NÚMEROS ALEATORIOS Y PSEUDOALEATORIOS
|
|
- Emilio Roldán Reyes
- hace 6 años
- Vistas:
Transcripción
1 INSTITUTO TECNOLÓGICO DE CIUDAD VICTORIA MODALIDAD A DISTANCIA UNIDAD II SIMULACIÓN NÚMEROS ALEATORIOS Y PSEUDOALEATORIOS
2 2.1 Números Aleatorios: definición, propiedades y generadores de tablas En todos los experimentos de simulación existe la necesidad de generar valores de variables aleatorias que representan a una cierta distribución de probabilidad. Durante un experimento de simulación, el proceso de generar un valor de la variable aleatoria de una distribución particular, puede repetirse tantas veces como se desee y tantas veces como distribuciones de probabilidad existan en el experimento de simulación. 1 Un paso clave en simulación es tener rutinas que generen variables aleatorias con distribuciones especificas: exponencial, normal, etc. Esto es hecho en dos fases. La primera consiste en generar una secuencia de números aleatorios distribuidos uniformemente entre 0 y 1. Luego esta secuencia es transformada para obtener los valores aleatorios de las distribuciones deseadas. Definición de Números Aleatorios: Definición 1: Kolmogorov (1987) Una sucesión de números es aleatoria si no puede producirse eficientemente de una manera más corta que la propia serie. Definición 2: L Ecuyer (1990) Una sucesión de números es aleatoria si nadie que utilice recursos computacionales razonables puede distinguir entre la serie y una sucesión de números verdaderamente aleatoria de una forma mejor que tirando una moneda legal para decidir cuál es cuál. Definición 3: Un Número aleatorio es una realización de una variable aleatoria que tiene asociada una ley de probabilidades F. Obs: Una particular ley de Probabilidad base para la generación de números pseudoaleatorios u1, u2,, un : es la uniforme (0 ; 1) ui ~ U(0,1).
3 Definición 4: Una sucesión de números aleatorios generados {u1, u2,, un} es una sucesión de números U(0;1), si tiene las mismas propiedades estadísticas relevantes que dicha sucesión de números aleatorios reales. 2 Un generador de números aleatorios es un algoritmo que produce secuencias de números que siguen una distribución de probabilidad específica y tienen la apariencia de aleatoriedad. La referencia a secuencias de números aleatorios significa que el algoritmo produce muchos números aleatorios en serie. Propiedades: Una secuencia de números aleatorios debe tener dos propiedades importantes: 1) Uniformidad 2) Independencia Las sub-secuencias también deben cumplir las propiedades anteriores 1) y 2). Deben ser secuencias largas y sin huecos (densas) Algoritmos rápidos y que no ocupen mucha memoria. Cada número aleatorio es una muestra independiente tomada de una distribución continua uniforme entre 0 y 1 Su valor esperado es 1/2 y su varianza 1/12 Generadores de tablas: Aunque existe un gran número de métodos posibles para la generación de números aleatorios en una computadora, hay también unas ciertas consideraciones importantes para la elección de un método u otro. La rutina debe ser rápida. La rutina debe ser transportable entre diferentes ordenadores e, idealmente, a diferentes lenguajes de programación. La rutina debe tener un ciclo suficientemente largo. Un ciclo representa la longitud de una secuencia antes que comiencen a repetirse los números en el orden
4 anterior. La ocurrencia de repeticiones en los números obtenidos puede propiciar la no aceptación del generador. Las secuencias de números aleatorios deben ser replicables. Partiendo del mismo número se debe poder obtener la misma secuencia Los números obtenidos deben aproximarse a las propiedades estadísticas ideales de uniformidad e independencia. 3 Las propiedades deseadas del generador son las siguientes: 1. Deben ser eficientes computacionalmente: dado que típicamente se requieren varios miles de números aleatorios por corrida, el tiempo de procesador requerido para generarlos debe ser pequeño. 2. El periodo debe ser largo: periodos cortos limitan la longitud aprovechable de una corrida de simulación porque el reciclaje resulta en una repetición de secuencias de eventos. 3. Los valores sucesivos deben ser independientes y uniformemente distribuidos: la correlación entre números sucesivos debe ser pequeña y si es significante indica dependencia. Las primeras dos propiedades son relativamente fáciles de implementar. La tercera requiere un conjunto de pruebas estadísticas. Algunos métodos generadores de tablas son: Métodos de congruencias lineales: mixto y multiplicativo Métodos combinados: barajeo Método de los Cuadrados Medios Otros
5 2.2 Números Pseudoaleatorios y sus propiedades Definición Números Pseudoaleatorios 4 Es un número generado en un proceso que parece producir números al azar, pero no lo hace realmente. Las secuencias de números pseudoaleatorios no muestran ningún patrón o regularidad aparente desde un punto de vista estadístico, a pesar de haber sido generadas por un algoritmo completamente determinista, en el que las mismas condiciones iniciales producen siempre el mismo resultado. Propiedades: Ajustarse a una distribución U(0,1). Ser estadísticamente independientes (no debe deducirse un número conociendo otros ya generados). Ser reproducibles (la misma semilla debe dar la misma sucesión). Ciclo repetitivo muy largo. Facilidad de obtención. Ocupar poca memoria. Cualquiera que sea el método para generar números aleatorios debe satisfacer las siguientes condiciones: 1. Uniformemente distribuidos 2. Estadísticamente independientes 3. Reproducibles 4. Sin repetición dentro de una longitud determinada de la sucesión 5. Generación a grandes velocidades 6. Requerir el mínimo de capacidad de almacenamiento
6 2.2.1 Técnicas para generar números Pseudoaleatorios 5 En todo modelo de simulación estocástico, existen una o varias variables aleatorias interactuando. Generalmente, estas variables siguen distribuciones de probabilidad teóricas o empíricas diferentes a la distribución uniforme. Por consiguiente, para simular este tipo de variables, es necesario contar con un generador de números uniformes y una función que a través de un método especifico, transforme estos números en valores de la distribución de probabilidad deseada. Existen varios procedimientos para lograr este objetivo. Entre los procedimientos más comunes y más difundidos se encuentran los siguientes: Métodos de centros al cuadrado El método de centros al cuadrado o medios al cuadrado fue propuesto en la década de los 40 del siglo XX por Von Neumann y Metrópolis. Requiere un número entero detonador (llamado semilla) con D dígitos, el cual es elevado al cuadrado para seleccionar del resultado los D dígitos del centro; el primer número r i, se determina simplemente anteponiendo el 0, a esos dígitos. Para obtener el segundo r j, se sigue el mismo procedimiento, solo que ahora se elevan al cuadrado los D dígitos del centro que se seleccionaron para obtener el primer r i. Este método se repite hasta obtener n números r i. Los pasos para generar números con el algoritmo de cuadrados medios son: 1. Seleccionar una semilla (X 0 )con D dígitos (D>3) 2. Sea X 0 =resultado de elevar X 0 al cuadrado; sea X 1 =los D dígitos del centro, y sea r i =0 D dígitos del centro. 3. Sea Y j = al resultado de elevar X, al cuadrado; sea X i+1 = los D dígitos del centro, y sea r i =0, D dígitos del centro para toda i=1,2,3 n. 4. Repetir el paso 3 hasta obtener los n números r j deseados Si no es posible obtener los D dígitos del centro del número Y, agregue ceros a la izquierda del número.
