Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson
|
|
- Nieves Martínez Herrera
- hace 6 años
- Vistas:
Transcripción
1 Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 25 de abril, 2013
2 Método polar Con este método se generan dos variables normales independientes. Si X e Y son normales estándar independientes, entonces R 2 = X 2 + Y 2, tan(θ) = Y X determinan variables R 2 y Θ independientes. f (x, y) = 1 2π exp( (x 2 + y 2 )/2) f (d, θ) = π e d/2, 0 < d <, 0 < θ < 2π. R 2 y Θ resultan independientes, con R 2 E(1/2) y Θ U(0, 2π).
3 Método polar Método polar Generar U 1, U 2 U(0, 1); R 2 2 log(u); Θ 2πU 2 ; X R cos(θ); Y R sen(θ) Transformaciones de Box-Muller: X 2 log(u 1 ) cos(2πu 2 ) Y 2 log(u 1 ) sen(2πu 2 ) El cálculo de funciones trigonométricas lo hace poco eficiente. Se puede mejorar generando uniformes V 1 y V 2 en el círculo unitario, para evitar el cálculo directo del seno y el coseno.
4 Método polar Generar un par (V 1, V 2 ) uniformemente distribuido en el círculo unitario. U U(0, 1), entonces 2U U(0, 2) y 2U 1 U( 1, 1), V1 = 2U 1 1, V 2 = 2U 2 1, rechazo hasta que entren en el círculo. R 2 = V1 2 + V 2 2 resulta uniforme en (0, 1). Θ = arctan V 2 /V 1 es uniforme en (0, 2π). sen(θ) = V 2 R cos(θ) = V 1 R
5 Método polar Transformaciones de Box Muller S = V V 2 2 X = ( 2 log U) 1/2 V 1 (V V 2 2 )1/2 Y = ( 2 log U) 1/2 V 2 (V V 2 2 )1/2 y Θ son independientes, luego podemos tomar U = S = V V 2 2
6 Método polar Transformaciones de Box Muller Método polar (última versión) repeat Generar V 1, V 2 U( 1, 1); S V1 2 + V 2 2 until S < 1; X Y 2 log S S V 1 ; 2 log S S V 2 X = ( 2 log S) 1/2 V 1 S 1/2 Y = ( 2 log S) 1/2 V 2 S 1/2
7 Generación de v. a. normales Existen otros métodos de generación de v. a. normales. Uno de ellos es el método rectangle-wedge-tail: Z, Z N(0, 1) 15 rectángulos ( 92%) 15 triángulos. 1 cola. Método de composición: 15 distr. uniformes. 16 restantes: método de rechazo. Referencia: Donald E. Knuth, Seminumerical Algorithms, p.p. 122 en adelante.
8 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza en cero N(t 1 ) 0 N(t n ) N(t n 1 ) t 2 t 3 t 1 t n 1 t n En dos intervalos de tiempo disjuntos, las variables número de llegadas son independientes. La distribución del número de llegadas depende sólo de la longitud del intervalo. N(s) N(t + s) N(t), s < t.
9 Ocurrencia de 1 o más eventos La probabilidad de que ocurra un evento en un intervalo de tiempo pequeño es proporcional al tamaño del intervalo. Constante = λ. P(N(h) = 1) lim = λ, h 0 h La probabilidad de ocurrencia de dos o más eventos en un intervalo muy pequeño es cero. P(N(h) 2) lim = 0. h 0 h
10 Consecuencias Supongamos que N(t) es el número de llegadas en el intervalo de tiempo [0, t], que forma un proceso de Poisson de tasa λ. Entonces, la distribución de cada N(t) es Poisson de tasa λt e 1 e 2 e 3 e n 1 e n X 2 X 1 X 3 X n {X j }, la sucesión de tiempos entre llegadas, son v.a. independientes, igualmente distribuidas, con distribución exponencial con parámetro λ. X i E(λ), i = 1, 2,.... S n el tiempo hasta la n esima legada es Gamma de parámetros (n, λ).
11 Generación de un Proceso de Poisson homogéneo e 1 e 2 e 3 e n 1 e n X 2 X 1 X 3 X n Para generar los primeros n eventos de un Proceso de Poisson homogéneo, generamos exponenciales X i E(λ), 1 i n: Primer evento: al tiempo X 1. j-ésimo evento: al tiempo X 1 + X X j, para 1 j n. Para generar los eventos en las primeras T unidades de tiempo, generamos eventos hasta que j + 1 excede a T.
