Proyectos de Sistemas de Software
|
|
- Ana Isabel Ramos del Río
- hace 6 años
- Vistas:
Transcripción
1 Proyectos de Sistemas de Software Ingeniería en Sistemas de Información Uso de métricas para la toma de decisiones (IV) Confiabilidad del Software Profesor: Gerardo I. Simari Depto. de Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Bahía Blanca, Argentina 2do. Cuatrimestre de 2017
2 Confiabilidad del software Los modelos de calidad identifican a la confiabilidad como atributo clave de alto nivel. Es el atributo más estudiado, y los análisis cuantitativos datan de los años 70. En sus comienzos, los estudios surgieron de la teoría de la confiabilidad del hardware. Como vimos, en algunos casos el uso de métricas asociadas con la confiabilidad se pueden utilizar junto con modelos causales para mejorar la toma de decisiones. No existen métodos para asegurar alta confiabilidad. 2
3 Teoría de la confiabilidad El problema básico es el de predecir cuándo fallará un sistema. En el hardware, la principal preocupación es la falla de componentes por desgaste físico: Corrosión, shock, fatiga, sobrecalentamiento, etc. Tienen naturaleza aleatoria/probabilística. Si bien el desgaste físico no es problema en el software, se pueden modelar las fallas de la misma manera: Función de densidad de probabilidad ( pdf ) f(t) Describe la incertidumbre acerca del momento de la falla. 3
4 Teoría de la confiabilidad Un ejemplo de pdf: fallas independientes del pasado: λ La función exponencial surge de la suposición de aleatoriedad, y es central a muchos modelos. Al disponer de una pdf, podemos calcular la probabilidad de que se produzca una falla en un intervalo 1 2 : Dado que es un dominio continuo, no tiene sentido calcular fallas en un punto, sólo intervalos. 4
5 Teoría de la confiabilidad Otra pregunta básica es cuánto tiempo pasará hasta que se produzca una falla. La probabilidad de falla desde el tiempo 0 hasta un tiempo t dado está dada por la función de distribución (también llamada acumulativa): Decimos que una componente sobrevive hasta que falla por primera vez; la función de confiabilidad es entonces: 5
6 Teoría de la confiabilidad El tiempo medio hasta fallar (MTTF, en inglés) es la media de la pdf (o el valor esperado de la variable): El tiempo mediano hasta fallar es el punto para el cual la probabilidad de falla hasta ese momento es idéntica a la de falla luego: buscamos tal que. Para la distribución exponencial, tenemos: λ λ 6
7 Teoría de la confiabilidad Para la distribución exponencial, tenemos: λ λ y luego: La función de hazard (riesgo) es la probabilidad de falla condicional a la supervivencia hasta el momento: 7
8 Teoría de la confiabilidad Hasta ahora consideramos la incertidumbre acerca de la primera falla. En general, hay que asumir que los sistemas pueden fallar repetidamente, y no siempre por la misma causa. Esto lo podemos visualizar de la siguiente manera: [Fenton, 2014] 8
9 Teoría de la confiabilidad Para cada falla, tenemos una nueva variable aleatoria i que representa el momento de la i-ésima falla. Cada variable tiene su pdf, y por lo tanto sus funciones asociadas. En la confiabilidad del hardware en general se asume que todas las distribuciones son idénticas, ya que se reemplazan componentes por otras iguales. En el estudio de la confiabilidad del software no se hace esta suposición; tenemos crecimiento de la confiabilidad. 9
10 Teoría de la confiabilidad Similar al hazard rate, el ROCOF ( rate of occurrence of failures ) nos da la probabilidad de ocurrencia de cualquier falla: es la probabilidad de una falla en El ROCOF es difícil de computar en general. Suele ser erróneamente aproximado como la cantidad de fallas en un intervalo unitario. 10
11 Teoría de la confiabilidad Las medidas vistas hasta ahora se enfocan en la interrupción del uso adecuado. Falta ahora considerar el tiempo que se necesita para volver a poner el sistema en funcionamiento. El tiempo medio para reparar (MTTR) nos da esta medida. El tiempo medio entre fallas es entonces: Una medida posible para la disponibilidad es por lo tanto: 11
12 Confiabilidad del software Las fallas en el SW no son a causa del desgaste. Cuando reparamos una falla, tenemos la oportunidad de incrementar la confiabilidad de todo el sistema. Si bien a largo plazo se espera que aumente la confiabilidad, puede haber bajas a corto plazo. Para calcular las funciones presentadas anteriormente, podemos guardar datos tales como tiempo de ejecución y momentos en los que ocurren fallas. Veamos un ejemplo real de este tipo de dataset: 12