7 Ejemplo 1: P1 : Obtener semilla (por ejemplo 445) P2 : Aplicación del algoritmo (elevar al cuadrado y truncar) P3 : Validación del conjunto de los números generados 6 TABLA 2.1: Consideremos la semilla 445 X X 2 No. Aleatorio , , , Ejemplo 2: Se desea generar una secuencia de números de 4 dígitos Pseudoaleatorios usando el método del medio del cuadrado o centros al cuadrado. Para ello, se elige como semilla el número x 0 = 3187: (3187) 2 = x 1 = 1569 (1569) 2 = x 2 = 4617 (4617) 2 = x 3 = 3166 (3166) 2 = x 4 = 0235 (0235) 2 = x 5 = 0552 (0552) 2 = x 6 = 3047 (3047) 2 = x 7 = 2842 Siguiendo con este proceso se irían obteniendo los números 0769, 5913, 9635, 8332, 4222, 8252,...
8 Las secuencias obtenidas mediante esta técnica presentan gran número de problemas como bajo periodo (es decir, que suelen caer rápidamente en una rutina que se repite continuadamente) y el hecho de que si en algún momento se produce el número cero, todos los números siguientes de la secuencia serán el cero. 7 Si bien este último problema se puede presentar en la mayoría de los generadores de secuencias pseudoaleatorias, la mayoría de las veces éstos se podrán diseñar de forma que se garantice que el número cero no se van a producir. En este generador es imposible garantizar esto. El siguiente ejemplo muestra este caso. Ejemplo 3: Se desea generar una secuencia de números de dos dígitos Pseudoaleatorios empleando el método del medio del cuadrado, partiendo de la semilla x 0 = 44: (44) 2 = 1936 x 1 = 93 (93) 2 = 8649 x 2 = 64 (64) 2 = 4096 x 3 = 09 (09) 2 = 0081 x 4 = 08 (08) 2 = 0064 x 5 = 06 (06) 2 = 0036 x 6 = 03 (03) 2 = 0009 x 7 = 00 (00) 2 = 0000 x 8 = 00
9 Métodos de congruencia multiplicativo y mixto Generadores Congruenciales Lineales 8 Varios esquemas han sido propuestos para la generación de números Pseudoaleatorios a través de relaciones matemáticas de recurrencia. Estos números se consideran Pseudoaleatorios, porque aunque pasan todas las pruebas estadísticas de aleatoriedad, ellos son de hecho completamente determinísticos. Actualmente, casi todas las computadoras incluyen en sus programas de biblioteca alguna variante de los métodos congruenciales sugeridos por Lehmer. Los dos métodos congruenciales más populares son: congruencial mixto y congruencial multiplicativo. Congruencial Mixto. Los generadores congruenciales lineales generan una secuencia de números Pseudoaleatorios en la cual el próximo número pseudoaleatorio es determinado a partir del último número generado, es decir, el número pseudoaleatorio X n+1 es el derivado a partir del número pseudoaleatorio X n. Para el caso particular del generador congruencial mixto, la relación de recurrencias en la siguiente: X n+1 =(ax n + c) mod m.. Ec. 1 Dónde: X 0 = la semilla (X 0 > 0) a = el multiplicador (a > 0) c = constante aditiva (c > 0) m = el módulo (m > X 0,m > a y m > c) Ésta relación de recurrencia nos dice que X n+1 es el residuo de dividir ax n + c entre el módulo. Lo anterior significa que los valores posibles de X n+1 son 0, 1, 2, 3,., m 1, es decir, m representa el número posible de valores diferentes que pueden ser generados.
10 Con el propósito de ilustrar la generación de números Pseudoaleatorios a través de este métodos, supongamos que se tiene un generados en el cual los valores de sus parámetros son: a = 5, c = 7, X 0 = 4 y m = 8. Para estos valores, la secuencia de números Pseudoaleatorios y números uniformes (X n+1 / m ) son mostrados en la siguiente tabla, en la cual se puede apreciar el periodo del generador es 8. 9 Después de haber analizado este ejemplo, podría pensarse que el periodo de todo generador es siempre igual a m. Sin embargo, esto es falso porque el periodo depende de los valores asignados a los parámetros a, c, X 0 y m, es decir, se requiere seleccionar valores adecuados para estos parámetros en el fin de que el generador tenga periodo completo. TABLA 2.2. Números Pseudoaleatorios del generador X n+1 = (5 X n + 7) mod 8. N X n (5 X n + 7) / 8 X n+1 Números uniformes /8 3 3/ /8 6 6/ /8 5 5/ / /8 7 7/ /8 2 2/ /8 1 1/ /8 4 4/8 Para ilustrar el caso que se presenta cuando el periodo < m, suponga que se tiene un generador en el cual los valores de sus parámetros son: a = X 0 = c = 7 y m = 10. Para estos valores, la secuencia de números Pseudoaleatorios y números uniformes son mostrados en la siguiente tabla. Como puede apreciarse en esta tabla, el periodo del generador es 4. Esto demuestra que una selección inadecuada de los valores de los parámetros del generador, puede conducirse a obtener resultados indeseables y poco confiables del experimento de simulación.
11 TABLA 2.3: Números Pseudoaleatorios del generador X n+1 = (7 X n + 7) mod N X n (7 X n + 7)/10 X n+1 Números uniformes /10 6 6/ /10 9 9/ / /10 7 7/10 De los ejemplos anteriores, se advierte la necesidad de establecer algunas reglas que pueden ser utilizadas en la selección de los valores de los parámetros, para que el generador resultante tenga periodo completo. Algunas de estas reglas se mencionan a continuación: a) Selección de m. 1. Seleccionar m de modo que sea el modulo primo más grande posible y que a su vez sea menor que p d, donde p es la base del sistema (binario, decimal, hexadecimal, etc.) que está utilizando y d es el número de bits que tiene una palabra de computadora es ese sistema. Por ejemplo, si se tiene una computadora IBM 370 que trabaja en sistema binario, entonces p = 2 y d = Seleccionar m como p d. Cuando m toma este valor se facilita el cálculo del número rectangular (Un = X n /m), ya que solo se correo el punto binario o decimal a la izquierda del número. Sin embargo, se ha comprobado que cuando el modulo toma este valor, los últimos dígitos del número pseudoaleatorio generado no se comportan en forma aleatoria. Para ilustrar el problema que se presenta cuando se utiliza el criterio 2, suponga que se tiene un generador cuyos parámetros son: a = 81, c = 89, X 0 = 5 y m = Para estos valores, la secuencia de números Pseudoaleatorios son mostrados en la siguiente tabla. En esta tabla se puede apreciar el ultimo digito del número pseudoaleatorio tiene un periodo de 10. Esto significa que el último dígito puede ser determinado a partir de la siguiente relación de recurrencia. Y n+1 = (Y n + 9) mod 10
12 TABLA 2.4. Números Pseudoaleatorios del generador X n+1 = (81 X n + 89) mod 100. n X n N X n N X n n X n n X n Del ejemplo anterior, es posible generalizar una relación de concurrencia que relacione los últimos dígitos del número pseudoaleatorio generado. Si m = p d, se encontrado que la relación de recurrencia de los últimos dígitos es la siguiente: Y n+1,i = X n+1 mod P i < d. Ec. 2 Dónde: Y n+1,i = últimos i dígitos del número pseudoaleatorio X n+1 i = últimos i dígitos que se están considerando. El valor de i puede ser 1, 2, 3,, d -1.