12 Proceso de Poisson homogéneo: Primer método Generacion de eventos en el intervalo t 0, I 0; while true do Generar U U(0, 1); if t 1 λ log U > T then stop else t t 1 λ log U; I I + 1; S[I] t end end I: número de eventos. S[I]: tiempo en el que ocurre el evento I. S[1], S[2],..., están en orden creciente.
13 Proceso de Poisson homogéneo: Segundo método Supongamos quiero generar los primeros tiempos de arribo hasta t = T. La variable N(T ) es el número de eventos hasta el tiempo T, con distribución Poisson λt. Dado N(T ), la distribución de los tiempos de arribo en un Proceso de Poisson homogéneo de razón λ es uniforme en (0, T ). Luego, para generar los eventos hasta el tiempo T : Generar una v. a. Poisson de media λt, y tomar n = N(T ). Generar n v. a. uniformes U 1, U 2,..., U n. Los tiempos de arribo son: TU 1, TU 2,..., TU n. Notar que deben ordenarse los tiempos de arribo.
14 El proceso de Poisson no homogéneo N(t), t 0 es un proceso de Poisson no homogéneo con función de intensidad λ(t), t 0, si: N(0) = 0 para cada n 1 y cada partición 0 t 0 < t 1 < < t n se tiene que N(t 0 ), N(t 1 ) N(t 0 ),..., N(t n ) N(t n 1 ) son variables aleatorias independientes. lim h 0 P(N(t + h) N(t) = 1) h = λ(t), lim h 0 P(N(t + h) N(t) = 1) 2) h = 0.
15 Número de eventos en (t, t + s] Proposición Para cada t 0 y s > 0 se tiene que N(t + s) N(t) es una variable aleatoria Poisson con media m(t + s) m(t) = t+s t λ(x) dx. Corolario Si λ(t) = λ (es constante), N(t + s) N(t) es una variable aleatoria Poisson con media λt.
16 Poisson homogéneo y Poisson no homogéneo Supongamos que Existen eventos del tipo A y eventos del tipo B. Independientemente de lo que ocurrió antes, si ocurre un evento del tipo A entonces ocurre uno del tipo B con probabilidad p(t). N(t)= número de eventos del tipo A en [0, t] M(t)= número de eventos del tipo B en [0, t]. Proposición Si (N(t)) t 0 es un proceso de Poisson homogéneo con razón λ > 0, entonces M(t) t 0 es un proceso de Poisson no homogéneo con función de intensidad λ(t) = λ p(t), t > 0.
17 Poisson homogéneo y Poisson no homogéneo El proceso M(t) cumple con las condiciones de comenzar en el cero, tener incrementos independientes y probabilidad nula de observar instantáneamente mas de un evento. Para ver la tasa instantánea de observar un evento P(1 evento del tipo B en [t, t + h]) = P(un evento y es de tipo B) + P(dos o mas eventos y exactamente uno es de tipo B) λhp(t)
18 Generación de un Proceso de Poisson no homogéneo Algoritmo de adelgazamiento En un Proceso de Poisson no homogéneo, con intensidad λ(t), los incrementos no son estacionarios, la intensidad λ(t) indica la tasa de ocurrencia de los eventos, si λ(t) λ, entonces λ(t) = λ p(t) con p(t) = λ(t) λ < 1, podemos considerar p(t) = λ(t)/λ como la probabilidad de ocurrencia de un cierto evento de un Proceso de Poisson homogéneo de razón λ, y "adelgazar" el proceso homogéneo para obtener el proceso no homogeneo de intensidad λp(t).
19 Algoritmo de adelgazamiento Generación de eventos en el intervalo t 0, I 0; while true do Generar U U(0, 1); if t 1 λ log U > T then stop else t t 1 λ log U; Generar V ; if V < λ(t)/λ then I I + 1; S[I] t end end end I: número de eventos. S[1], S[2],...,: tiempos de eventos. El algoritmo es más eficiente cuánto más cerca esté λ de λ(t).
