Análisis de Datos en Física de Partículas
|
|
- Eugenia Cortés Flores
- hace 6 años
- Vistas:
Transcripción
1 Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano Página del curso: curso-analisis-estadistico-de-datos-en-fisica-de-particulas-mf708/ J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 1
2 Análisis de Datos en Física de Partículas: Capítulo 4 1 Teorema de Probabilidad de Bayes, Variables aleatorias, y pdfs 2 Funciones de r.v.s, Valores de expectación, propagación de errores 3 Catálogo de pdfs 4 El método de Monte Carlo 5 Test estadísticos: conceptos generales 6 Test statistics, métodos multivariantes 7 Tests Bondad de ajuste (goodness-of-fit) 8 Parámetros de estimación, maximum likelihood 9 Mas de maximum likelihood 10 Método de mínimos cuadrados (least squares) 11 Intervalo de estimación, establecimiento de límites 12 Parámetros molestos (nuisance), incertidumbres sistemáticas 13 Ejemplos de aproximación Bayesiana J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 2
3 El Método MC Qué es?: una técnica numérica para el cálculo de probabilidades y cantidades relacionadas usando secuencias de números aleatorios. Los pasos habituales: (1) Generar secuencia r 1, r 2,..., r m uniforme en [0, 1]. (2) Use esto para producir otra secuencia x 1, x 2,..., x n distribuida de acuerdo con algún pdf f(x) en el que estemos interesados (x puede ser un vector). (3) Use los valores de x para estimar alguna propiedad de f (x), ej., fracción de valores de x con a<x<b da cálculo MC = integración (al menos formalmente) valores generados MC = datos simulados use para probar los procedimientos estadísticos J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 3
4 Generadores de números aleatorios Objetivo: generar uniformemente valores distribuidos en [0,1] Tirar moneda para ej. número de 32 bits... (muy cansado :( ). generador de números aleatorios = algoritmo de computadora para generar r 1, r 2,..., r n. Ejemplo: generador de congruencia lineal multiplicativo (MLCG) n i+1 = (a n i ) mod m, donde n i = número entero a = multiplicador m = módulo n 0 = semilla ( valor inicial) N.B. mod = módulo (resto), ej. 27 mod 5 = 2. Esta regla genera una secuencia de números n 0, n 1,... J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 4
5 Generadores de números aleatorios (2) La secuencia es (desafortunadamente) periódica! Ejemplo: a = 3, m = 7, n 0 = 1 secuencia se repite Elija a, m para obtener periodos largos (máximo = m-1), en gral. m cerca del mayor entero que puede representar la computadora. Use sólo un subconjunto de un solo período de la secuencia. J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 5
6 Generadores de números aleatorios (3) están en [0, 1] pero son aleatorios? Escoger a, m tal que los r i pasen varios tests de aleatoriedad: distribución uniforme en [0, 1], todos los valores independientes (no correlación entre pares), ej. L Ecuyer, Commun. ACM 31 (1988) 742 sugiere a = m = Mejores generadores disponibles, ej. TRandom3, basado en algoritmo 'twister' de Mersenne, periodo = (un # primo Mersenne ). Ver F. James, Comp. Phys. Comm. 60 (1990) 111 J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 6
7 El método de transformación Dado r 1, r 2,..., r n uniforme en [0, 1], hallar x 1, x 2,..., x n que sigue f(x) encontrando una transformación adecuada x(r). Requiere: es decir Es decir, definir y resolver para x(r). J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 7
8 Ejemplos del método de transformación Exponencial pdf: Definir y resolver para x(r). también funciona.) J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 8
9 El método de aceptación-rechazo Encerrar la pdf en una caja: (1) Generar un número aleatorio x, uniforme en [x min, x max ], es decir r 1 es uniforme en [0,1]. (2) Generar un 2do número aleatorio independentie u uniformemente distribuido entre 0 y f max, es decir (3) Si u < f (x), entonces acepta x. Si no, rechaza x y repite. J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 9
10 Mejorando la eficiencia en el método de aceptación-rechazo La fracción de puntos aceptados es igual a la fracción del área de la caja bajo la curva. Para distribuciones muy puntiagudas, esto puede ser muy bajo y por lo tanto el algoritmo puede ser lento. Mejorarlo encerrando el pdf f(x) en una curva C h(x) que se ajusta a f(x) más de cerca, donde h(x) es una pdf de la que podemos generar valores aleatorios y C es una constante. Generar puntos uniformemente sobre C h(x). Si el punto está debajo f(x), aceptar x. J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 10