13 Por ejemplo si i = 1, la expresión (Ec. 2) permite determinar el valor del último dígito del número pseudoaleatorio X n+1, si i = 2, se determina el valor de los últimos dígitos y así sucesivamente. La expresión (Ec. 2) puede ser manipulada y expresada en función de los últimos dígitos del número pseudoaleatorio inmediato anterior, de acuerdo a lo siguiente: 12 Y n+1,i = X n+1 mod p i Sustituyendo en la expresión anterior la ecuación (1) se obtiene: Y n+1,i = (ax n + c) mod p d mod p i Pero si q es la parte entera que resulta de dividir (ax n + c) / p d, entonces la expresión anterior se transforma en: Y n+1,i = (ax n + c - qp d ) mod p i Y n+1,i = (ax n + c - p d ) mod p i Y n+1,i = ax n mod p i + c mod p i Y como X mod m = (X mod m) mod m, entonces la expresión anterior se transforma en: Y n+1,i = (ax n mod p i ) mod p i + c mod p i Y haciendo uso de la identidad (2.2), la expresión anterior se transforma finalmente en: Y n+1,i = (ay n,i + c) mod p i. Ec. 3 Esta última expresión también tendrá periodo completo (p i ) si el generador tiene un periodo de p d. b) Selección de a El valor seleccionado de a debe de ser entero impar, y además no debe ser divisible por 3 o 5. Sin embargo, si queremos asegurar que el generador tenga periodo completo, el valor de a se debe de seleccionar de acuerdo al siguiente criterio:
14 (a 1) mod 4 = 0 es un factor de m (a 1) mod b = 0 si b es un factor primo de m Usualmente se selecciona a como 2k + 1 cuando se trabaja en sistema binario y 10k + 1 cuando se trabaja en sistema decimal. En ambos casos el valor de k debe ser mayor o igual a c) Selección de c El valor seleccionado para este parámetro puede ser cualquier constante. Sin embardo, si se desean asegurar buenos resultados el valor de c debe ser c mod 8 = 5 si se trabaja en sistema binario y c como mod 200 = 21 si se trabaja en sistema decimal. Más específicamente, el valor de c debe ser un entero impar y relativamente primo a m. d) Selección de X 0 Para el generador congruencial mixto, se ha encontrado que el valor de la semilla es irrelevante, es decir, el valor de este parámetro resulta tener poca o ninguna influencia sobre las propiedades estadísticas de las sucesiones. Finalmente, antes de terminar la discusión de este generador, conviene señalar que existen otras formas matemáticas de representarlo. Tales formas son las siguientes: Ec. 4 X n = a n X 0 + c a n 1 mod m a - 1 X n + k = a n X k + c a n 1 mod m Ec. 5.. a - 1 Con la expresión X n el n-ésimo número pseudoaleatorio se obtiene a partir de la semilla. Con la expresión X n + k el n + k-ésimo numero pseudoaleatorio se obtiene a partir del k- ésimo número, es decir, si por ejemplo n + k = 10 y k = 4, entonces significa que el número pseudoaleatorio 10 se va a obtener a partir del número 4.
15 Congruencial Multiplicativo Al igual que el generador congruencial mixto, el generador congruencial multiplicativo determina el próximo número pseudoaleatorio a partir del último número generado, de acuerdo a la siguiente relación de recurrencia: X n+1 = ax n mod m... Ec Para este generador se recomienda también seleccionar adecuadamente los valores de los parámetros a, X 0 y m, con el fin de asegurar un periodo máximo para las sucesiones generadas por este método. Los valores de estos parámetros dependerán del sistema en que se trabaje, es decir, estos parámetros tomarán valores distintos si se trabaja en sistema decimal, que si se trabaja en sistema binario. Por consiguiente, a continuación se describen las reglas que se recomiendan seguir para seleccionar los valores de a, X 0 y m dependiendo de si el sistema en que se trabaja es binario o decimal. a) Sistema decimal Si se trabaja en sistema decimal, los valores de los parámetros deben ser seleccionados de acuerdo a los siguientes criterios: 1. El valor de la semilla puede ser cualquier entero impar no divisible entre 2 o 5 y debe ser relativamente primo a m. 2. El valor seleccionado de a debe ser obtenido de acuerdo a la siguiente identidad: a = 200t + p donde t es cualquier entero y p es cualquiera de los siguientes valores: 3,11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77, 83, El valor seleccionado de m puede ser 10 d. Si m = 10 y d > 5 el periodo del generador es 5 x 10 d-2. Por otra parte, si m = 10d y d < 5, entonces el periodo del generador se obtiene de acuerdo a la siguiente expresión: Periodo* = Mínimo común múltiplo... Ec. 7
16 Dónde: (2) = 1, (4) = 2 (2 d ) = 2 d-2 si d > 3 (p d ) = p d -1 (p 1) si p > 2 15 *Pi es un factor primo de m. Con el propósito de ilustrar la obtención del periodo para este último caso, analicemos el siguiente generador: X n+1 = 3X n mod 100 y X 0 = 17 Puesto que m puede ser expresado como 10 2 o bien como (2 2 )(5 2 ), entonces el periodo de este generador de acuerdo a la expresión anterior (Periodo*) sería: Periodo = Mínimo Común Múltiplo ( (2 2 )(5 2 ) ) = Mínimo común múltiplo (2,20) = 20 La siguiente tabla muestra la secuencia de números Pseudoaleatorios de este generador. Como se puede apreciar en esta tabla, el periodo del generador es 20. TABLA 2.5. Números Pseudoaleatorios del generador X n+1 = 3X n mod 100 N X n N X n N X n N X n
17 b) Sistema Binario Si se trabaja en sistema binario, los valores de los parámetros deben ser seleccionados de acuerdo a los siguientes criterios: 1. El valor de la semilla puede ser cualquier entero impar relativamente primo a m. 2. El valore seleccionado de a debe ser obtenido a partir de la siguiente expresión: 16 a = 8t + 3 Donde t es cualquier entero. 3. El valor seleccionado de m puede ser 2 d. Si m = 2 d el periodo del generador es 2 d -2 ó m/4. Para ilustrar la obtención del periodo de un generador en sistema binario, suponga que se tiene un generador en el cual los valores de sus parámetros son: a = 5, X 0 = 5 y m = 32. Para estos valores, la secuencia de números Pseudoaleatorios son mostrados en la siguiente tabla. Como se puede apreciar el periodo del generador es 8. TABLA 2.6. Números Pseudoaleatorios del generador X n+1 = 5X n mod 32 n X n n X n
