Redes de Petri Estocásticas
|
|
- Rocío Sosa Plaza
- hace 6 años
- Vistas:
Transcripción
1 Redes de Petri Estocásticas Carlos Aguirre Universidad Autonoma de Madrid, Dpto Ingenieria Informatica
2 Redes Estocásticas Definición: Una red de Petri Estocástica es una red de Petri con transiciones con tiempo, disparo atómico y en la que los restrasos de transición son variables aleatorias con distribución exponencial negativa. El comportamiento de este tipo de redes se puede describir mediante un proceso estocástico.
3 Redes de Petri con tiempo. El tiempo no estaba incluido en el modelo original de Petri. Una transición disparaba de forma inmediata Hoy en dia se considera que es necesario introducir el tiempo en algunos modelos de redes de Petri.
4 El tiempo se introduce con el fin de poder Evaluar el rendimiento de un sistema Analizar problemas de scheduling en sistemas dinámicos. El tiempo se ha de introducir en las Redes de Petri de tal forma que: Los modelos con tiempo y sin tiempo sean consistentes Permita calcular indices de rendimiento del sistema.
5 Lugares (Places) con tiempo (TPPN) Los tokens generados por una lugar de entrada estan disponibles para una transición sólo despues de pasado un tiempo el cual es una propiedad del lugar.
6 Tokens con tiempo Los tokens llevan una marca de tiempo que indican cuando estan disponibles para una transición. La marca de tiempo se puede incrementar en cada transición disparada.
7 Arcos con tiempo Se asocia un retraso a cada arco, los tokes solo estan disponibles para disparar cuando han alcanzado la transición.
8 Transiciones con tiempo (TTPN) Las transiciones representan actividades. El inicio de la actividad corresponde con la habilitacion de la transición. El fin de la actividad corresponde con el disparo de la activación.
9 Transiciones con tiempo (TTPN) Las transiciones con tiempo permiten diferentes políticas de disparo: Disparo en tres fases Los tokens se eliminan de los lugares de entrada cuando se habilita la transición Se espera un tiempo Los tokens se generan en los lugares de destino Disparo atómico Los tokens permanecen en los lugares de entrada hasta que la transición dispara. Se eliminan de los lugares de entrada y se crean en los lugares de destino cuando la transición dispara.
10 Redes de Petri con Tiempo Normalmente se consideran TTPN con disparo atómico: Conservan el comportamiento basico del modelo sin tiempo. Es posible aprovechar la teoria desarrollada para Redes de Petri sin tiempo (invariantes, alcanzabilidad,..). Hay dos posibles especificaciones de tiempo Tiempo constante (Red de Petri con tiempo determinista) Tiempo variable (aleatorio) (Red de Petri estocástica)
11 Funcionamiento de cada transición Se asume que cada transicion tiene asociado un reloj. Cuando la transicion se habilita, se establece el valor de reloj al retraso establecido para la transición. El contador se decrementa de forma constante hasta que alcanza el valor 0. En ese momento la transición dispara.
12 Conflictos Cuando mas de una transición con tiempo y disparo atomico está habilitada el funcionamiento es igual al caso anterior para cada transición El problema surje cuando hay varias transiciones habilitadas Cual de ellas dispara? Que ocurre con las que no disparan?
13 Reglas de selección Preselección Se elige la transición habilitada que dispara de acuerdo a algun tipo de métrica (prioridad, probabilidad, etc). Carrera Dispara la transición habilitada que tiene un tiempo de retraso menor.
14 Politicas de Memoria Puede ocurrir que una transición quede desabilitada por el disparo de otra transición con la que está en conflicto. Que ocurre con el reloj cuando la transición se vuelve a habilitar? Mecanismos básicos Continuar: La transición deshabilitada para la cuenta atras de su reloj y la continua la proxima vez que la transición esta habilitada Reiniciar: La transición reinicia su reloj (quizá con un nuevo valor) cada vez que se habilita. A partir de los dos mecanismos anteriores es posible contruir varias politicas de memoria para una transición.