11 Generadores de eventos MC Ejemplo simple: e + e µ + µ Generar cosθ y φ: Menos simple: generadores de eventos para variedad de reacciones: e + e - µ + µ, hadrons,... pp hadrons, D-Y, SUSY,... e.g. PYTHIA, HERWIG, ISAJET... Salida = eventos, es decir, para cada evento tenemos una lista de partículas generadas y sus vectores momenta, tipos, etc. J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 11
12 Un evento simulado PYTHIA Monte Carlo pp gluino-gluino J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 12
13 Simulación MD del detector Tomar como entrada la lista de partículas y momenta de generador. Simular la respuesta del detector: multiple Coulomb scattering (generar ángulo de scattering, decaimientos de partículas (generar tiempo de vida media), pérdida de energía por ionización (generar ), cascadas hadrónicas, electromagnéticas producción de señales, respuesta de la electrónica,... Salida = datos raw simulados entrada al software de reconstrucción: hallar trazos (tracking), ajuste (fit), etc. Predice que deberías ver al nivel detector dada una cierta hipótesis para el nivel generador. Comparar con los datos reales. Estimar efficiencias = #eventos hallados / # eventos generados. Paquete de programación: GEANT J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 13
14 Terminando Capítulo 4 Hemos visto el método MC: cálculos basados en secuencias de números aleatorio, usados para simular colisiones de partículas, respuesta del detector. Hasta ahora, hemos estado hablando acerca de probabilidad. Pero supongamos ahora que nos enfrentamos a datos experimentales. Queremos inferir algo acerca de los procesos (probabilística) que produjo los datos. Esto es estadística, el tema principal de las siguientes clases. J. Solano Clases de Análisis de Datos en Física de Partículas Capítulo 4 página 14
Análisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano S. jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más 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 detallesCAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS
CAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS SOFTWARE PARA LA GESTIÓN DE PRODUCCIÓN Y OPERACIONES 10MO IPO LOS NÚMEROS PSEUDOALEATORIOS Para poder realizar una simulación que incluya variabilidad dentro de sus
Más detallesEXPOSICIÓN UNIDAD II
SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesEl Método de Monte Carlo. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El Método de Monte Carlo Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas El método de Monte Carlo es una técnica numérica para calcular probabilidades y otras cantidades relacionadas, utilizando secuencias
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesUNIVERSIDAD DE MANAGUA
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar
Más detallesUniversidad Católica de Valparaíso Facultad de Ingeniería Escuela de Ingeniería de Transporte
1. NÚMEROS ALEATORIOS 1.0 INTRODUCCIÓN El papel que desempeñan las variables aleatorias uniformemente distribuidas en la generación de variables aleatorias tomadas de otras distribuciones de probabilidad,
Más 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 detallesGeneración de números aleatorios con distribución uniforme
Generadores de Números Aleatorios 1 Existen en la actualidad innumerables métodos para generar números aleatorios En la literatura disponible se pueden encontrar gran cantidad de algoritmos. Generación
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesAnálisis de Datos y Probabilidad Grado 9
Análisis de Datos y Probabilidad Grado 9 Estimando el área de un círculo usando simulación 1 Introducción Suponga que tengo un círculo de radio 1 y centro en (0,0) inscrito en un cuadrado cuyos vértices
Más detallesSe puede repetir la misma secuencia de números.
SIMULACION El término simulación se refiere a la construcción de una representación simplificada de un proceso o un sistema físico con el fin de facilitar su análisis, se caracteriza por el hecho de no
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detallesUniversidad de Managua. UdeM
Universidad de Managua. UdeM Simulación de Sistemas Guía #3 Tema: Generar números aleatorios para un modelo de simulación y determinar si los números pseudoaleatorios generados, cumplen con las pruebas
Más detallesMétodos de Montecarlo
Métodos de Montecarlo Física de Astropartículas Master de Física Fundamental Juan Abel Barrio, Curso 11/1 Universidad Complutense de Madrid 1 Detectores de partículas Propiedades generales (1.5 h) Técnicas
Más detallesNombre de la asignatura : Simulación. Carrera : Ingeniería en Sistemas Computacionales. Clave de la asignatura : SCB-9310
1. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura : Simulación Carrera : Ingeniería en Sistemas Computacionales Clave de la asignatura : SCB-910 Horas teoría-horas práctica-créditos : -0-8.