18 2.3 Pruebas de Aleatoriedad 17 Puesto que cualquier variable aleatoria no-uniforme (normal, exponencial, poisson, etc.), es obtenida a partir de números uniformes (0;1), el principal énfasis en pruebas estadísticas deberá ser con respecto al generador de números pseudoaleatorios, ya que cualquier deficiencia estadística en la distribución de la variable aleatoria no-uniforme, se deberá exclusivamente a la utilización de un deficiente generador de números pseudoaleatorios. Por consiguiente a continuación se explican algunas de las muchas pruebas estadísticas que han sido desarrolladas para probar la aleatoriedad de los números pseudoaleatorios. Prueba de los promedios. Quizá la función de densidad de probabilidad más simple es aquella que se caracteriza por ser constante en el intervalo (0;1) y cero fuera de él. Esta función de densidad define la distribución de conocida como uniforme o rectangular. Matemáticamente la función de densidad uniforme se define como: 1 si 0 x 1 f(x) = 0 si 0 > x > 1 En esta expresión, x es una variable aleatoria definida en el intervalo (0;1). Por otra parte, la distribución acumulada F(x), de una variable aleatoria x uniformemente distribuida, se puede obtener como: F(x) = x 0 1 dt = x El valor esperado y la variancia de una variable aleatoria uniformemente distribuida están dados por las siguientes expresiones: E(x) = x 0 x(1)dx = ½ var(x) = x 0 (x ½) 2 (1)dx = 1/12
19 f(x) f(x) x 1 x FIGURA 2.1: Distribución de probabilidad y distribución acumulada de los números uniformes. Conociendo los parámetros de la distribución uniforma, es posible plantear una prueba de hipótesis de promedios, con la cual se trata de probar que los números pseudoaleatorios generados provienen de un universo uniforme con media de 0.5. Más específicamente, una prueba de hipótesis de promedios puede ser planteada de la siguiente forma: Hipótesis nula H 0 : u = 172 Hipótesis alternativa H 1 : u ½ La realización de esta prueba requiere obtener una muestra de tamaño N, es decir, es necesario generar N números pseudoaleatorios. En seguida, su promedio aritmético es evaluado de acuerdo a la siguiente expresión: Ec.. 8 X = U 1 + U 2 + U n N En seguida se determina el valor del estadístico Z 0, utilizando la siguiente expresión: Ec. 9. Z 0 = ( x - ½) N 1/12
20 Si Z 0 < Z /2, entonces no se puede rechazar la hipótesis de los números pseudoaleatorios generados provienen de un universo uniforma con media de 0.5. Para ilustrar la aplicación de esta prueba de hipótesis, considere los números pseudoaleatorios presentados en la tabla 2.7. Para estos números, la media aritmética (aplicando la ecuación de x) resulta ser de , y el estadístico Z 0 resulta ser de: 19 Z 0 = ( ) 100 1/12 = Si se supone un nivel de significado (α) de 5%, entonces Z /2 tiene un valor de 1.96 y puesto que Z 0 < 1.96, entonces no se puede rechazar la hipótesis de que estos números pseudoaleatorios tienen una media de 0.5. TABLA 2.7. Tabla de números pseudoaleatorios
21 Prueba de Frecuencias 20 Probablemente una de las más importante pruebas sobre aleatoriedad de los números pseudoaleatorios es la prueba de las frecuencias. Esta prueba consiste en dividir el intervalo (0;1) en n sub-intervalos (ecuación Z 0 ) para luego comparar para cada subintervalo la frecuencia esperada con la frecuencia observada. Si estas frecuencias son bastantes parecidas, entonces la muestra proviene de una distribución uniforme. El estadístico que se usa en esta prueba es X 2 0 el cual se obtiene de acuerdo a la siguiente expresión: Ec. 10 Dónde: n X 2 0 = (FO i FE i ) 2 i=1 N FO i = Frecuencia observada del i th sub-intervalo. FE i = Frecuencia esperada del i th sub-intervalo (N/n). N = Tamaño de la muestra. n = Número de sub-intervalos. Este estadístico X 2 0 se compara con X 2 α,(n-1), la cual representa a una variable aleatoria chi-cuadrada con (n-1) grados de libertad y un nivel de significado α. Si X 2 0 < X 2 α,(n-1), entonces no se puede rechazar la hipótesis de que la muestra proviene de una distribución uniforme. Frecuencia esperada N/n N/n N/n N/n N/n Frecuencia observada FO1 FO2 FO3 FOn-1 Fon Figura 2.2: Frecuencia esperada y observada de cada sub-intervalo. Por ejemplo, considere los números pseudoaleatorios presentados en la tabla 2.7, y además considere que el número de sub-intervalos es 5, es decir, n = 5. Para este valor
22 de n, la frecuencia esperada de cada sub-intervalo es 20, y las frecuencias observadas son: Frecuencia esperada Frecuencia observada Por consiguiente, aplicando la ecuación (X 2 0) se obtiene: X 2 0 = 1/20 (21-20) 2 + (22-20) 2 + (19-20) 2 + (23-20) 2 + (15-20) 2 = 2 Si se especifica un valor arbitrario de α = 0.05, entonces X = Puesto que X 2 0 < X ,4, entonces no se puede rechazar la hipótesis de que los números pseudoaleatorios presentados en la tabla 2.7 provienen de una distribución uniforme.
23 Prueba de la Distancia Esta prueba puede ser realizada de dos maneras: considerando a los números pseudoaleatorios generados como dígitos, o considerando como números reales. a) Números pseudoaleatorios considerados como dígitos. 22 Si los números pseudoaleatorios generados son considerados como dígitos, entonces la prueba consiste en contar el número de dígitos que aparece entre ocurrencias sucesivas de un mismo dígito. Por ejemplo, ilustra un hueco de tamaño 3 entre los dos cincos. La probabilidad de cada uno de los tamaños de hueco (i = 0, 1, 2.) se obtiene con la siguiente expresión: Pi = 0.1(0.9)i para i = 0, 1, 2, Ec. 11 Sin embargo, como teóricamente el valor del tamaño del hueco puede ser infinito, es conveniente agrupar las probabilidades para valores de i mayores o iguales a un determinado valor de n. Tal sumatoria se obtiene de acuerdo a la siguiente expresión: = = Ec. 12 Con las ecuaciones anteriores se obtienen las frecuencias esperadas para cada tamaño de hueco. La obtención de tales frecuencias se ilustra en la tabla 2.8. Si las frecuencias esperadas y observadas para cada tamaño de hueco son bastante parecidas, entonces se puede decir que los números pseudoaleatorios generados pasan la prueba de la distancia. El estadístico X 2 0 que se usa en esta prueba se obtiene como: = Ec. 13 El cual se compara con X 2 α,n. Si X 2 0 < X 2 α,n, entonces los números pseudoaleatorios pasan la prueba de la distancia. Es muy importante señalar que el valor seleccionado de n, debe ser tal que la suma de las frecuencias esperadas de todos los tamaños de huecos agrupados, sea mayor que 5.
