Modelos Estocásticos. Breve introducción
|
|
- Natividad Quintana Arroyo
- hace 6 años
- Vistas:
Transcripción
1 Modelos Estocásticos Breve introducción
2 Definición Se denomina estocástico (del latín stochasticus: "hábil en hacer conjeturas") a un sistema cuyo comportamiento es intrínsecamente no determinístico: no se puede predecir con exactitud cuál será el próximo valor que arrojará el sistema El comportamiento de un sistema estocástico puede ser el resultado conjunto de la acción de elementos predecibles y elementos aleatorios.
3 Por qué los fenómenos son estocásticos? Las variables en sí son perturbadas o siguen comportamientos estocásticos Los parámetros del sistema son perturbados de forma estocástica Si tuviéramos conocimiento completo del sistema, seguirían existiendo variables aleatorias?... o variables determinísticas?. El movimiento de la hormiga es aleatorio??
4 Para qué simular fenómenos estocásticos? Estimar las características de la respuesta de un sistema probabilístico: asumiendo que el mismo es estacionario (clasificación fenomenológica de las señales) Encontrar la dispersión de la distribución tendencia central probar una probabilidad nula
5 Sistemas intrínsecamente probabilísticos Ej.Modelos de Markov: la dinámica del sistema puede darse sólo en determ. estados, la transición es probabilística Simulación de fenómenos estocásticos Agregar aleatoriedad a un modelo determinístico (parámetros y/o variables de estado)
6 Métodos Monte Carlo Una clase de algoritmos computacionales que se basan en repetir muestreo aleatorio calcular los resultados Guerra naval! AGs? Permiten simular sistemas físicos y/o matemáticos complejos: sistemas con muchos grados de libertad acoplados (fluidos) sistemas inherentemente estocásticos estructuras celulares o macromoleculares canales de membrana
7 Métodos Monte Carlo Todos poseen el siguiente conjunto de pasos: 1. Definir el dominio de las posibles entradas 2. Generar entradas de forma aleatoria usando una determinada distribución de probabilidades 3. Generar el cómputo determinístico de los resultados 4. Superponer los resultados de los cómputos individuales para obterner el resultado final x Juego Guerra Naval
8 Monte Carlo: método de fuerza bruta Ejemplo clásico: Área debajo de una curva. Dada un área A fácil de medir, que contiene una curva f(x) difícil de integrar, se puede calcular el área debajo de la curva mediante la generación N veces de dos números aleatorios (x, y) que representen las coordenadas. Se cuentan los puntos por encima y por debajo de la curva. y f(x) Este argumento se puede aplicar también a volúmenes. El error del cálculo es proporcional a: 1/ N x f ( x) dx A n o de puntosbajo la curva o n de puntos
9 Monte Carlo: método de la fuerza bruta Aplicado a modelización: Múltiples objetos con dinámicas aleatorias Cuando necesitamos estimar las características probabilísticas de la respuesta del modelo (por ej. tendencia central y dispersión de distribución) EEG, secuencias de Bases, etc.
10 Variables pseudoaleatorias Generación de Series de Números Aleatorios Rol preponderante en el proceso de simulación. Para simular necesitamos de números aleatorios como semillas para generar muestras de V.A. Características de un generador : 1. Distribución Uniforme. pdf 2. NO Correlación Serial. v Las computadoras son Sistemas Determinísticos
11 Generación de Series de Números Aleatorios X i+1 =(ax i +c) mod m Tabla de Nros. aleatorios Fenómenos Físicos Procedimientos Matemáticos Números Aleatorios Validación de Series de NA Variables U(0,1) Variables Aleatorias
12 Series de Nros. Aleatorios ideales 1. Distribución Uniforme. Cualquier número que pertenezca al rango de interés debe tener la misma probabilidad de resultar sorteado. 2. NO Correlación Serial. La aparición de un número en la secuencia, no afecta la probabilidad de que aparezca otro (o el mismo) número.
