 / (2 r)^2 = π/4 r
12 Estimación del valor π Archivo: montecarlopi.m 1 function [ mipi ] = mipi(n) 2 3 count = 0; 4 5 for i=1:n 6 x = 2*rand-1; y = 2*rand-1; 7 if x^2+y^2<=1, count=count+1; 8 end 9 10 rho=count/n; 12 mipi = 4*rho; end
13 Números pseudoaleatorios Recurso básico para modelado y simulación Un método simple: cuadrado medio (von Neumann, 1940) - x0 semilla inicial, valor entero par (2n) propuesto por el usuario (e.g. X0 = 3234) - y = x0^2 (e.g. y = ) - Se toman los 2n dígitos centrales (e.g. 4587). Este número servirá para formar el primer número y para continuar generando números pseudoaleatorios. - El primer número pseudoaleatorio es y/10^(2n) (e.g ) - La nueva semilla es 4587, con la que se reinicia el procedimiento
14 Números pseudoaleatorios: método del cuadrado medio Archivo cuadmed.m 1 function [n,u1] = cuadmed(s); 2 x0 = s; 3 y = x0.^ 2; 4 ystr = num2str(y,'%08.f'); 5 x1 = ystr(3:6); 6 u1 = str2num(x1); 7 n = u1/10000; 8 end 9 % '%08.f' Agrega ceros al numero convertido 10 % en el caso de que tenga menos de 8 digitos. 11 % num2str(1,'%08.f') --> ' '
15 Archivo: itercuadmed.m Genera 100 números con el método del cuadrado medio y realiza su histograma 1 v = [ ]; 2 s = 9876; 3 for i = 1:100 4 [r s] = cuadmed(s); 5 v = [v r]; 6 end; 7 hist(v)
16 Una propiedad deseable en un algoritmo que genera números pseudoaleatorios es la uniformidad: una variable aleatoria discreta se dice uniforme si adopta cada uno de sus posibles valores con igual probabilidad: Ejercicio: comparar el método del cuadrado medio y el usado por la función rand en términos de uniformidad, generando el histograma de una secuencia de 100 números usando la función rand. 1 v = rand(1,100); 2 hist(v);
17 Números pseudoaleatorios Ventajas: - La sucesión generada es reproducible, usando la misma semilla. - Longitud arbitraria de la secuencia. - En general son algoritmos rápidos. - Consume poca memoria. Desventajas: - La distribución no es estrictamente uniforme. - Claramente, a partir de cierto valor, los números comenzarán a repetirse.
18 Números pseudoaleatorios: confirmar la distribución de una función 1 u = rand(10000,1); 2 hist(u) 3 title('histograma Distribución Uniforme'); 1 u=randn(10000,1); 2 hist(u) 3 title('histograma Distribución Normal'); O más compacto: 1 u = rand(10000,1); 2 subplot(1,2,1), hist(u) 3 title('histograma Distribución Uniforme'); 4 u=randn(10000,1); 5 subplot(1,2,2), hist(u) 6 title('histograma Distribución Normal');
19
20 Otras distribuciones Matlab posee una rica librería de distribuciones. La función random produce la distribución deseada según los argumentos que se pongan (normal, binomial, geométrica, exponencial, poisson, chisquare, etc., etc.)
21 Movimiento Browniano - Gas en un recipiente - Cada partícula se mueve en cualquier dirección (x,y, eventualmente z) - Esa dirección sigue una ley de distribución normal.
22
23
Tema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más 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 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 detallesGeneradores de números aleatorios
Generadores de números aleatorios Patricia Kisbye FaMAF 23 de marzo, 2010 Para qué se utilizan? Simulación. Muestreo. Análisis numérico. Testeo de programas. Juegos de azar. Toma de decisiones. Secuencias
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
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 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 detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
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 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 detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
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 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 detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesCapítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta
Capítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática
Más detallesNotación Asintótica 2
Notación Asintótica 2 mat-151 1 Éxamen Rápido (6 minutos) Cada operación fundamental usa c milisegundos, cuánto tiempo toma contar hasta 1,000,000? Cuál es el valor de N? Cuál es el órden de complejidad
Más detallesSECUENCIA DIDÁCTICA. Módulo IV
SECUENCIA DIDÁCTICA Nombre de curso: Simulación de Sistemas Antecedente: Clave de curso: ECOM118 Clave de antecedente: Ninguna. Módulo IV Competencia de Módulo: Desarrollar programas de cómputo utilizando
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
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 detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesPráctica 0: Introducción a Matlab. Series Temporales. Diplomatura en Estadística. 2009/2010
Práctica 0: Introducción a Matlab. Series Temporales. Diplomatura en Estadística. 2009/200 Matlab es un programa inicialmente diseñado para realizar operaciones matriciales (MATrix LABoratory) que ha ido
Más detallesTEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS
HOJA INFORMATIVA A.5.2.33 TEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS Publicado en el B.O.E. de 21 de Septiembre de 1.993 MARZO 1998 MATEMÁTICAS 1. Números naturales. Sistemas de numeración.