24 TABLA 2.8. Frecuencias esperadas y observadas para los diferentes tamaños de hueco, considerando a los números pseudoaleatorios generados como dígitos. 23 I P i FO i FE i FO 0 FO i (0.1) (0.9) FO 1 FO i (0.1)(0.9) (0.9) 2 FO 2 FO i (0.1)(0.9) I 0.1 (0.9) i FO i FO i (0.1)(0.9) i n (0.9) n FO n FO i (0.9) Total 1.0 FO i FO i b) Números pseudoaleatorios considerados como Números Reales Si los números pseudoaleatorios generados son considerados como números reales, entonces, para realizar esta prueba es necesario seleccionar un intervalo (,β), el cual debe de estar contenido en el intervalo (0;1), es decir, 0 β 1. En seguida, para cada número pseudoaleatorio generado se pregunta si es o no elemento del intervalo (,β). Si U j (número uniforme generado) es elemento de (,β), U j+1 hasta U j+i no son intervalos de dicho intervalo y U j+i+1 vuelve a ser elemento del intervalo (,β), entonces se tiene un hueco de tamaño i. Por ejemplo, si =.3 y β =.5 y los números pseudoaleatorios generados son como sigue: , , , , , entonces el hueco es de tamaño 3. Para el caso de considerar los números pseudoaleatorios generados como números reales, la distribución de probabilidad del tamaño del hueco es como sigue: Pi = θ (1 θ) i para i = 0, 1, 2 Ec. 14
25 Dónde θ = β α representa la probabilidad de caer en el intervalo (,β). Al igual que en el inciso anterior, es conveniente agrupar las probabilidades para valores de i n. Tal agrupación se obtiene con la siguiente expresión: = = Ec Con las ecuaciones anteriores se obtienen las frecuencias esperadas, las cuales aparecen en la siguiente tabla. TABLA 2.9. Frecuencias esperadas y observadas para los diferentes tamaños de hueco, considerando a los números pseudoaleatorios generados como números reales. I P i FO i FE i 0 θ FO 0 FO i (θ) 1 θ (1- θ) FO 1 FO i (θ)(1- θ) 2 θ (1- θ) 2 FO 2 FO i (θ)(1- θ) I θ (1- θ) i FO i FO i (θ)(1- θ) i n (1- θ) n FO n FO i (1- θ) n Total 1.0 FO i FO i Utilizando la ecuación X 2 0 y comparando el resultado obtenido con X 2 α,n. se toma la decisión de aceptar o rechazar la prueba de la distancia. Es muy importante señalar que el valor de α y β no tienen ninguna influencia en la bondad de la prueba, y también es necesario señalar que el valor de n debe ser seleccionado de acuerdo al criterio mencionado en el inciso anterior.
26 Por ejemplo, si se consideran los números pseudoaleatorios presentados en la tabla 2.7, un valor de n = 3 y valores de α =.3 y β =.7, entonces las frecuencias observadas y esperadas para los diferentes tamaños de hueco serían como aparecen en la tabla Para estas frecuencias el valor del estadístico X 2 0 sería: X 2 0 = (11-16) 2 + (12-9.6) 2 + ( ) 2 + (6-8.64) 2 = Si se especifica un valor arbitrario de α = 0.05, entonces X , 3 = Puesto que X 2 0 < X , 3, entonces los números pseudoaleatorios presentados en la tabla 2.7 pasan la prueba de la distancia. TABLA Frecuencias esperadas y observadas para los diferentes tamaños de hueco que originan los números pseudoaleatorios presentados en la tabla 2.7. I P i FO i FE i Total
27 Prueba de Series 26 La prueba de series se utiliza para comprobar el grado de aleatoriedad entre números sucesivos. Usualmente esta prueba consiste en formar parejas de números, las cuales son consideradas como coordenadas en un cuadrado unitario dividido en n2 celdas. Esta idea se puede extender a las ternas de números pseudoaleatorios que representan puntos en un cubo unitario. Sin embargo, en esta sección se analiza solo el caso de dos dimensiones. La prueba de series consiste en generar N números pseudoaleatorios de los cuales se forman parejas aleatorias entre U i y U i+1, es decir, si se generan 10 números, entonces las parejas aleatorias que se pueden formar serían: (U 1, U 2 ), (U 2, U 3 ), (U 3, U 4 ), (U 4, U 5 ), (U 5, U 6 ), (U 6, U 7 ), (U 7, U 8 ), (U 8, U 9 ), (U 9, U 10 ) En seguida, se determina la celda a que pertenece cada pareja ordenada (ver figura 2.3), con lo cual se determina la frecuencia observada de cada celada. La frecuencia esperada de cada celda se obtiene al dividir el total de parejas coordenadas (N-1) por el total de celdas (n 2 ). Finalmente, conocida la frecuencia observada y esperada de cada celda, se obtiene el estadístico X 2 0 como sigue: 2. Ec. 16 Donde FO ij es la frecuencia observada de la celda ij. Si < entonces no se puede rechazar la hipótesis de que los números provienen de una distribución uniforme.
28 Ui+1 1 (n-1)/n 27 3/r 2/n 1/n 1/n 2/n 3/n n-1/n 1 Ui Figura 2.3. Cuadrado unitario con n 2 celdas. Finalmente conviene mencionar que algunos autores han mezclado la prueba de series y la prueba de frecuencias en el siguiente estadístico: = Ec. 17 El cual sigue una distribución chi-cuadrada con (n-1)2 grados de libertad. Si se opta por esta prueba, entonces se compara con. Si <, entonces no se puede rechazar la hipótesis de uniformidad de los números pseudoaleatorios generados. Por ejemplo, si se aplica esta prueba a los números pseudoaleatorios presentados en la tabla 2.7, utilizando un valor de n = 5, entonces se obtienen las frecuencias observadas que aparecen en la figura 2.7. Para estas frecuencias, la aplicación de la ecuación 3.9 produce los siguientes resultados: = 25/99 (5(2-3.96) 2 + 5(3-3.96) 2 + 5(4-3.96) 2 + 6(5 3.96) 2 + 4(6-3.96) 2 ) = 11.86
29 Y seleccionando un valor de α = 0.5, entonces =36.4. Puesto que <, entonces los números pseudoaleatorios presentados en la tabla 2.7 pasan la prueba de uniformidad. 28 Figura 2.4. Frecuencias observadas obtenidas con los nuevos pseudoaleatorios presentados en la tabla 2.7.
30 Prueba de KOLMOGOROV SMIRNOV 29 El procedimiento de Kolmogorov Smirnov prueba la hipótesis de que la distribución acumulada de una variable aleatoria x es F 0 (x). Para probar esta hipótesis, una muestra de tamaño n es obtenida de una distribución continua F(x). En seguida, se determina la distribución acumulada de la muestra, la cual se denota por F n (x). Posteriormente, F n (x) es comparada con la distribución acumulada hipotética F 0 (x). Si F n (x) difiere demasiado de F 0 (x), entonces esto es una amplia evidencia de que F n (x) no es igual a F 0 (x). La aplicación de esta prueba al caso de números pseudoaleatorios uniformes, puede ser descrita en los siguientes pasos: 1. Generar n números pseudoaleatorios uniformes. 2. Ordenar dichos números en orden ascendente. 3. Calcular la distribución acumulada de los números generados con la siguiente expresión: F n (x) = Ec. 18 Donde i es la posición que ocupa el número Xi en el vector obtenido en el paso Calcular el estadístico Kolmogorov Smirnov del modo siguiente (Ver la figura 2.5). D n = máx F n (X i ) X i para toda X i. Ec Si D n < d α,n, entonces no se puede rechazar la hipótesis de que los números generados provienen de una distribución uniforme. La distribución de D n ha sido tabulada (ver tabla 2.11) como una función de n y α para cuando F n (x) = F 0 (x).