13 Ejemplo La sucesión 1,2,3,4,5,1,2,3,4,5,1,2,3,4,5... es uniforme pero está correlacionada. Si dos sucesiones están negativamente correlacionadas, entonces que x i y y i sean grandes es un evento poco probable Existen Tests que verifican las condiciones de uniformidad y correlación serial...
14 Series de Números Aleatorios TOUR DE COMPUTABILIDAD Y ALLÍ TENEMOS NUESTRO GENERADOR DE NUMEROS ALEATORIOS NUEVE NUEVE NUEVE NUEVE NUEVE NUEVE ESTÁ SEGURO QUE SON ALEATO- RIOS? ESE ES EL PROBLEMA CON LA ALEATORIE- DAD: NUNCA SE PUEDE ESTAR SEGURO. Colección DIEHARD de tests de aleatoriedad (George Marsaglia, Otros tests de aleatoriedad y generadores alternativos de números aleatorios (
15 Series de números aleatorios número aleatorio. serie de números aleatorios Una sucesión de números es aleatoria si no puede reproducirse eficientemente mediante un programa más corto que la propia serie Una sucesión de números es aleatoria si nadie que utilice recursos computacionales razonables en tiempo razonable puede distinguir entre la serie y una sucesión verdaderamente aleatoria de una forma mejor que tirando una moneda fiel para decidir cuál es cuál
16 Serie de Números Aleatorios Son números que deben cumplir los requisitos de espacio equiprobable, es decir, que todo elemento tenga la misma probabilidad de ser elegido y que la elección de uno no dependa de la elección del otro.
17 Propiedades deseables de un Generador de Nro. Aleatorio 1. Uniformemente distribuidos. 2. Estadísticamente independientes (no correlación). 3. Periodo largo (sin repetición). 4. Reproducibles y mutables. 5. Sencillo en su implementación. 6. Portabilidad. 7. Método rápido de generación. 8. Poca memoria para la generación.
18 Mecanismos de generación Tablas de números aleatorios RAND (1955), 100,000 números aleatorios (ruido electrónico) Fenómenos físicos Ruido blanco producido por circuitos electrónicos Recuento de partículas emitidas Lanzamiento de monedas Rueda de la fortuna Procedimientos matemáticos Se usan algoritmos para la generación de números aparentemente aleatorios, se entrega una semilla y se generan los sucesores mediante una función 1. Uniformemente distribuidos. 2. Estadísticamente independientes. 1. Periodo largo (sin repetición). 1. Reproducibles y mutables. 2. Sencillo en su implementación. 3. Portabilidad. 1. Método rápido de generación. 2. Poca memoria para la generación.
19 Otros números aleatorios naturales Otra opción es el uso de observaciones del mundo real en la generación de números al azar. Ejemplos: Uso de la temperatura dentro de la computadora: Decide un límite de temperatura T. Si la temperatura actual es mayor que T, la salida es uno. Si la temperatura es menor o igual a T, la salida es cero. Uso del reloj de la computadora: Toma el último dígito D de la hora actual. Disco rígido Si D es par, la salida es cero. Si D es impar, la salida es uno....
20 Números aleatorios Existen algoritmos para generar números pseudo-aleatorios, es decir, que parecen como si hubieran sido generados totalmente al azar, aunque no lo son. Un ejemplo: X t+1 = X t 2 mod Un ejemplo más simple (aritmética entera): X t+1 = (a X t + c) mod m generador lineal congruencial (GLC) de Lehmer, 1948 En computadoras IBM a=314, 159, 269; c=453, 806, 245; m= Con m= genera enteros de hasta 32 bits Si se mantienen las constantes las secuencias son correlacionadas
21 Una secuencia de ejemplo Asignamos en el método de Lehmer X 0 = 6, a = 21, c = 3 y m = 100: X 1 = (21 * 6 + 3) mod 100 = 129 mod 100 = 29 Secuencia generada: 6, 29, 12, 55, 58, 21, 44, 27, 70, 73, 36, 59, 42, 85, 88, 51, 74, 57, 0, 3, 66, 89, 72, 15, 18, 81, 4, 87, 30, 33, 96, 19, 2, 45, 48, 11, 34, 17, 60, 63, 26, 49, 32, 75, 78, 41, 64, 47, 90, 93, 56, 79, 62, 5, 8, 71, 94, 77, 20, 23, 86, 9, 92, 35, 38, 1, 24, 7, 50, 53, 16, 39, 22, 65, 68, 31, 54, 37, 80, 83, 46, 69, 52, 95, 98, 61, 84, 67, 10, 13, 76, 99, 82, 25, 28, 91, 14, 97, 40, 43 Está combinación nos da números de 0 a 99 y después vuelve a repetir la misma secuencia. Es un algoritmo muy simple por lo cual repite bastante rápidamente. Existen otros muy buenos con cuales no se puede predecir con facilidad qué número es el siguiente habiendo observado los anteriores.