15 Politicas de Memoria Reinicio Cada vez que dispara una transición con tiempo todas las transiciones de la red se reinician. No hay memoria del pasado Las transiciones habilitadas obtienen nuevos valores de tiempo.
16 Politicas de Memoria Memoria de habilitación Cuando una transicion dispara, los relojes de todas las transiciones que son deshabilitadas se reinician, las transiciones que permanecen habilitadas conservan su valor. Le memoria se graba en una variable de memoria de habilitacion asociada a cada transición. Esta variable cuenta el trabajo realizado por la actividad asociada a la transición desde la ultima vez que su reloj fue reiniciado, es decir mide el tiempo transcurrido desde que la transición se habilitó.
17 Politicas de Memoria Memoria de edad Cuando una transicion dispara, los relojes de todas las transiciones mantienen sus valores. Le memoria se graba en una variable de memoria de edad asociada a cada transición. Esta variable cuenta el trabajo realizado por la actividad asociada a la transición desde la última vez que la transicion disparó. Esta variable mide el tiempo de habilitación acumulado desde la ultima vez que la transición disparó.
18 Habilitación de una transición Se llama grado de habilitación de una transición el número de veces que una transición puede disparar, dada una marca, antes de estar desabilitada. Si el grado es mayor que uno, se pueden considerar diferentes semanticas de tiempo. Semantica de servidor simple Semantica de servidor multiple Semantica de servidor infinito
19 Semantica de servidor simple El retraso de disparo se establece cuando la transición se habilita. Se establecen nuevos retrasos despues de cada disparo si la transición está todavia habilitada con la nueva marca. Los tokens se procesan en serie
20 Semantica de servidor multiple Los conjuntos de tokens que producen la habilitación de la transición se procesan simultaneamente hasta un grado maximo de paralelismo (por ejemplo K) Para valores mayores del grado de habilitación, los relojes asociados a tokens que habilitan la transición se inician solo cuando el numero de relojes funcionando es menor que K.
21 Semantica de servidor infinito Todos los conjuntos tokens se procesan tan pronto como llegan a las entradas de la transición Cada conjunto tiene un retraso de disparo, los relojes asociados a estos retrasos descienden de forma simultanea. Los conjuntos de tokens se procesan en paralelo.
22 Ejemplo Consideremos una transición con grado de habilitacion 3, supongamos que cada conjunto tiene un tiempo de retraso de 3, 2 y 4 unidades..
23 Colas Una vez que la transición ha disparado, los tokens se pueden remover de los lugares de entrada de distintas formas. Aleatoria. Mediante un sistema de colas, con o sin prioridad.
24 Procesos estocásticos. Una variable aleatoria es una función real definida sobre un espacio de probabilidad (espacio muestral). Ejemplo 1: Consideremos el experimento aleatorio que consiste en lanzar tres monedas, supongamos que a cada elemento de su espacio muestral E={ccc, ccx, cxc, xcc, cxx, xcx, xxc, xxx} le asignamos un número real, el correspondiente al número de caras. Ejemplo 2:Supongamos el experimento aleatorio que consiste en lanzar dos dados, podemos asignar a cada resultado la suma de los puntos aparecidos en cada dado. Ejemplo 3:Consideremos el experimento que consiste en elegir al azar 500 personas y medir su estatura. La ley que asocia a cada persona con su talla es una variable aleatoria.
25 Procesos estocásticos. Si un experimento con espacio muestral E, tiene asociada la variable aleatoria X, es natural que se planteen preguntas como: Cuál es la probabilidad de que X tome un determinado valor?, esto nos lleva a establecer, por convenio, la siguiente notación: (X=x) representa el suceso "la variable aleatoria X toma el valor x", y p(x=x) representa la probabilidad de dicho suceso. (X<x) representa el suceso "la variable aleatoria X toma un valor menor a x", y p(x<x) representa la probabilidad de que la v.a. X tome un valor menor a x. (X <= x) representa el suceso "la variable aleatoria X toma un valor menor o igual a x", y p(x <= x) representa la probabilidad de que la v.a. X tome un valor menor o igual a x.