31 30 Figura 2.5. Comparación de F 0 (x) para cada valor de x generado.
32 Tabla d α,n para diferentes valores del nivel de significado y del tamaño de la muestra. 31 Tamaño de la muestra dα,n (n) α = 10% α = 5% α = 1% Fórmula aproximada para n>100
33 Para ilustrar una aplicación de esta prueba, considere los números pseudoaleatorios presentados en le tabla 2.7. Para estos números la tabla 2.12 muestra un ordenamiento de dichos números en orden ascendente, los cuales corresponden a la distribución acumulada teórica F 0 (x).también, en esta tabla se muestra la distribución acumulada experimental F n (x). De acuerdo a estas distribuciones, el estadístico kolmogrov smirnov (ecuación 19) resulta ser de: 32 D n = = Y seleccionando un valor de α = 0.05, entonces d 0.05,100 =0.134 (ver tabla 2.11). Puesto que D n d 0.05,100, entonces los números pseudoaleatorios presentados en la tabla 2.7 provienen de una distribución uniforme.
34 Prueba de Póker 33 La prueba de póker examina en forma individual los dígitos del número pseudoaleatorios generado. La forma como esta prueba se realiza, es tomando 5 dígitos a la vez y clasificándolos como: par, dos pares, tercia, póker, quintilla, full y todos diferentes. Lo anterior significa que los números pseudoaleatorios generados son de 5 dígitos cada uno, o bien, en caso de que el número tenga más de 5 dígitos, solamente se concedieran los primeros 5. Las probabilidades para cada una de las manos de póker posibles se muestran en seguida: Todos diferentes = Un par = Dos pares = Tercia = Full = Póker = Quintilla =
35 Tabla Distribución acumulada teórica experimental de los números pseudoaleatorios presentados en la tabla F 0 (x) F n (x) F 0 (x) F n (x) F 0 (x) F n (x) F 0 (x) F n (x) F 0 (x) F n (x) Con las probabilidades anteriores y con el número de números pseudoaleatorios generados, se puede calcular la frecuencia esperada de cada posible resultado, la cual al compararse con la frecuencia observada de cada posible resultado, la cual al compararse con la frecuencia observada produce el estadístico: =. Ec. 20 Si < entonces no se puede rechazar la hipótesis de que los números pseudoaleatorios provienen de una distribución uniforme.
36 Por ejemplo, si se aplica esta prueba a los números pseudoaleatorios presentados en la tabla 2.7, se obtienen las frecuencias observadas que se muestran en la tabla Sin embargo, puesto que las frecuencias esperadas de full, póker y quintilla son menores que 5, entonces es necesario agrupar sus frecuencias con la frecuencia esperada de tercia. Con estas agrupaciones, el valor del (ecuación 20) resulta ser de: = = Y seleccionando un valor de, entonces = Puesto que, entonces no se puede rechazar la hipótesis de que los números pseudoaleatorios presentados en la tabla 2.7 provienen de una distribución uniforme. Tabla Frecuencias observadas y esperadas por cada una de las manos de póker. Frecuencia Observada Frecuencia Esperada Todos diferentes Un par Dos pares Tercia Full Póker Quintilla
37 Prueba de las Corridas Existen dos versiones de la prueba de las corridas: la prueba de corridas arriba y abajo del promedio y la prueba de corridas arriba y abajo. Prueba de corridas arriba y abajo del promedio. 36 La prueba de corridas arriba y abajo del promedio es un caso ligeramente modificado de la prueba de la distancia en la cual y β = En esta versión de la prueba de las corridas, una secuencia de números pseudoaleatorios U 1, U n es generada. En seguida una secuencia binaria es obtenida, en el cual i th término es 0 si U i <0.5 y 1 si U i > 0.5. una vez obtenida la secuencia binaria, el siguiente paso es determinar la cantidad de veces que una misma longitud de corrida se repite (frecuencia observada de la corrida de longitud i). Una sucesión de i ceros (unos), enmarcada por unos (ceros) en los extremos, representa una corrida de longitud i. El número total esperado de corridas y el número esperado para cada tamaño de corrida, se obtienen con las siguientes expresiones: E (total de corridas) =. Ec. 21 FEi =. Ec. 22 Estas frecuencias esperadas son comparadas con las observadas a través de una distribución chi-cuadrada y una decisión sobre la aleatoriedad de los números pseudoaleatorios generados es tomada. a) Prueba de corridas arriba y abajo En la prueba de corridas arriba y abajo, una secuencia de números pseudoaleatorios U 1 Un es generada, y al igual que en el inciso anterior, una secuencia binaria es obtenida, en la cual el i th término es cero si U i < U i+1 y 1 si U i >U i+1. Una vez obtenida la secuencia binaria, se sigue el mismo procedimiento descrito anteriormente y se obtiene la frecuencia observada para cada tamaño de corrida. El número total esperado de corridas y el número esperado para cada tamaño de corrida, se obtienen con las siguientes expresiones:
38 E (total de corridas) =. Ec. 23 FE i = 2 para i < N-1. Ec. 24 FE N-1 = para i = N-1. Ec Finalmente, el estadístico X 0 se determina de acuerdo a la siguiente expresión: = Ec. 26 Donde n es el número de términos de la ecuación anterior. Es importante señalar que en el cálculo del estadístico, la frecuencia esperada para cada tamaño de corrida debe ser mayor o igual a cinco. Si las frecuencias esperadas para corridas de tamaño grande son menores que 5, tales frecuencias se deben agrupar con las adyacentes de tal modo que la frecuencia esperada de los tamaños de corrida sea de al menos 5. Con el propósito de ilustrar una aplicación de esta prueba, considere los números pseudoaleatorios presentados en la tabla 2.7. Para estos números, la secuencia binaria que resulta es la siguiente: A partir de esta secuencia binaria se obtienen las frecuencias observadas para cada tamaño de corrida. Estas frecuencias, así como las esperadas se muestran en la tabla De acuerdo a estas frecuencias, el valor del estadístico resulta ser de: = + + = 6.04 Y seleccionando un valor de entonces = Puesto que, entonces se rechaza la hipótesis de uniformidad de los números pseudoaleatorios presentados en la tabla 2.7.
39 Tabla Frecuencias esperadas y observadas para cada uno de los tamaños de corrida. Tamaño de Corrida Frecuencia Observada Frecuencia Esperada
40 2.4 Método de Monte Carlo Cuando un sistema contiene elementos que muestran azar en su comportamiento, se puede aplicar el método Monte Carlo de simulación. La base de la simulación de Monte través del muestreo aleatorio. La técnica se divide en 5 sencillos pasos: Establecer una distribución de probabilidad para las variables importantes. 2. Construir una distribución acumulada de probabilidad para cada variable. 3. Establecer un intervalo de números aleatorios para cada variable. 4. Generar números aleatorios. 5. Simular una serie de ensayos. Examinemos estos pasos unos tras otro: PASO 1. Establecer distribuciones de probabilidad. La idea básica en la simulación de Monte Carlo es generar valores para las variables que componen el modelo que se está estudiando. Hay una gran cantidad de variables en los sistemas del mundo real que son probabilísticas por naturaleza, y que podemos querer simular. Por nombrar solo algunas: La demanda de inventario diaria o mensual. El plazo de entrega de los pedidos de inventario. Los tiempos entre las llegadas a unas instalaciones de servicio. Los tiempos de servicio. Los tiempos para completar las actividades de un proyecto. El número de empleados ausentes del trabajo diariamente. Una manera común para establecer una distribución de probabilidad de una variable dad es mediante el examen de los datos históricos. La probabilidad o frecuencia relativa, de cada resultado posible de una variable se encuentra al dividir la frecuencia de la observación ente el número total de observaciones.