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
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 detallesINSTITUTO CHAPULTEPEC MIDDLE SCHOOL
MATEMÁTICAS VII. (1er BIMESTRE) INSTITUTO CHAPULTEPEC MIDDLE SCHOOL. 2009-2010 1) SIGNIFICADO Y USO DE LOS NÚMEROS a) Lectura y escritura de números naturales. - Operaciones con números naturales. - Problemas
Más detallesDistribuciones de Probabilidad Normal [Gaussiana]
Distribuciones de Probabilidad Normal [Gaussiana] Distribución Normal o Gaussiana Una variable aleatoria X es llamada variable aleatoria normal (guassiana) si su pdf está dado por, 1 2 2 x / 2 f X x e
Más detallesPROBABILIDAD Y ESTADISTICA
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: PROBABILIDAD Y ESTADISTICA ÁREA DEL MATEMÁTICAS CLAVE: I2PE1 CONOCIMIENTO: ETAPA FORMATIVA:
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesICM Fundamentos de Computación
Aleatorios y Tipos de Variables Aleatorios Para simular un número de azar, por ejemplo el obtenido al lanzar un dado, se recurre al concepto de números aleatorios. Un número aleatorio se define como un
Más detallesESTADÍSTICA 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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
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 detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesEl método de Monte Carlo: generalidades. Simulación de Distribuciones de Poisson. Simulación de Distribuciones Generales
El método de Monte Carlo: generalidades Números aleatorios Simulación de Distribuciones de Poisson Simulación de Distribuciones Generales El método de Monte Carlo en Mecánica Estadística Percolación en
Más detallesUnidad II: Números pseudoaleatorios
Unidad II: Números pseudoaleatorios 2.1 Métodos de generación de números Pseudoaleatorio Métodos mecánicos La generación de números aleatorios de forma totalmente aleatoria, es muy sencilla con alguno
Más detallesMétodos Estadísticos 2.3. Distribuciones discretas de probabilidad
2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesFunciones y Condicionales Introducción a la Programación
Funciones y Condicionales Introducción a la Programación Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Santiago de Cali 2011-2 Resumen En el mundo existen gran
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesSimulación, Método de Montecarlo
Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................
Más detalles1.º ESO INICIANDO LA PROBABILIDAD
1.º ESO INICIANDO LA PROBABILIDAD Realiza varias tiradas en la ruleta y responde: a. Observa las veces que aparece cada color. b. Qué color crees que va a salir en la próxima tirada? Tira y compruébalo.
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesEjercicio 1.- En las construcciones siguientes para qué valores de la variable RangoI se ejecutará la sentencia de asignación?
Introducción a la programación - DISI - Facultad de Informática UCM (2009-2010) Ing. Técnica en Informática de Gestión - 1º B Profesores: Federico Peinado Gil y Pablo Moreno Ger Ejercicio 1.- En las construcciones
Más detallesR PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad
R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde
Más detallesNúmeros aleatorios. Contenidos
Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método
Más detallesContenidos mínimos Criterios de evaluación Ejemplos de preguntas
Contenidos mínimos Criterios de evaluación Ejemplos de preguntas 1º ESO Números naturales, enteros y decimales: operaciones elementales. Fracciones: operaciones elementales. Potencias de exponente natural.
Más detallesAleatoriedad Deterministica Aplicaciones MC
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Aleatoriedad Deterministica Aplicaciones MC Prof: J. Solano 2012-I Introducción Algunos son atraídos a la informática,
Más detallesVariables Uniformes. Generadores de variables aleatorias uniformes. Propiedades buscadas. Para qué se utilizan?