26 Procesos estocásticos. La función de densidad de probabilidad f(x) de la variable aleatoria X es una función real tal que:
27 Procesos estocásticos. Un proceso estocástico {X(t); t T}, es una familia de variables aleatorias definidas sobre el mismo espacio de probabilidad, indexadas por el parametro t. Los procesos estocásticos son modelos útiles para la descripción de fenómenos de tipo probabilístico que es función de un parámetro que puede ser el tiempo.
28 Procesos estocásticos. Una realización (o camino) de un proceso estocástico es un cojunto de valores x(i) producidos por la realización de las variables aleatorias X(i)
29 Procesos estocásticos. La descripción probabilística de un proceso estocástico viene dada por la función de de distribución de probabilidad conjunta de cualquier conjunto de variables aleatorias extraido del proceso. P{X(1) <= x 1,X(2)<=x 2,...,X(n)<=x n } En el caso general, una descripción probabilística completa de una proceso estocástico no es posible.
30 Procesos de Markov Un Proceso de Markov es un caso particular de proceso estocástico. Los procesos de Markov tienen una descripción probabilística mas simple Un proceso de Markov es un proceso estocastico que verifica la propiedad de Markov, es decir: P{X(t)<=x X(t n ) <= x n,x(t n 1 )<=x n 1,...,X(t 1 )<=x 1 } = P{X(t)<=x X(t n ) <= x n }; t > t n > t n 1 >... > t 1 Es decir, el estado del sistema en el futuro solo depende del estado actual, no del pasado.
31 Cadenas de Markov Si el espacio muestral es numerable entonces el proceso de Markov se denomina cadena de Markov Si además el parametro t es continuo, el proceso se denomina Cadena de Markov con tiempo Continuo.
32 Cadenas de Markov Buscamos por tanto una distribución de probabilidad tal que se mantenga la propiedad siguiente: P(X > x+ X>P(X>x) para todo x y La unica función de distribución de probabilidad que verifica lo anterior es la distribución exponencial negativa: f(x)=e x La distribución exponencial negativa tiene un sólo parámetro que corresponde al valor inverso de su esperanza, es decir si X tiene una distribucion exponencial negativa E[X]=1/
33 Propiedades de la exponencial Si tenemos dos variables aleatorias, X e Y ambas con distribución exponencia negativa de parámetros y respectivamente, la variable aleatoria Z definida como Z=min(X,Y) tambien tiene distribución exponencial negativa con funcion de distribución f(x)=(e (x
34 Descripción de las cadenas de Markov Una cadena de Markov se puede describir mediante un diagrama de transicion de estado. O bien mediante matriz de transición de estado Q denominada generador infinitesimal
35 Descripción de las cadenas de Markov La solución de una cadena de Markov a tiempo t es la distribución de probabilidad sobre el conjunto de estados. (t)={ (t), (t), (t),...} con (t)=p{x(t)=i} Se puede demostrar que: d(t)/dt = (t)q cuya solución se puede escribir (t)= (0)H(t) con H(t)=e Qt
36 Descripción de las cadenas de Markov La solución de una cadena de Markov a tiempo estacionario es la distribución de probabilidad sobre el conjunto de estados. Esta distribución solamente existe para Cadenas de Markov ergódicas. La distribución del estado estacionario (t) ={,,,...} con = lim t (t) se calcula como la solución del sistema de ecuaciones Q=0 con la condición i =1
Redes de Petri Estocásticas (II)
Redes de Petri Estocásticas (II) Carlos Aguirre Universidad Autonoma de Madrid, Dpto Ingenieria Informatica Redes Estocásticas Formalmente una red de Petri estocástica es por tanto una 7 upla SPN=(P,T,I(),O(),H(),W(),Mo)