20 Proceso de Poisson no homogéneo Método de adelgazamiento mejorado Un mejora consiste en particionar el intervalo (0, T ) en subintervalos, y aplicar el algoritmo anterior en cada uno de ellos: 0 = t 0 < t 1 < < t k < t k+1 = T λ(s) λ j, si j 1 s < j
21 Proceso de Poisson no homogéneo t 0; J 1; I 0; while true do Generar U U(0, 1); X 1 λ J log U; while t + X > t J do if J = k + 1 then stop end X (X t J + t) λ J λ J+1 ; t t J ; J J + 1 end t t + X; Generar V U(0, 1); if V < λ(t)/λ J then I I + 1; S[I] t end end I: número de eventos. S[1], S[2],...,: tiempos de eventos. El algoritmo es más eficiente cuánto más cerca esté λ de λ(t).
22 Proceso de Poisson no homogéneo Otra mejora sobre este algoritmo es considerar el mínimo de λ(s) en cada subintervalo. Por ejemplo, en un intervalo (t i 1, t i ): λ min = min{λ(s) s (t i 1, t i )} En este intervalo los eventos ocurren con intensidad (λ(s) λ min ) + λ min, Generar eventos de un P. P. homogéneo con razón λ min. Intercalarlos con eventos de un P. P. no homogéneo con intensidad λ(s) = λ(s) λ min. Ventaja: Disminuye el número promedio de uniformes.
23 Ejemplo Sea λ(s) = 10 + s 0 < s < 1. Adelgazamiento con λ = 11 tiene una media de 11 eventos, que pueden ser aceptados o no. 10 = min{λ(s) s (0, 1)} Generar eventos de un P. P. homogéneo con razón 10. Intercalarlos con eventos de un P. P. no homogéneo con intensidad λ(s) = λ(s) 10 = s. que tiene media 1 de eventos necesarios. Reduce de 11 a 1 el número de uniformes necesarias
24 Proceso de Poisson no homogéneo Otro método consiste en generar directamente los sucesivos tiempos de evento. S 1, S 2,... : sucesivos tiempos de evento. Estos tiempos de evento no son independientes. Para generar S i+1, utilizamos el valor generado S i. Dado que ha ocurrido un evento en t = S i, el tiempo hasta el próximo evento es una variable aleatoria con la siguiente distribución: F s (x) = P{ocurra un evento en (s, s + x)} = 1 P{0 eventos en (s, s + x)} ( s+x ) ( x ) = 1 exp λ(y) dy = 1 exp λ(s + y) dy s 0
25 Proceso de Poisson no homogéneo Ejemplo Describir un algoritmo para la generación de eventos de un P. P. no homogéneo con función de intensidad λ(t) = 1 t + 3, t 0. x 0 λ(s + y) dy = x 0 1 dy = log s + y + 3 F s (x) = 1 s + 3 x + s + 3 = x x + s + 3. u = F s (x) x = ( x + s + 3 u(s + 3) 1 u. s + 3 ).
26 Proceso de Poisson no homogéneo Fs 1 u (u) = (s + 3) 1 u. Los sucesivos tiempos de eventos son entonces: S 1 = 3U 1 1 U 1 U 2 S 2 = S 1 + (S 1 + 3) = S 1 + 3U 2 1 U 2 1 U 2. U j 1 S j = S j 1 + (S j 1 + 3) = S j 1 + 3U j 1 U j 1 1 U j
27 Proceso de Poisson no homogéneo Generación de eventos utilizando el método de la T. Inversa I = 0; S[0] = 0; while true do Generar U U(0, 1); if (S[I] + 3U)/(1 U) > T then stop else I I + 1; S[I] (S[I 1] + 3U)/(1 U); end end
Generación de eventos en Procesos de Poisson
Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza
Más detallesGeneración de variables aleatorias continuas
Generación de variables aleatorias continuas Se dice que una variable aleatoria X es continua, o más propiamente, absolutamente continua, si existe f : R R tal que F (x) := P (X x) = x f(t) dt. Al igual
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 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 detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesSimulación III. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación III Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Comentario: generación de v.a. exponenciales Generación de v.a. normales Método de convolución:
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
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 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 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 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 detallesProcesos de Poisson. Fabián Mancilla. U. de Santiago de Chile. Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44
Procesos de Poisson Fabián Mancilla U. de Santiago de Chile fabian.mancillac@usach.cl Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44 Introducción En este curso estudiaremos algunos modelos probabiĺısticos
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesEsperanza Condicional
Esperanza Condicional Podemos obtener la esperanza de una distribución condicional de la misma manera que para el caso unidimensional: 129 Caso 2 v.a. discretas X e Y: Caso 2 v.a. continuas X e Y: Percentiles
Más detallesUnidad 3 Generación de números aleatorios.