Variables Uniformes Generadores de variables aleatorias uniformes Patricia Kisbye FaMAF 7 de marzo, 008 En simulación se utilizan: en forma directa, para generar distribuciones discretas y continuas, para
Más detallesSIMULACIÓN, ALGUNOS MÉTODOS Y APLICACIONES
SIMULACIÓN, ALGUNOS MÉTODOS Y APLICACIONES Hugo Carrasco * Resumen La palabra simulación, actualmente, es de uso corriente y cotidiano; su significado es, según la Real Academia, representar una cosa,
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesPLANIFICACIÓN ANUAL. SUBSECTOR: Matemática HORAS SEMANALES: NIVEL: 2 Medio. Título Subtítulo
PLANIFICACIÓN ANUAL SUBSECTOR: Matemática HORAS SEMANALES: 4 0 5 NIVEL: 2 Medio OBJETIVOS Objetivos Fundamentales Objetivos Transversales Unidades Contenidos Título Subtítulo Aprendizaje Esperado Tiempo
Más detallesSistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
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 detallesUnidad II: Números pseudoalealeatorios
1 Unidad II: Números pseudoalealeatorios Generación de números aleatorios Un Número Aleatorio se define como un número al azar comprendido entre cero y uno. Su característica principal es que puede suceder
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesModelos de distribuciones discretas y continuas
Modelos de distribuciones discretas y continuas Discretas En la versión actual de Rcdmr podemos encontrar las distribuciones discretas estudiadas en este curso y para cada una de ellas están disponibles
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesEstándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017.
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017. Bloque 1. Procesos, métodos y actitudes en matemáticas. Los criterios correspondientes a este bloque son los marcador
Más detalles4.1 CONTENIDOS PARA PRIMERO DE LA ESO. Conceptos
4.1 CONTENIDOS PARA PRIMERO DE LA ESO Conceptos I. Aritmética y álgebra. 1. Números naturales. _ Significado y uso en distintos contextos. _ El sistema de numeración decimal. 2. Operaciones con los números
Más detallesUNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE CIENCIAS FINANCIERAS Y CONTABLES SILABO
ASIGNATURA: ESTADÍSTICAS CÓDIGO: CCC211 I. DATOS GENERALES: 1.1. DEPARTAMENTO ACADEMICO : MATEMÁTICA 1.2. ESCUELA PROFESIONAL : CONTABILIDAD 1.. ESPECIALIDAD : CONTABILIDAD 1.. NOMBRE DE CARRERA : CONTADOR
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 detallesCapítulo 6. Relaciones. Continuar
Capítulo 6. Relaciones Continuar Introducción Una relación es una correspondencia entre dos elementos de dos conjuntos con ciertas propiedades. En computación las relaciones se utilizan en base de datos,
Más detallesEstadística Computacional
Estadística Computacional Estadística Computacional Antonio Salmerón Cerdán María Morales Giraldo ALMERÍA, 2001 Prólogo El objetivo de este trabajo es ofrecer un libro de texto que cubra los contenidos
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesTema: Autómata de Pila
Facultad: Ingeniería Escuela: Computación Asignatura: Compiladores 1 Tema: Autómata de Pila Contenido La presente guía aborda los autómatas de pila, y se enfoca en la aplicación que se le puede dar a estas
Más detallesUNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERÍA ELECTRÓNICA E INFORMÁTICA
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERÍA ELECTRÓNICA E INFORMÁTICA Escuela Profesional de Ingeniería de Telecomunicaciones SÍLABO ASIGNATURA: PROBABILIDADES Y ESTADÍSTICA CÓDIGO
Más detallesRige a partir de la convocatoria
TABLA DE ESPECIFICACIONES DE HABILIDADES Y CONOCIMIENTOS QUE SE MEDIRÁN EN LAS PRUEBAS DE CERTIFICACIÓN DEL PROGRAMA: I y II Ciclo de la Educación General Básica Abierta Este documento está elaborado con
Más detallesTRAZADO DE LÍNEAS EQUIPOTENCIALES
TRAZADO DE LÍNEAS EQUIPOTENCIALES Nota: Traer, por comisión, dos hojas de papel carbónico de x 30 cm c/u, una hoja A3 o similar de 5 x 30 cm un pendrive o cualquier otro tipo de dispositivo estándar de
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 7mo PROCESOS ESTOCASTICOS CÓDIGO HORAS MAT-31414
Más detallesPROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C)
PROGRAMACIÓN DE LOS CONTENIDOS DE MATEMÁTICAS EN LA PREPARACIÓN DE LA PARTE COMÚN DE LA PRUEBA DE ACCESO A LOS C.F.G.S. (Opción C) I.E.S. Universidad Laboral de Málaga Curso 2015/2016 PROGRAMACIÓN DE LA
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesPARA QUÉ NÚMEROS REALES... 2 SUCESIONES... 3 NÚMEROS COMPLEJOS... 5 CÓNICAS... 6 FUNCIÓN INVERSA... 7 FUNCIONES CUADRÁTICAS... 8
PARA QUÉ SIRVE? Índice NÚMEROS REALES.... 2 SUCESIONES.... 3 SUCESIONES ARITMÉTICAS Y GEOMÉTRICAS.... 4 NÚMEROS COMPLEJOS.... 5 CÓNICAS.... 6 FUNCIÓN INVERSA.... 7 FUNCIONES CUADRÁTICAS.... 8 TEOREMA DE
Más detallesGUÍA DEL ESTUDIANTE. ÁREA O MATERIA: Biología y geología 4º E.S.O. DEPARTAMENTO DIDÁCTICO: BIOLOGIA Y GEOLOGIA.