22 Números aleatorios: distribución uniforme 0 x 1 P(x)dx = dx Es el generador básico de números aleatorios. Todos los lenguajes de programación cuentan con uno de estos generadores: Ej. FORTRAN: iseed=1.. x=ran(iseed) Normalmente están basados en generadores lineales congruenciales (GLC)..
23 Método de la inversa de la curva de acumulación No funciona para la distribución normal Método de Box-Muller para Distribuc. Normal Standard z z 1 2 2ln( U 1 ) cos(2 U 2ln( U ) sin(2 U ) ) y sz m
24 Números aleatorios: inversa de la curva de acumulación Con esta configuración de ejes, supongamos que queremos generar números aleatorios que sigan una densidad de probabilidad P(y), que tiene asociada una probabilidad acumulada F(y) (Fig. Numerical Recipes ) si F(y) es invertible, entonces el número aleatorio y=f 1 (x). Por lo tanto, se generan números aleatorios x bajo una distribución uniforme, y se transforman en números aleatorios y bajo la distribución P(y).
25 Método de la Inversa de la Curva de Acumulación 1. Determinar la pdf de x: (f(x)) 2. Integrar para obtener la cdf: (F(x)) Determinar la constante de integración (conociendo F(x)=1 o F(x)=0 u otro) 3. Hacer que F(x) tome valores de distribución uniforme (U(0,1)) 4. Invertir F(x) y obtener x (los valores según la distribución buscada)
26 Ejemplo de método de transformación Ángulo de giro en Insectos 1/ 4 1/ cdf C 0.5 F U 0,1 1/ 4 1/ pdf Distribución tipo Wrapped Cauchy ρ distribución de concentrac. ~ σ ϴ ángulo promedio > Clustering con escarabajos cdf
27 Ejemplo Modelización estocástica de compuertas de canales iónicos
28 Modelo Matemático por En cada instante: 1) Para cada canal: Unidad abierta MonteCarlo α n β n Unidad cerrada 2) Se cuentan todos los N o y los N c 3) 4) 5) g g g k Na L g g k g L N N Na o tot 3 m h 4 dm dt dh dt (1 m) m (1 h) h h m h m α m (v) = 0.1(45+v)/(1-e -((45+v)/10) ), β m (v) = 4e -((70+v)/18), α n (v) = 0.01(v+60)/(1-e -((60+v)/10) ), β n (v) = 0.125e -((70+v)/80) α h (v) = 0.07 e -((70+v)/20), β h (v) = 1/(1+e -((40+v)/10) ) 6) I ap ( t) C m dv dt g K t vt E g t vt E g vt K Na Na L E L
29 Bibliografía Modeling Biological Systems. Principles and applications, J. Haefner, Springer, Computational Cell Biology, Ch. P. Fall, Springer, Numerical recipes Press, Teukolsky, Vetterling, Flannery, Cambridge University Press, Monte Carlo: Concepts, Algorithms, and Applications G. S. Fishman, Springer, Mathematical Modeling of Complex Biological Systems, A. Bellouquid M. Dellitala, Birkhauser, "Computer Modelling of Complex Biological Systems", S. Sitharama Iyengar, CRC Press.