41 Ejemplo: La demanda diaria de neumáticos radiales en Barry s Auto Tire durante los pasados 200 días se muestra en las columnas 1 y 2 de la tabla Podemos convertir esta demanda en una distribución de probabilidad ( si suponemos que las tasas de llegadas pasadas se mantendrían en el futuro) dividiendo cada frecuencia de demanda por la demanda total, 200. El resultado se muestra en la columna PASO 2. Construir una distribución acumulada de probabilidad para cada variable. La conversión de una distribución de probabilidad regular, tal como la que aparece en la columna 3 en la tabla 2.15 a una distribución acumulada de probabilidad es un trabajo sencillo. En la columna 4, vemos que la probabilidad acumulada para cada nivel de demanda en la suma del número en la columna de probabilidad (columna 3) sumando a la probabilidad acumulada anterior. PASO 3. Establecer intervalos de números aleatorios. Una vez que hemos establecido la distribución de probabilidad acumulada de cada variable que se incluye en la simulación, debemos asignar un conjunto de números que represente a cada valor o resultado posible. Estos se denominan intervalos de números aleatorios. Básicamente, un número aleatorio es una serie de dígitos (digamos, dos dígitos de 01, 02, 98,99,00) que han sido seleccionados mediante un proceso totalmente aleatorio.
42 Tabla 2.15 Demanda de Barry s Auto Tire. (1) (2) (3) (4) 41 Demanda de Probabilidad de Probabilidad Frecuencia Neumáticos Ocurrencia Acumulada /200= /200= /200= /200= /200= /200= días 200/200=1.00 Si existe una probabilidad del 5% de que la demanda de un producto (como los neumáticos radiales de Barry) sea de 0 unidades por día, entonces desearemos que el 5% de los números aleatorios disponibles correspondan a una demanda de 0 unidades. Si se utiliza un total de 100 números de los dígitos de la simulación, se podría asignar una demanda de 0 unidades a los primeros cinco números aleatorios: 01, 02, 03, 04 y 05. Entonces se puede crear una demanda acumulada simulada de 0 unidades cada vez que se elija uno de los números de 01 a 05. Si existe también una probabilidad del 10% de que la demanda del mismo producto sea una unidad por día, se puede hacer que los siguientes 10 números aleatorios (06, 07, 08, 09, 10, 11, 12, 13, 14 y 15) representen esa demanda y así sucesivamente para los otros niveles de demanda-. De forma similar, en la tabla 2.15 podemos observar que la longitud de cada intervalo de la derecha corresponde a la probabilidad de cada una de las posibles demandas diarias. Por lo tanto, al asignar números aleatorios a la demanda diaria de tres neumáticos radiales, el rango del intervalo de números aleatorios (36 a 65) corresponde exactamente a la probabilidad (o proporción) de ese resultado. Una demanda diaria de tres neumáticos radiales sucede el 30% de las veces. Cualquiera de los 30 números aleatorios que van del 35 hasta el 65 incluido están asignados a ese evento.
43 PASO 4. Generar números aleatorios. Los números aleatorios pueden generarse para problemas de simulación de dos maneras. Si el problema es grande y el proceso que se está estudiando implica muchas pruebas de simulación, existen programas de computador disponibles para generar los números aleatorios necesarios. Si la simulación se hace a mano, los números pueden seleccionar de una tabla de números aleatorios. 42 Tabla La asignación de Intervalos de Números Aleatorios para Barry s Auto Tire. Demanda Diaria Probabilidad Intervalo de Probabilidad Números Acumulada Aleatorios hasta hasta hasta hasta hasta hasta 00 PASO 5. Simular el experimento. Podemos simular los resultados de un experimento mediante la simple selección de números aleatorios de la tabla 2.17, empezando por cualquier lugar de la tabla, vemos el intervalo de la tabla, vemos el intervalo de la tabla 2.16 en el que cae cada número. Por ejemplo, si el número aleatorio escogido es el 81 y el intervalo 66 a 85 representa una demanda diaria de cuatro neumáticos, entonces seleccionamos una demanda de cuatro neumáticos.
4. 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 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 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 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 detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
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 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 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 detallesSISTEMAS DE NUMERACION
SISTEMAS DE NUMERACION INTRODUCCION El número de dígitos de un sistema de numeración es igual a la base del sistema. Sistema Base Dígitos del sistema Binario 2 0,1 Octal 8 0,1,2,3,4,5,6,7 Decimal 10 0,1,2,3,4,5,6,7,8,9
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesSistemas Numéricos Transversal de Programación Básica Proyecto Curricular de Ingeniería de Sistemas
1 Sistemas Numéricos 2013 Transversal de Programación Básica Proyecto Curricular de Ingeniería de Sistemas 2 Introducción Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar
Más detallesTeoría del muestreo. Tipos de muestras
Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más 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 detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 1 Representación de la Información
Más detallesAritmética de Enteros
Aritmética de Enteros La aritmética de los computadores difiere de la aritmética usada por nosotros. La diferencia más importante es que los computadores realizan operaciones con números cuya precisión
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles4.1. Polinomios y teoría de ecuaciones
CAPÍTULO 4 Polinomios y teoría de ecuaciones 4.1. Polinomios y teoría de ecuaciones Un polinomio real en x, o simplemente polinomio en x es una expresión algebraica de la forma a n x n + a n 1 x n 1 +
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
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 detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
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 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 detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesGuía práctica de estudio 06: Lenguaje binario
Guía práctica de estudio 06: Lenguaje binario Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 06: Lenguaje binario
Más detallesMETODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010
METODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2011 Índice 1. Antecedentes Generales 1 2. Metodología
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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
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 detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
Más detalles1.- Para cada uno de los siguientes problemas escribir el diagrama de flujo y el pseudocódigo de un programa que lo resuelva:
1.- Para cada uno de los siguientes problemas escribir el diagrama de flujo y el a) Problema: pedir la base y la altura de un triángulo y escribir su superficie. b) Problema: pedir cuatro números enteros
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
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 detallesINSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA Pobre del estudiante que no aventaje a su maestro. LA LÍNEA RECTA Leonardo da Vinci DESEMPEÑOS Identificar, interpretar, graficar
Más detallesMEDIDAS DE TENDENCIA CENTRAL O DE PRECISIÓN
MEDIDAS DE TENDENCIA CENTRAL O DE PRECISIÓN Cuando se analiza un conjunto de datos, normalmente muestran una tendencia a agruparse o aglomerarse alrededor de un punto central. Para describir ese conjunto
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesDepartamento de Matemáticas, CCIR/ITESM. 9 de febrero de 2011
Factorización LU Departamento de Matemáticas, CCIR/ITESM 9 de febrero de 2011 Índice 26.1. Introducción............................................... 1 26.2. Factorización LU............................................