GUÍA DEL ESTUDIANTE ÁREA O MATERIA: Biología y geología 4º E.S.O. DEPARTAMENTO DIDÁCTICO: BIOLOGIA Y GEOLOGIA. JEFE DE DEPARTAMENTO : Dª Mª Luisa Rodríguez Rodríguez PROFESORA DEL GRUPO: Dª Mª Luisa Rodríguez
Más detallesCONTENIDOS Y APRENDIZAJES ESPERADOS DOCENTE DE AULA: SR. BERNARDO ORTEGA
Programa de Estudio 2º Año Medio CONTENIDOS Y APRENDIZAJES ESPERADOS DOCENTE DE AULA: SR. BERNARDO ORTEGA Unidades y Cuadro Sinóptico Unidad 1 Nociones de Probabilidades Juegos de azar sencillos; representación
Más detallesLA CIRCUNFERENCIA. x y r. (x h) (y k) r. d(p; 0) x y r. d(p; C) (x h) (y k) r. Definición. Ecuación de la circunferencia. Geometría Analítica 3
Definición LA CIRCUNFERENCIA Se llama circunferencia a la sección cónica generada al cortar un cono recto con un plano perpendicular al eje del cono. La circunferencia es el lugar geométrico de todos los
Más detallesPRECALCULO INSTITUTO TECNOLÒGICO DE LAS AMÈRICAS CARRERA DE TECNÓLOGO EN MECATRONICA. Precálculo. Nombre de la asignatura: MAT-001
INSTITUTO TECNOLÒGICO DE LAS AMÈRICAS CARRERA DE TECNÓLOGO EN MECATRONICA PRECALCULO Nombre de la asignatura: Nomenclatura del Curso: Precálculo MAT-001 Prerrequisitos: Nomenclatura del prerrequisito Ninguno
Más detallesPROBLEMAS DE CRECIMIENTO Y DECRECIMIENTO.
UNIVERSIDAD DE ORIENTE NUCLEO BOLIVAR UNIDAD DE RECURSOS BASICOS DEPARTAMENTO DE CIENCIAS AREA DE MATEMATICAS PROBLEMAS DE CRECIMIENTO Y DECRECIMIENTO. PROF: INTEGRANTES: Cristian Castillo María Hernández
Más detallesTema 3: Multiplicación y división.
Tema 3: Multiplicación y división. SELECCIÓN DE EJERCICIOS RESUELTOS 2. Determina el menor número natural que multiplicado por 7 nos da un número natural que se escribe usando únicamente la cifra 1. Y
Más detallesSIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.
LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de
Más detallesEstándares de Contenido y Desempeño, Estándares de Ejecución y Niveles de Logro Marcado* MATEMÁTICA
Estándares de Contenido y Desempeño, Estándares de Ejecución y Niveles de Logro Marcado* MATEMÁTICA * Se distinguen con negrita en el texto. ESTÁNDAR DE CONTENIDO Y DESEMPEÑO NO. 1 ÁREA: LOS NÚMEROS,
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesd. Generación de Muestras de Variables Aleatorias
25 Conceptos de Probabilidad, Variables Aleatorias Marco Aurelio Alzate Monroy y Procesos Estocásticos en Redes de Comunicaciones Universidad Distrital F.J.C. 79 d. Generación de Muestras de Variables
Más detalles28/08/2014-16:52:22 Página 1 de 5
- NIVELACION 1 MATEMATICA - NIVELACION FISICA - NIVELACION AMBIENTACION UNIVERSITARIA 1 - PRIMER SEMESTRE 71 REPRESENTACION GRAFICA 1 - PRIMER SEMESTRE 1 INTRODUCCION A LA INGENIERIA Para Cursarla debe
Más detalles