Más detallesAleatoriedad Deterministica Aplicaciones MC
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Aleatoriedad Deterministica Aplicaciones MC Prof: J. Solano 2012-I Introducción Algunos son atraídos a la informática,
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesPROGRAMA ANALÍTICO DE ASIGNATURA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO COORDINACIÓN DE DOCENCIA DIRECCIÓN DE PLANEACIÓN Y DESARROLLO EDUCATIVO PROGRAMA ANALÍTICO DE ASIGNATURA 1.- DATOS GENERALES 1.1 INSTITUTO: Instituto de Ciencias
Más detalles2.2. Fundamentos racionales de la Simulación en computadoras
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL TUCUMÁN DEPARTAMENTO: INGENIERÍA EN SISTEMAS DE INFORMACIÓN CARRERA: INGENIERÍA EN SISTEMAS DE INFORMACIÓN ÁREA: MODELOS ASIGNATURA: SIMULACIÓN NIVEL:
Más detallesSimulación SIMULACIÓN 1
Simulación 1. Ejemplo e introducción a la simulación 2. Ventajas e inconvenientes de la simulación 3. Tipos de sistemas y simulaciones 4. Elementos de la simulación por eventos discretos 5. Simulación
Más detallesTécnicas de Muestreo I
1 / 20 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2017 Números aleatorios 2 / 20 3 / 20 Qué son los números aleatorios? Es una secuencia
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática - Curso 2 Pablo Candela Departamento de Matemáticas (despacho 212) Universidad Autónoma de Madrid pablo.candela@uam.es Introducción 1 / 8 Organización
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detalles5. TEOREMA FUNDAMENTAL: Formulación y Demostración. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Formulación y Demostración Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ 1 CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
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 detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesPresentación. FaMAF. 10 de marzo, 2015
Presentación FaMAF 10 de marzo, 2015 Bibliografía 1. Sheldon M. Ross, Modelos y Simulación, Prentice Hall, 2da. edición, (1999). 2. Sheldon M. Ross, Simulation, Academic Press, 4rd. edition, 2006. 3. Averill
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #3 Generación de muestras de distribuciones de probabilidad de Variables Aleatorias Discretas (VAD) y continuas (VAC) con Stat::Fit
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesINCERTIDUMBRE DE LA MEDIDA
INCERTIDUMBRE DE LA MEDIDA 22 de septiembre de 2017 1. Resultado de la mediciòn 2. Definiciones 3. Por qué se debe estimar la incertidumbre 3. Modelo matemático 4. Valor mejor estimado 5. Dos métodos de
Más detallesCurso: Métodos de Monte Carlo Unidad 4, Sesión 11: Sorteo de variables aleatorias con distribución arbitraria
Curso: Métodos de Monte Carlo Unidad 4, Sesión 11: Sorteo de variables aleatorias con distribución arbitraria Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad
Más detallesTOTAL DE HORAS: Semanas de clase: 5 Teóricas: 3 Prácticas: 2. SERIACIÓN OBLIGATORIA ANTECEDENTE: Ninguna SERIACIÓN OBLIGATORIA SUBSECUENTE: Ninguna
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA: INGENIERÍA EN TELECOMUNICACIONES, SISTEMAS Y ELECTRÓNICA DENOMINACIÓN DE LA ASIGNATURA: Probabilidad y Estadística
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesAproximación funcional. Introducción
Aproximación funcional. Introducción Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es Objetivos Entender
Más detallesTema 8: Métodos de cadenas de Markov Monte Carlo
Tema 8: Métodos de cadenas de Markov Monte Carlo Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Introducción Los métodos de cadenas
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 detallesNombre de la asignatura: Probabilidad y Estadística
1. - DATOS DE LA ASIGNATURA Regresar Nombre de la asignatura: Probabilidad y Estadística Carrera : Mecánico Clave de la asignatura: Clave local: Horas teoría horas practicas créditos: 3-2-8 O B S E R V
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesSimulación a Eventos Discretos. Clase 5: Muestreo de variables aleatorias
Simulación a Eventos Discretos Clase 5: Muestreo de variables aleatorias Muestreos Los problemas que tratamos son estocásticos. No podemos predecir la conducta de los elementos del sistema, pero sí podemos
Más detallesVariables Uniformes. Generadores de variables aleatorias uniformes. Propiedades buscadas. Para qué se utilizan?