Más detallesUnidad II Distribuciones de Probabilidad
Unidad II Distribuciones de Probabilidad Última revisión: 25-Septiembre-2009 Elaboró: Ing. Víctor H. Alcalá-Octaviano Página 11 II.1 Variables aleatorias discretas y continuas En gran número de experimentos
Más detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Más detallesDE PETRI: TEMPORIZACIÓN
EXTENSIONES DE LAS REDES DE PETRI: TEMPORIZACIÓN PROGRAMACIÓN CONCURRENTE MASTER EN COMPUTACIÓN DEPARTAMENTO DE ELECTRÓNICA Y COMPUTADORES UNIVERSIDAD DE CANTABRIA CURSO 2012/13 1 REDES DE PETRI: EXTENSIONES
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #2 Tema: Esperanza y Decisiones Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Entender los conceptos básicos
Más detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMAS 14 y 15.- DISTRIBUCIONES DISCRETAS. LA DISTRIBUCIÓN BINOMIAL. DISTRIBUCIONES CONTINUAS. LA DISTRIBUCIÓN NORMAL 1 1.- VARIABLES ALEATORIAS DISCRETAS Concepto
Más detallesel blog de mate de aida PROBABILIDAD 4º ESO PROBABILIDAD
Pág.1 PROBABILIDAD EXPERIMENTOS ALEATORIOS. SUCESOS. Experimento determinista es aquel en que se puede predecir el resultado, siempre que se realice en las mismas condiciones. (Ejemplo: medir el tiempo
Más detallesel blog de mate de aida PROBABILIDAD 4º ESO PROBABILIDAD
Pág.1 PROBABILIDAD EXPERIMENTOS ALEATORIOS. SUCESOS. Experimento determinista es aquel en que se puede predecir el resultado, siempre que se realice en las mismas condiciones. (Ejemplo: medir el tiempo
Más detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos
Más detallesVariables aleatorias
Capítulo 5 Variables aleatorias 5.1. Introducción Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son valores numéricos. Por ejemplo, si el experimento consiste
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 detallesVARIABLES ALEATORIAS Variable: Característica de los individuos u objetos
1 Definiciones VARIABLES ALEATORIAS Variable: Característica de los individuos u objetos Aleatoria: Azar 1. Una variable aleatoria ( v.a.) es una función que asigna un número real a cada resultado en el
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL
ANEXO.- DISTRIBUCIÓN BINOMIAL. DISTRIBUCIÓN NORMAL. VARIABLES ALEATORIAS Consideremos el experimento de lanzar 3 monedas. Tenemos que su espacio muestral es E CCC, CCX, CXC, XCC, CXX, XCX, XXC, XXX Donde
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 detallesAl conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por S. Algunos tipos de sucesos:
1.- CÁLCULO DE PROBABILIDADES. Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cuál de éstos va a ser observado en la realización
Más detallesCálculo de probabilidad. Tema 1: Combinatoria y probabilidad
Cálculo de probabilidad Tema 1: Combinatoria y probabilidad Guión Guión 1.1. Análisis combinatorio Regla de multiplicación Este es el método de conteo más sencillo que existe. Supongamos que realizamos
Más detallesJUNIO Opción A
JUNIO 2006 Opción A 1.- Una familia dispone de 80 euros mensuales para realizar la compra en una carnicería. El primer mes compran 10 Kg. de carne de pollo, 6 Kg. de carne de cerdo y 3 Kg. de ternera y
Más detallesDistribuciones discretas. Distribución binomial
Variables aleatorias discretas y continuas Se llama variable aleatoria a toda función definida en el espacio muestral de un experimento aleatorio que asocia a cada elemento del espacio un número real.