Unidad 3 Generación de números aleatorios. Ejercicio 1. Generadores de números aleatorios. La implementación de un buen generador de números aleatorios uniformemente distribuidos sobre el intervalo (0,
Más 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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
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 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 detalles12.Teoría de colas y fenómenos de espera
.Teoría de colas y fenómenos de espera Notación y terminología Modelado del proceso de llegada Modelado del proceso de servicio Notación de Kendall-Lee Procesos de nacimiento y muerte Modelo M/M/. Análisis
Más detallesSantiago, julio 6 del Tercera Solemne Cálculo Varias Variables. Nombre:
Nombre: Santiago, julio 6 del 26. Tercera Solemne Cálculo Varias Variables. 1. La temperatura en un punto (x, y) sobre una placa metalica es T (x, y) 4x 2 4xy + y 2. Una hormiga camina sobre la placa alrededor
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detalles13.Teoría de colas y fenómenos de espera
3.Teoría de colas y fenómenos de espera Notación y terminología Modelado del proceso de llegada Modelado del proceso de servicio Notación de Kendall-Lee Procesos de nacimiento y muerte Modelo M/M/. Análisis
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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesUNA APLICACIÓN DEL PROCESO DE POISSON EN LA ENSEÑANZA Y APRENDIZAJE DE LA ESTADÍSTICA.
6 II Jornadas de Enseñanza e Investigación Educativa en el campo de las Ciencias Exactas y Naturales Actas, II: 6-68, 009. La Plata. UNA APLICACIÓN DEL PROCESO DE POISSON EN LA ENSEÑANZA Y APRENDIZAJE
Más detallesTrabajo sobre Simulación de Procesos Poisson y Distribuciones Multivariadas
Trabajo sobre Simulación de Procesos Poisson y Distribuciones Multivariadas Norman Giraldo Gómez Escuela de Estadística. Universidad Nacional de Colombia ndgirald@unalmed.edu.co Marzo, 2008 1. Introducción
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más 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 02. Análisis de prestaciones e introducción al dimensionamiento en redes de conmutación de paquetes. Rafael Estepa Alonso Universidad de Sevilla
Tema 02 Análisis de prestaciones e introducción al dimensionamiento en redes de conmutación de paquetes Rafael Estepa Alonso Universidad de Sevilla Índice del Tema 02 2.1 Introducción a las Prestaciones
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
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 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 detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesTeoría de Colas o Teoría de Líneas de Espera Cursada 2015 Ing. Sandra González Císaro
Investigación Operativa I Facultad Ciencias Exactas. UNICEN Teoría de Colas o Teoría de Líneas de Espera Cursada 2015 Ing. Sandra González Císaro Cursada 2015 Teoría de Colas: Donde?... Teoría de colas
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesOBJETIVOS: Simular en MATLAB/Octave procesos estocásticos sencillos.
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 8-9 PRACTICA 5. PROCESOS ESTOCÁSTICOS OBJETIVOS: Simular en MATLAB/Octave procesos estocásticos
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 29 de marzo, 2012 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para seleccionar muestras aleatorias de una
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 detallesContenidos IB-Test Matemática NM 2014.
REDLAND SCHOOL MATHEMATICS DEPARTMENT 3 MEDIO NM 1.- Estadística y probabilidad. Contenidos IB-Test Matemática NM 2014. 1.1.- Conceptos de población, muestra, muestra aleatoria, y datos discretos y continuos.