Modelos 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 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 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 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 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 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 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 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 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 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 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 detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesGeneradores 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 detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
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 detallesSimulación computacional de cadenas de Markov
Simulación computacional de cadenas de Markov Presentación basada en el capítulo 3 de Finite Markov Chains and Algorithmic Applications (Häggström, 2002) Sebastián Castro Seminario de Probabilidad y Estadística
Más 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 detallesModelos basados en Agentes FI-UNER
Modelos basados en Agentes FI-UNER Modelos Globales Modelos Locales Modelo de Boids Motivación Necesidad de traslación de cada individuo Necesidad de poder variar la cantidad de células Necesidad de trabajar
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 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 detallesMétodos de muestreo de variables con distribuciones continuas Dr. Ing. JORGE E. NÚÑEZ MC LEOD
Métodos de muestreo de variables con distribuciones continuas Dr. Ing. JORGE E. NÚÑEZ MC LEOD 1. MÉTODO DE LA TRANSFORMADA INVERSA (Simulación Montecarlo) Se desean obtener muestras aleatorias de una variable
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 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 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 detallesSimulación. pseudoalealeatorios
Generación n de números n aleatorios La aplicación de los números aleatorios se remonta a los tiempos de la primera revolución industrial, cuando los procesos manuales tuvieron que reemplazarse por procesos
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
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 detallesGeneradores de números aleatorios
Generadores de números aleatorios Patricia Kisbye FaMAF 23 de marzo, 2010 Para qué se utilizan? Simulación. Muestreo. Análisis numérico. Testeo de programas. Juegos de azar. Toma de decisiones. Secuencias
Más 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 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 detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
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 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 detallesRESUMEN DE ALGORITMOS PROBABILÍSTICOS
RESUMEN DE ALGORITMOS PROBABILÍSTICOS En los algoritmos probabilísticos hay ciertas decisiones que se toman al azar bajo condiciones estadísticamente estables como una distribución uniforme. Normalmente
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesEl Plan de Estudios no establece ningún prerrequisito para poder cursar esta asignatura.
GUÍA DOCENTE DE LA ASIGNATURA TÉCNICAS DE SIMULACIÓN ESTOCÁSTICA 1. Descriptores de la asignatura: Generación de números pseudoaleatorios. Generación de variables aleatorias. Método de Montecarlo y Técnicas
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesIntroducción a la Simulación
Taller de Informática I Introducción a la Simulación Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 1er. Cuatrimestre 2016 Enrique Carlos Segura Introducción
Más 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 detallesCurso de Inteligencia Artificial
Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias
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 detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más 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 detallesSimulación Computacional Tema 1: Generación de números aleatorios
Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle Contenido 1 Introducción 2 3 4 ?Porqué números aleatorios? Uso
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesGeneradores de Números Aleatorios. Jorge Eduardo Ortiz Triviño
Generadores de Números Aleatorios Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http://www.docentes.unal.edu.co/jeortizt/ Contenido: Qué entendemos por secuencia de números aleatorios? Cómo se generan
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesGUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA. Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO
GUIA DE SIMULACION UNIVERSIDAD POLITECNICA DE NICARAGUA Marzo 25, 2011 Autor: KATIA NORELLY MENDOZA FAJARDO Qué es la Simulación? Una definición más formal, es que la simulación es el proceso de diseñar
Más detallesLENGUAJE DE SIMULACION Y SIMULADORES
LENGUAJE DE SIMULACION Y SIMULADORES En un principio, los programas de simulación se elaboraban utilizando algún lenguaje de propósito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la década
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesSistemas de Cifra en Flujo
Sistemas de Cifra en Flujo Cifrador de flujo básico Siguiendo la propuesta de cifrador hecha en 1917 por Vernam, los cifradores de flujo (clave secreta) usan: Una cifra basada en la función XOR. Una secuencia
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 detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesValorización de Bonos Estructurados. Omar Pinedo
Valorización de Bonos Estructurados Omar Pinedo Qué es un bono estructurado? Es un bono que, debido a sus cláusulas, tiene una opción financiera implícita. Se valoriza descomponiendo en: V(Estructurado)=
Más detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesRedes de Petri Estocásticas
Redes de Petri Estocásticas Carlos Aguirre Universidad Autonoma de Madrid, Dpto Ingenieria Informatica Redes Estocásticas Definición: Una red de Petri Estocástica es una red de Petri con transiciones con
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
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 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 detallesFUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS NÚMEROS ALEATORIOS UNIFORMES
FUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS Hay muchos problemas de ingeniería que requieren números aleatorios para obtener una solución. En algunos casos, esos números sirven para crear una simulación
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
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 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 detallesLECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.
LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de
Más detallesUNIVERSIDAD NACIONAL DE RÍO CUARTO FACULTAD DE CIENCIAS EXACTAS, FÍSICO-QUÍMICAS Y NATURALES DEPARTAMENTO DE COMPUTACIÓN
UNIVERSIDAD NACIONAL DE RÍO CUARTO FACULTAD DE CIENCIAS EACTAS, FÍSICO-QUÍMICAS Y NATURALES DEPARTAMENTO DE COMPUTACIÓN CARRERA/S: Licenciatura en Ciencias de la Computación (Cód. 14). PLAN DE ESTUDIOS:
Más detallesEL MÉTODO DE MONTE CARLO Y EL PROGRAMA DE CÓMPUTO MCNPX.
CAPÍTULO 2 EL MÉTODO DE MONTE CARLO Y EL PROGRAMA DE CÓMPUTO MCNPX. Para poder realizar el análisis del combustible del GT-MHR se utilizará uno de los más poderosos métodos de física de reactores nucleares,
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
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 detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
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 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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesMetodología de Simulación por Computadora
SIMULACIÓN Metodología de Simulación por Computadora Clasificación del sistema 1. Sistemas de eventos discretos. Los estados del sistema cambian sólo en ciertos puntos del tiempo. Por ejemplo, si se observa
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más 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 detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesModelos del Lenguaje. Qué es un ML? Modelos basados en N-gramas Modelos basados en Gramáticas Propuesta de T.D
Modelos del Lenguaje Qué es un ML? Modelos basados en N-gramas Modelos basados en Gramáticas Propuesta de T.D Modelos De Lenguaje Qué es un modelo de lenguaje? Mecanismo para definir la estructura del
Más detallesEL4005 Principios de Comunicaciones Clase No.10: Repaso de Probabilidades
EL4005 Principios de Comunicaciones Clase No.10: Repaso de Probabilidades Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 10 de Septiembre de 2010 1 of 29 Contenidos de la Clase
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 detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesMedios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base
Medios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base Curso 28-29. Introducción El objetivo de esta práctica es realizar un programa en Matlab que simule el funcionamiento
Más detallesSimulación Monte Carlo
Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico
Más detallesPROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.
1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto
Más detallesDerivada y diferencial
Derivada y diferencial Una cuestión, que aparece en cualquier disciplina científica, es la necesidad de obtener información sobre el cambio o la variación de determinadas cantidades con respecto al tiempo
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 detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesÍNDICE Capítulo 2 La transformada de Laplace 1 Capítulo 2 Series de Fourier 49 Capítulo 3 La integral de Fourier y las transformadas de Fourier 103
ÍNDICE Capítulo 2 La transformada de Laplace... 1 1.1 Definición y propiedades básicas... 1 1.2 Solución de problemas con valores iniciales usando la transformada de Laplace... 10 1.3 Teoremas de corrimiento
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 detallesAnálisis y Diseño de Algoritmos Tablas de Hash
Análisis y Diseño de Algoritmos Tablas de Hash Guillermo Morales-Luna Arturo Díaz Pérez CONTENIDO 1. Dispersión 2. Funciones de dispersión (a) Método de división (b) Método de multiplicación 3. Direccionamiento
Más detallesDivisión Académica de Informática y Sistemas
Área de formación Integral Profesional Nombre de la asignatura: Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA HCS HPS TH C HTCS TH C TC 1 3 4 4 0 0 0 4 Clave de la asignatura
Más detalles