Más detallesEvaluación de prestaciones de sistemas concurrentes modelados con redes de Petri
Evaluación de prestaciones de sistemas concurrentes modelados con redes de Petri Javier Campos Dpto. Informática e Ingeniería de Sistemas Universidad de Zaragoza XI Escuela de Verano de Informática 11-13
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesMOOC UJI: La Probabilidad en las PAU
2. Nociones básicas de probabilidad Definición Un experimento aleatorio es un experimento o fenómeno que puede ser repetido bajo las mismas condiciones iniciales y que al hacerlo presenta las siguientes
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesPROCESOS ESTOCÁSTICOS. Primera Prueba. 1
08513. PROCESOS ESTOCÁSTICOS. Primera Prueba. 1 Problema 1. Sea {Y n } una sucesión de variables aleatorias independientes e idénticamente distribuidas con distribución P {Y n = k} = 1 N + 1 Sea X 1 =
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 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 detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES Texto para los Alumnos Nº páginas: y TABLAS CRITERIOS GENERALES DE EVALUACIÓN Cada pregunta de la
Más detallesCadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones
Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesTEMA: 15 AZAR Y PROBABILIDAD 3º ESO
TEMA: AZAR Y PROBABILIDAD º ESO. SUCESOS O EXPERIMENTOS ALEATORIOS Un experimento o suceso aleatorio es aquel que antes de realizarlo no se puede predecir el resultado que se va a obtener, es decir, influye
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesMATEMÁTICAS 4º ESO. TEMA 3: PROBABILIDAD
MTEMÁTICS 4º ESO. TEM 3: PROBBILIDD 3.1 Sucesos 3.2 Definición de probabilidad 3.3 Probabilidad condicionada 3.4 Probabilidad de la intersección de sucesos 3.5 Probabilidad de la unión de sucesos 3.6 Probabilidad
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesIMADIL /12/2014
IMADIL 2014 1. Introducción 2. Definiciones previas 3. Axiomas de la probabilidad 4. Definición de variable aleatoria 5. Variables aleatorias discretas y continuas 6. Modelos de probabilidad: Distribución
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detallesTema 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 detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesCadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones
Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesVariables aleatorias
Estadística Variables aleatorias Supongamos que realizamos el experimento: tirar dos veces un dado. Hasta ahora, hemos tratado sucesos, por ejemplo: A2 = la suma de dos tiradas de un dado es 2. Podemos
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesTema 11 Cálculo de Probabilidades.
Tema 11 Cálculo de Probabilidades. 11.1 Experimentos aleatorios. Espacio muestral PÁGINA 248 EJERCICIOS 1. Decide si los siguientes experimentos son aleatorios o deteministas. a) Medir apotemas de un pentágono
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesTema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más detalles10 0,1 12 0,3 14 0, , ,15
1. Una variable aleatoria X puede tomar los valores 30, 40, 50 y 60 con probabilidades 0.4, 0., 0.1 y 0.3. Represente en una tabla la función de probabilidad P(X=x), y la función de distribución de probabilidad,
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
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 detalles4 VARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS Una ruleta está dividida en cuatro sectores de 90º de los que dos opuestos por el vértice son Azules, y los otros dos son uno Blanco y el otro Rojo. Conderemos el experimento
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesProcesos de LLegadas. Jhon Jairo Padilla A., PhD.
Procesos de LLegadas Jhon Jairo Padilla A., PhD. Introducción En teletráfico es importante describir los procesos de llegadas en situaciones como: Las llegadas de llamadas en una central telefónica Las
Más detalles2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO
2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO Cadenas de Markov 10 En la primera parte del capítulo se estudian las probabilidades condicionales de transición -definidas en (l5) y (16) - e incondicionales
Más detallesClase Auxiliar Descripción Informal de un Modelo. 2. Probabilidades
1 Clase Auxiliar 1 1. Descripción Informal de un Modelo Se describen las componentes del modelo, las variables descriptivas y las interacciones entre componentes. Las componentes y sus variables deben
Más detallesMATEMÁTICAS: EBAU 2017 JUNIO CASTILLA Y LEÓN
MATEMÁTICAS: EBAU 7 JUNIO CASTILLA Y LEÓN Opción A Ejercicio A Sean A = ( 4 ) y B = ( 3 ), a) Estudiar si A y B tienen inversa y calcularla cuando sea posible. ( punto) Una matriz cuadrada M tiene inversa
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
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 detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 10
Maestría en Bioinformática Probabilidad y Estadística: Clase 10 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Procesos aleatorios
Más detallesOPCIÓN A. = en el punto ( ) b) Calcular el área de la región delimitada en el primer cuadrante por la gráfica de la función
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS II EJERCICIO Nº Páginas: INDICACIONES:.- OPTATIVIDAD: El alumno deberá escoger una de las dos opciones, pudiendo
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Pablo Torres Facultad de Ciencias Exactas, Ingeniera y Agrimensura - Universidad Nacional de Rosario Unidad 2: Probabilidad INTRODUCCIÓN Al lanzar un dado muchas veces veremos
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesCAPÍTULO 6: VARIABLES ALEATORIAS
Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos
Más detallesEDICIONES ACADÉMICAS
VÍCTOR HERNÁNDEZ R Y EDUARDO RAMOS ILDEFONSO YÁÑEZ PROBABILIDAD Y SUS APLICACIONES EN INGENIERÍA INFORMÁTICA Segunda edición EDICIONES ACADÉMICAS Primera edición: noviembre de 2005 Segunda edición: octubre
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesEstadística Bayesiana
Procesos Estocásticos Universidad Nacional Agraria La Molina 2016-1 Un proceso estocástico {X (t), t T } es una colección de variables aleatorias. Es decir que para cada t T, X (t) es una variable aleatoria.