13 Tiempos de ejecución (seg.) entre fallas consecutivas Leer por filas, de izquierda a derecha. (Musa, 1979) 13
14 Tiempos de ejecución (seg.) entre fallas consecutivas [Fenton, 2014] 14
15 Toma de decisiones En cualquier momento queremos poder contestar las siguientes preguntas: Qué tan confiable es el software ahora? Es lo suficientemente confiable como para dejar de hacer testing y entregarlo? Cuán confiable será luego de que se invierta un tiempo dado adicional en testing? Cuánto más se espera que debamos trabajar para que el objetivo de confiabilidad sea alcanzado? 15
16 Incertidumbre inherente Hay una incertidumbre inherente en los datos. Aunque supiéramos todas las fallas que tiene el sistema, no sabríamos cuándo se va a producir la próxima. Por esto, el momento de la próxima falla puede modelarse como una variable aleatoria. Suponemos entonces que tenemos: historia de i 1fallas, con tiempos entre fallas t 1, t 2,, t i 1. variable aleatoria T i. La confiabilidad está entonces dada por expresiones sobre la probabilidad de i. 16
17 Confiabilidad del sistema Podemos describir la probabilidad al conocer la pdf ( i ), la función de distribución ( i ) o de confiabilidad ( i ). Como vimos anteriormente, estas funciones se pueden expresar una en términos de otra. Lamentablemente, desconocemos las funciones: Como en toda aplicación de la estadística, debemos estimar las funciones en base a las observaciones. Todo intento de medir la confiabilidad es un acto de predicción, y es inherentemente incierto. 17
18 Sistema de predicción Para resolver estos problemas, definimos un sistema de predicción: Un modelo que nos da la especificación de un proceso estadístico. Ejemplo: Funciones vistas, y suposición de independencia. Un procedimiento de inferencia para los parámetros desconocidos del modelo, basado en las observaciones de la variable aleatoria. Un procedimiento de predicción que combina el modelo con el proceso de inferencia para realizar predicciones. 18
19 Sistema de predicción: Ejemplo Si las fallas ocurren de manera totalmente aleatoria (sin dependencias), entonces el modelo es exponencial. Tenemos por lo tanto: λiti i i Para hacer inferencias: debemos estimar los parámetros i. Sabemos que la media de la función exponencial es i. Una estimación (cruda) de i se obtiene calculando el promedio de las dos últimas observaciones: i i 2 1 i i
20 Sistema de predicción: Ejemplo Si aplicamos este sistema a los datos de la tabla anterior hasta el momento 3, hemos observado 1 y 2 El MTTF estimado es Para, tenemos 2 y 3 El MTTF estimado es ahora Para, tenemos 3 y 3 El MTTF estimado es ahora 20
21 Sistema de predicción: Ejemplo [Fenton, 2014] MTTF estimado (eje Y) luego de x segundos (eje X); curvas para estimaciones usando las últimas 2, 10, y 20 observaciones. 21
22 Modelos paramétricos de confiabilidad Se hacen las siguientes suposiciones: El sistema opera en un entorno o bien real o simulado Cada vez que ocurre una falla, se intenta arreglar su causa La ejecución surge de la selección de entradas de un espacio I que contiene todos los valores posibles. El sistema transforma las entradas en salidas (espacio O): [Fenton, 2014] 22
23 Modelos paramétricos de confiabilidad Se hacen las siguientes suposiciones (cont.): Hay un único usuario; si hay diferentes usuarios, pueden tener comportamientos diferentes que complican el modelado probabilístico. Las fallas se detectan comparando la salida con la que debería producir según las especificaciones; no tratamos este problema aquí. Dadas estas suposiciones, tenemos dos fuentes de incertidumbre acerca de las fallas: Entorno operacional (Tipo I): Aunque conociéramos I F perfectamente, no sabemos cuándo serán elegidas esas entradas. Efecto de remoción de fallas (Tipo II): Desconocemos el éxito del intento de arreglar una falla, y su efecto si éste es exitoso. 23
24 Modelos paramétricos de confiabilidad En general, la incertidumbre de Tipo I es la más sencilla de abordar: Se asume que la selección de entradas es aleatoria, y la distribución de fallas sigue una distribución exponencial condicional a las observaciones realizadas. El problema mayor es la de Tipo II, dado que el valor de cambia cada vez que se hace debugging. Los modelos más populares de confiabilidad se caracterizan por su manejo de esta incertidumbre. 24