Más detallesSistemas Numéricos y Códigos Binarios
Sistemas Numéricos y Códigos Binarios Marcelo Guarini Departamento de Ingeniería Eléctrica, 5 de Abril, 5 Sistemas Numéricos en Cualquier Base En el sistema decimal, cualquier número puede representarse
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesNOTACIÓN O GRANDE. El análisis de algoritmos estima el consumo de recursos de un algoritmo.
NOTACIÓN O GRANDE El análisis de algoritmos estima el consumo de recursos de un algoritmo. Esto nos permite comparar los costos relativos de dos o más algoritmos para resolver el mismo problema. El análisis
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CSI/ITESM 20 de agosto de 2008 Índice 121 Introducción 1 122 Transpuesta 1 123 Propiedades de la transpuesta 2 124 Matrices
Más detallesTablas de frecuencias con datos agrupados
Tablas de frecuencias con datos agrupados Cuando los valores de la variable son muchos, conviene agrupar los datos en intervalos o clases para así realizar un mejor análisis e interpretación de ellos.
Más detallesMatriz de Insumo - Producto
Matriz de Insumo - Producto Introducción En esta sección vamos a suponer que en la economía de un país hay sólo tres sectores: industria (todas las fábricas juntas), agricultura (todo lo relacionado a
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesc). Conceptos. Son los grupos o conceptos que se enlistan en las filas de la izquierda de la tabla
Tema 5. Tablas estadísticas Como ya se había establecido en el tema anterior sobre el uso de las tablas estadísticas, éstas son medios que utiliza la estadística descriptiva o deductiva para la presentación
Más detallesINTEGRACIÓN NUMÉRICA
INTEGRACIÓN NUMÉRICA En los cursos de Cálculo Integral, nos enseñan como calcular una integral definida de una función contínua mediante una aplicación del Teorema Fundamental del Cálculo: Teorema Fundamental
Más detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesUna ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
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 detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
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 detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesFUNCIÓN BÁSICA DEL SENO Y DEL COSENO, GRÁFICAS Y CARACTERÍSTICAS
FUNCIÓN BÁSICA DEL SENO Y DEL COSENO, GRÁFICAS Y CARACTERÍSTICAS Sugerencias para quien imparte el curso: Es importante que la interacción con los alumnos dentro del salón de clases sea lo más activa posible,
Más detallesTema 3. Electrónica Digital
Tema 3. Electrónica Digital 1.1. Definiciones Electrónica Digital La Electrónica Digital es la parte de la Electrónica que estudia los sistemas en los que en cada parte del circuito sólo puede haber dos
Más detallesCAPITULO 6. Análisis Dimensional y Semejanza Dinámica
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica Debido a que son pocos los flujos reales que pueden ser resueltos con exactitud sólo mediante métodos analíticos, el desarrollo de la mecánica de fluidos
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesUnidad III: Estadística descriptiva
Unidad III: Estadística descriptiva 3.1 Conceptos básicos de estadística: Definición, Teoría de decisión, Población, Muestra aleatoria, Parámetros aleatorios TEORÍA DE DECISIÓN Estudio formal sobre la
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesSESIÓN N 07 III UNIDAD RELACIONES Y FUNCIONES
SESIÓN N 07 III UNIDAD RELACIONES Y FUNCIONES RELACIONES BINARIAS PAR ORDENADO Es un arreglo de dos elementos que tienen un orden determinado donde a es llamada al primera componente y b es llamada la
Más detallesCriterios de divisibilidad y Congruencias
Criterios de divisibilidad y Congruencias Rafael F. Isaacs G. * Fecha: 9 de marzo de 2007 Cuando tenemos un número muy grande escrito en base 10 y deseamos saber si es múltiplo por ejemplo de 9 no necesitamos
Más detallesUNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES En la Sección anterior se abordó contenidos relacionados con las funciones y gráficas, continuamos aprendiendo más sobre funciones; en la presente unidad abordaremos
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 detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesLa recta en el plano.
1 CONOCIMIENTOS PREVIOS. 1 La recta en el plano. 1. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas. Representación
Más detallesTeoría de Números. Divisibilidad. Olimpiada de Matemáticas en Tamaulipas
Teoría de Números Divisibilidad Olimpiada de Matemáticas en Tamaulipas 1. Introducción Divisibilidad es una herramienta de la aritmética que nos permite conocer un poco más la naturaleza de un número,
Más detallesUn paquete de problemas de potenciación
Un paquete de problemas de potenciación Betina Zolkower- Adriana Rabino- Ana Bressan A continuación se presenta una serie de problemas de potenciación y distintas estrategias de resolución. Betina Zolkower
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 detallesClase 1: Primalidad. Matemática Discreta - CC3101 Profesor: Pablo Barceló. P. Barceló Matemática Discreta - Cap. 5: Teoría de números 1 / 32
Capítulo 5: Teoría de Números Clase 1: Primalidad Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 5: Teoría de números 1 / 32 Teoría de números En esta parte
Más detallesContinuación Números Naturales:
Continuación Números Naturales: Múltiplos y divisores de un número natural. Reglas de divisibilidad. Mínimo común múltiplo y Máximo común divisor. Ejercicios de aplicación. Continuación Números Naturales:
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesGráficos estadísticos. Estadígrafo
Tema 12: Estadística y probabilidad Contenidos: Gráficos estadísticos - Estadígrafos de tendencia central Nivel: 4 Medio Gráficos estadísticos. Estadígrafo 1. Distribución de frecuencias Generalmente se
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesUso de las medidas de dispersión en un análisis de datos
Grado 11 Matematicas - Unidad 5 Un análisis de información con criterios estadísticos Tema Uso de las medidas de dispersión en un análisis de datos Nombre: Curso: El uso de la información estadística va
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Son valores numéricos que localizan e informan sobre los valores medios de una serie o conjunto de datos, se les considera como indicadores debido a que resumen la información
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Generalidades Definición [Sistema de ecuaciones lineales] Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto de m igualdades
Más detallesSe inicia con las especificaciones del módulo fotovoltaico.
Con base en las especificaciones técnicas del inversor SB 3000U y de un módulo fotovoltaico de 175 watts, indicar los valores los parámetros característicos requeridos para el dimensionamiento del sistema.
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesAPUNTES DE FUNDAMENTOS DE MATEMATICA. CASO I: Cuando todos los términos de un polinomio tienen un factor común.
FACTORIZACION DE POLINOMIOS. CASO I: Cuando todos los términos de un polinomio tienen un factor común. Cuando se tiene una expresión de dos o más términos algebraicos y si se presenta algún término común,
Más detallesAplicaciones de Sistemas de Ecuaciones Lineales
Aplicaciones de Sistemas de Ecuaciones Lineales Departamento de Matemáticas, CCIR/ITESM 10 de enero de 2011 Índice 3.1. Introducción............................................... 1 3.2. Objetivo.................................................
Más detalles