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesPROGRAMA DE CURSO. Nombre en Inglés. Horas de Trabajo Personal Horas de Cátedra
Código MA3401 PROBABILITY SCT PROBABILIDADES Unidades Docentes PROGRAMA DE CURSO Nombre Nombre en Inglés Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3 2 5 Requisitos Carácter
Más detallesCASTILLA Y LEÓN / SEPTIEMBRE 02. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO
CRITERIOS GENERALES DE EVALUACIÓN Cada pregunta de la 1 a 3 se puntuará sobre un máximo de 3 puntos. La pregunta 4 se puntuará sobre un máximo de 1 punto. La calificación final se obtiene sumando las puntuaciones
Más detallesCadenas de Markov Horacio Rojo y Miguel Miranda
@ 71.07 Investigación Operativa > Cadenas de Markov Horacio Rojo y Miguel Miranda c 2009 Facultad de Ingeniería, Universidad de Buenos Aires Digitalizado por Virginia Guala $September 12, 2009 Cadenas
Más detallesDistribuciones de Probabilidad
MATEMÁTICAS º Bach Tema : Distribuciones de Probabilidad José Ramón Distribuciones de Probabilidad Parte : Generalidades MATEMÁTICAS º Bach Tema : Distribuciones de Probabilidad José Ramón Las distribuciones
Más detallesMercedes Granda Departamento de Electrónica y Computadores. Las propiedades de las redes de Petri nos permiten
22//22 REDES DE PETRI: PROPIEDADES Y MÉTODOS DE ANÁLISIS PROGRAMACIÓN CONCURRENTE MASTER EN COMPUTACIÓN DEPARTAMENTO DE ELECTRÓNICA Y COMPUTADORES UNIVERSIDAD DE CANTABRIA CURSO 22/3 REDES DE PETRI: PROPIEDADES
Más detallesProbabilidad. Dividiendo por n la igualdad anterior, se deduce que la suma de las frecuencias relativas de todos los resultados es igual a 1:
Probabilidad 1. Experimentos aleatorios. Probabilidad Imaginemos que lanzamos un dado. El resultado del lanzamiento puede ser cualquiera de los números comprendidos entre 1 y 6, y, en principio, no se
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesProbabilidad. 1. -Si A y B son dos sucesos de un espacio muestral, entonces:..
1 -Si A y son dos sucesos de un espacio muestral, entonces: a) P (A ) = P(A) + P() X b) P(A ) = P(A) + P() P(A ) c) P (A ) = P(A)P() Se cumple P(A ) = P(A) + P() P(A ) Siendo P(A ) = P(A) + P() cuando
Más detallesPROCESOS DE MARKOV DE TIEMPO CONTINUO
CHAPTER 3 PROCESOS DE MARKOV DE TIEMPO CONTINUO 3.1 Introducción En este capítulo consideramos el análogo en tiempo continuo de las Cadenas de Markov de tiempo discreto. Como en el caso de tiempo discreto,
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERRECTORADO ACADEMICO COMISION CENTRAL DE CURRÌCULUM PROGRAMA ANALITICO
ASIGNATURA: INVESTIGACION DE OPERACIONES II Código: 0135802T Elaborado por: Bethy Pinto Vigencia: 2008-1 JEFE DE DEPARTAMENTO JEFE DE NUCLEO Modulo I: Cadenas de Markov Objetivo General: Reconocer las
Más detallesProcesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico
Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detalles