25 El Modelo Jelinski-Moranda El modelo JM es el más antiguo (1972). Para cada i, tenemos: i i λiti donde i El modelo subyacente es el exponencial; N es el número inicial de fallas y es la contribución de cada falla a la proporción o tasa (rate, en inglés) de fallas. No modela la incertidumbre de Tipo II; asume que comenzamos con fallas y los arreglos son perfectos. 25
26 El Modelo Jelinski-Moranda [Fenton, 2014] Hazard rate (eje Y) según el modelo JM; la curva muestra cómo evoluciona a través del tiempo (eje X). Nota: Recuerde que el hazard rate de la distribución exponencial es λ. 26
27 El Modelo Jelinski-Moranda El procedimiento de inferencia en el modelo JM (y el resto de los que veremos) es el clásico estimación por máxima verosimilitud (Maximum Likelihood Estimation). Intuitivamente, este proceso busca los parámetros de la distribución que mejor se ajustan a las observaciones. En este caso, buscamos estimar y. Veamos cómo se comporta el modelo con un ejemplo. 27
28 El Modelo Jelinski-Moranda i i-ésimo MTTF i-ésimo MTTF simulado Modelo JM con N 15 y Φ El MTTF número 16 es infinito. 28
29 El Modelo Jelinski-Moranda Las principales críticas al modelo son: 1. No siempre es realista suponer que la secuencia de proporciones de fallas es totalmente determinista. 2. No es realista la suposición de que todas las fallas contribuyen equitativamente a la proporción de fallas. 3. En la práctica, las predicciones que realiza el modelo son generalmente muy optimistas. Otros modelos basados en JM son los de Shooman y Musa. 29
30 El Modelo Littlewood El modelo LM intenta una aproximación más realista al modelado de fallas finitas. A diferencia de JM, no asume que los saltos de mejoramiento de confiabilidad son idénticos. Asume que las variables aleatorias siguen una distribución (generalización de la exponencial) con parámetros (,. Dado que hay dos fuentes de incertidumbre para los hazard rates, decimos que es un modelo doblemente estocástico. 30
31 El Modelo Littlewood Tiene una tendencia a predecir que las fallas de mayor importancia aparecen antes que las menores. Tanto JM como LM son ejemplos de modelos llamados de orden exponencial : Los tiempos X j en los que aparece cada una se modelan como variables aleatorias independientes e idénticamente distribuidas. Para LM, la distribución es la de Pareto: j 31
32 El Modelo Littlewood-Verrall (LV) Este modelo utiliza también la distribución exponencial para los tiempos inter-falla i; supone que son pdf condicionalmente independientes entre sí: Se asume que los i distribución : i λiti i i i i independientes siguen una i El modelado del crecimiento (o decrecimiento) de la confiabilidad se controla con la secuencia. Generalmente se toma una secuencia
33 El Modelo Littlewood-Verrall (LV) Este modelo utiliza también la distribución exponencial para los tiempos inter-falla i; supone que son pdf condicionalmente independientes entre sí: i i i i λiti El signo de β 2 permite determinar si hay crecimiento o degradación de la confiabilidad; los datos utilizados para estimar a este parámetro permitirán Se asume que los i son independientes y siguen una distribución : determinar qué caso se está dando con mayor probabilidad. i i El modelado del crecimiento (o decrecimiento) de la confiabilidad se controla con la secuencia. Generalmente se toma una secuencia
34 Variantes: Procesos no homogéneos de Poisson Otra forma de modelar el tipo de datos de tiempos interfalla visto antes es mediante los procesos no estacionarios. Un tipo popular de modelo para éstos son los Procesos no homogéneos de Poisson (NHHP). El estado siguiente del proceso sólo depende del actual. Una forma de construir un NHHP es suponer que (número de fallas) sigue una distribución de Poisson. Estos procesos se pueden utilizar en la especificación de las funciones de probabilidad de modelos como JM y LM. Goel Okumoto (GO) es una variante NHHP de JM. 34
35 Precisión de predicción Los modelos vistos son sólo algunos entre una gran variedad existente. En general, la precisión de estos modelos varía mucho (de un dataset a otro, y de un tipo de predicción a otra). A continuación vemos el resultado de intentar predecir los valores del dataset de Musa con diferentes modelos. Cada modelo se usa para generar 100 estimaciones del tiempo mediano para la próxima falla (confiabilidad actual). Todos están de acuerdo en que la confiabilidad aumenta, pero hay mucho desacuerdo en la cantidad. 35