Más detallesEl Teorema de Recurrencia de Poincaré
El Teorema de Recurrencia de Poincaré Pablo Lessa 9 de octubre de 204. Recurrencia de Poincaré.. Fracciones Continuas Supongamos que queremos expresar la relación que existe entre los números 27 y 0. Una
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesTRIGONOMETRÍA DEL CÍRCULO
TRIGONOMETRÍA DEL CÍRCULO Otra unidad de medida para ángulos: RADIANES 1 Usamos grados para medir ángulos cuando aplicamos trigonometría a los problemas del mundo real. Por ejemplo, en topografía, construcción,
Más detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
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 detallesSISTEMAS DE COORDENADAS EN 3D GEOMETRÍA ANALÍTICA: Tema 1 Profesor Antonio Herrera Escudero Universidad Veracruzana. x, y, z, r,,,
SISTEMAS DE COORDENADAS EN 3D GEOMETRÍA ANALÍTICA: Tema 1 Profesor Antonio Herrera Escudero Universidad Veracruzana Antes de comenzar, observemos el siguiente dibujo, e identifiquemos los parámetros,,
Más detallesTrigonometría Analítica. Sección 6.6 Funciones trigonométricas inversas
6 Trigonometría Analítica Sección 6.6 Funciones trigonométricas inversas Funciones Inversas Recordar que para una función, f, tenga inversa, f -1, es necesario que f sea una función uno-a-uno. o Una función,
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 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 detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
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 detallesPROCESO DE NACIMIENTO PURO Y MUERTE PURA
PROCESO DE NACIMIENTO PURO Y MUERTE PURA En esta sección consideraremos dos procesos especiales. En el primer proceso, los clientes llegan y nunca parten y en el segundo proceso los clientes se retiran
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
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 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 detallesIntegrales paramétricas
5 Integrales paramétricas Página 1 de 29 1. uchas de las funciones que se manejan en Análisis atemático no se conocen mediante expresiones elementales, sino que vienen dadas a través de series o integrales.
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más 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 detalles1. Problema 2.3 LO (Ingolfsson, 1993; Kang, 2001)
URBAN OPERATIONS RESEARCH MATERIAL REUNIDO POR JAMES S. KANG OTOÑO 2001 Soluciones trabajo 1 3/10/2001 1. Problema 2.3 LO (Ingolfsson, 1993; Kang, 2001) Cualquiera que llegue a la estación de transbordo
Más detallesProcesos de Poisson (Borradores, Curso 23)
Procesos de Poisson (Borradores, Curso 3) Sebastian Grynberg de abril de 013 ollin tonatiuh el tiempo sólo es tardanza de lo que está por venir (Martín Fierro) 1 Índice 1. Proceso puntual de Poisson 1.1.
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 detallesPROGRAMA DE MATEMÁTICAS TABLA DE ESPECIFICACIONES PRE Y POST PRUEBA TRIGONOMETRÍA: MATE TRIGONOMETRÍA AVANZADA: MATE
PROGRAMA DE MATEMÁTICAS TABLA DE ESPECIFICACIONES PRE Y POST PRUEBA TRIGONOMETRÍA: MATE 11-166 TRIGONOMETRÍA AVANZADA: MATE 11-167 Estándar % de ejercicios asignados Cantidad de ejercicios Punto de Ejecución
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
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 detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
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 detallesMODELOS DISCRETOS DE PROBABILIDAD
MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
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 detallesInstituto de Matemática Aplicada del Litoral
PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más 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 detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
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 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 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 detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 5
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 5 DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Números Complejos Se define el conjunto de los
Más detallesFundamentos de espectroscopia: aspectos de óptica
Fundamentos de espectroscopia: aspectos de óptica Jesús Hernández Trujillo Abril de 2015 Óptica/JHT 1 / 20 Óptica: Estudio del comportamiento de la luz y en general de la radiación electromagnética Óptica
Más detallesLas Funciones Trigonométricas. Sección 5.2 (parte 1) Funciones Trigonométricas de Angulos
5 Las Funciones Trigonométricas Sección 5.2 (parte 1) Funciones Trigonométricas de Angulos Triángulos Rectos Un triángulo es recto (triángulo rectángulo) si uno de sus ángulos internos mide 90 o. La suma
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más 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 detallesIntroducción a la Teoría de Colas
Tema 5 Introducción a la Teoría de Colas A groso modo, podemos describir un sistema de colas (o sistema de líneas de espera) como un sistema al que los clientes llegan para recibir un servicio, si el servicio
Más detallesMapa Curricular: Funciones y Modelos
A.PR.11.2.1 Determina el dominio y el alcance de las funciones a partir de sus diferentes representaciones. A.PR.11.2.2 Identifica y aplica las relaciones entre los puntos importantes de una función (ceros,
Más detallesGRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática)
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 2008-2009 PRACTICA 2. VARIABLES ALEATORIAS OBJETIVOS: Introducción a las variables aleatorias:
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 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 detallesMa3002. Matemáticas Avanzadas para Ingeniería: Potencias y Raíces de Números Complejos. Departamento de Matemáticas. Introducción.
Raíces Raíces Ma3002 Raíces Raíces Las potencias y las enteras números complejos son muy fáciles calcular cuando el número complejo está en la forma polar. Primeramente, veremos la forma polar un número
Más detalles