Variables Uniformes Generadores de variables aleatorias uniformes Patricia Kisbye FaMAF 7 de marzo, 008 En simulación se utilizan: en forma directa, para generar distribuciones discretas y continuas, para
Más detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesNÚMEROS ALEATORIOS Y PSEUDOALEATORIOS
INSTITUTO TECNOLÓGICO DE CIUDAD VICTORIA MODALIDAD A DISTANCIA UNIDAD II SIMULACIÓN NÚMEROS ALEATORIOS Y PSEUDOALEATORIOS 2.1 Números Aleatorios: definición, propiedades y generadores de tablas En todos
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesTest de suma de rangos
Test de suma de rangos Georgina Flesia FaMAF 4 de junio, 2013 Bondad de ajuste Se tiene una muestra de datos y se quiere contrastar la hipótesis H 0 ) Los datos provienen de la distribución F. Test chi-cuadrado
Más detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Patricia Kisbye FaMAF 30 de marzo, 2010 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesSimulaciones. Modelado y Análisis de Redes de Telecomunicaciones
Simulaciones Modelado y Análisis de Redes de Telecomunicaciones Agenda Introducción Técnicas de simulación Simulación a eventos discretos Precisión de la salida Generación de números aleatorios Monte Carlo
Más detallesUNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: PROBABILIDAD Y ESTADÍSTICA 1 SEMESTRE: V 2 CÓDIGO: 602504 3 COMPONENTE: 4 CICLO: 5 ÁREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: 8 CARÁCTER: Obligatorio 9 CRÉDITOS (RELACIÓN): 3 (1-1) 10
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesQué proporción del área terrestre de Puerto Rico está urbanizada? Análisis de Datos y Probabilidad Grado 9-12
Qué proporción del área terrestre de Puerto Rico está urbanizada? Análisis de Datos y Probabilidad Grado 9-12 Qué proporción del área terrestre de Puerto Rico está urbanizada? 1 Introducción En planificación
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detalles1. OBJETIVOS: Universidad de Belgrano Facultad de Ingeniería y Tecnología Informática. Página 1/6
1. OBJETIVOS: Introducir al alumno en la comprensión de la necesidad y oportunidad de los modelos estadísticos no sólo en la ciencia sino también en la tecnología y en las distintas ramas del saber. Adopte
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesSimulación. Carrera: INE Participantes Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Simulación Ingeniería Industrial INE - 0405 2 2 6 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesGeneradores pseudoaleatorios
Generadores pseudoaleatorios Elvira Mayordomo Universidad de Zaragoza 30 de noviembre de 2015 Elvira Mayordomo (Universidad de Zaragoza) Generadores pseudoaleatorios 30 de noviembre de 2015 1 / 25 Contenido
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
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 detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detalles28/08/2014-16:52:22 Página 1 de 5
- NIVELACION 1 MATEMATICA - NIVELACION FISICA - NIVELACION AMBIENTACION UNIVERSITARIA 1 - PRIMER SEMESTRE 71 REPRESENTACION GRAFICA 1 - PRIMER SEMESTRE 1 INTRODUCCION A LA INGENIERIA Para Cursarla debe
Más 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 detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesInformación general. Obligatoria básica o de fundamentación X. Obligatoria profesional. Horas de trabajo independiente del estudiante
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura E S T A D I S T I C A Código 73210011 Tipo de asignatura Obligatoria X Electiva Tipo de saber Número de créditos
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 detallesEsatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay
Esatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay : santiago.lopez@ucu.edu.uy : 420 - cuarto piso : Viernes 14:00-15:00 pm Marzo-Junio, 2015 Descripción
Más detallesUniversidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas
1 Universidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas Título: Introducción a la Estadística con Computadoras Codificación: MATE 3026 Número de horas
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesAGRO Examen Parcial 2. Nombre:
Densidad Densidad Densidad Densidad Examen Parcial 2 AGRO 5005 Nombre: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro, las tablas con fórmulas y la
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesGeneradores de números pseudoaleatorios
Generadores de números pseudoaleatorios 2 Modelos y Simulación - 2017 Capítulo 1 Números aleatorios 1.1. Clase 5: Generadores de números pseudoaleatorios 1.1.1. Características de un generador de números
Más detallesCuarto Opción B 1.Objetivos
Cuarto Opción B 1.Objetivos _ Conocer el teorema fundamental de la numeración y pasar un número de una base a otra. _ Conocer qué son números congruentes y el concepto de restos potenciales. _ Conocer
Más detalles