36 Comparación de modelos [Fenton, 2014] 36
37 Precisión de predicción Hay dos fuentes de imprecisión: Sesgos: desvío consistente de los verdaderos valores. En la figura anterior, vemos que JM es muy optimista, y LV muy pesimista. Ruido: predicciones sucesivas exhiben fluctuaciones bruscas. Lamentablemente, al no conocer los verdaderos valores, no es claro cómo detectar la presencia de sesgos y ruido. Sin embargo, existen técnicas para evaluar la precisión de un conjunto dado de predicciones. 37
38 Sesgos: u-plots Para detectar sesgos en las predicciones, podemos contar la cantidad de veces que el i observado es menor al valor que se predijo anteriormente. Ejemplo: En la figura comparativa, hay 66/100 instancias donde JM predice valores superiores a los reales. Si consideramos sólo las últimas 50 predicciones, la proporción sube a 39/50. Similarmente, los valores de LV muestran que este modelo es muy pesimista. No hay evidencia en estos datos sobre sesgos en LNHPP. 38
39 Sesgos: u-plots Buscamos evidencia de diferencias consistentes entre las secuencias i i (predicciones) y i i (valores verdaderos). Como primer paso para la construcción de un u-plot, calculamos la secuencia i, donde i i i. Cada elemento es simplemente la estimación de. Ejemplo: volvamos al sistema básico donde las predicciones son el promedio de las dos últimas observaciones. La función de distribución estimada es: i i Donde 39
40 Ejemplo [Fenton, 2014] Cada valor i representa la probabilidad de que el valor interfalla observado es menor que el valor de la predicción anterior. 40
41 Sesgos: u-plots El u-plot se construye ubicando los valores i a lo largo del eje X, con rango de 0 a 1. El valor correspondiente en el eje Y viene dado por una función escalera con altura de escalón igual a, donde es la cantidad de valores i. Se dice que una serie de predicciones es perfecta si: para todos los valores de. i i i i Para comparar los valores obtenidos con los ideales, calculamos su distancia a la recta con pendiente 1. 41
42 Sesgos: u-plots [Fenton, 2014] La máxima distancia entre los valores obtenidos y la recta con pendiente 1 se llama distancia Kolmogorov. 42
43 Sesgos: u-plots Veamos los u-plots para los modelos con predicciones extremas para el dataset de Musa: [Fenton, 2014] Las distancias son de 0.19 para JM y para LV (evidencia de su falta de precisión). 43
44 Sesgos: u-plots Los u-plot no sólo nos muestran evidencia de imprecisión, sino también la naturaleza de los errores: En el ejemplo, vemos que JM siempre está por encima de la recta, lo cual indica que hay demasiados valores bajos. Similarmente, LV está siempre por debajo, lo cual significa que es pesimista en sus predicciones. Este análisis podría usarse para concluir que el verdadero valor de confiabilidad yace entre ambos. Si hacemos los cálculos para LNHPP, la distancia Kolmogorov obtenida es (muy cercana a la recta). 44
45 Ruido La otra fuente de imprecisión es el ruido: la fluctuación en las predicciones. Suele ser fácil obtener predicciones libres de sesgos pero inútiles debido al nivel de ruido que exhiben. Si los verdaderos valores no fluctúan, decimos que el ruido presente es injustificado. Por otra parte, si los verdaderos valores sí fluctúan, las fluctuaciones en las predicciones tienen sentido: en este caso decimos que hay ruido absoluto. Podemos derivar métricas para evaluar el ruido absoluto. 45
46 Ruido Lamentablemente, es muy difícil medir sólo el ruido absoluto injustificado. No se han podido obtener herramientas que sean sólo sensibles a este tipo de ruido. Veremos herramientas más generales, llamadas prequential likelihood functions. Similar a lo hecho hasta ahora, hacemos predicciones acerca de los valores de las distribuciones i. Supongamos que predecimos valores, usando un modelo A, para un rango de a. 46
47 Función PL La función PL para estas predicciones se define: i i donde i i es la estimación de la pdf de i. Usando los promedios de los dos últimos valores: [Fenton, 2014] 47
48 Función PL La función PL para estas predicciones se define: i i donde i i es la estimación de la pdf de i. Usando los promedios de los dos últimos valores: Cuánto mejores serían las predicciones basadas en los últimos tres valores vistos? [Fenton, 2014] 48
49 Ratio de funciones PL El principal resultado que tenemos es que si tenemos dos modelos, A y B tal que: entonces A desacredita a B (B puede rechazarse). A B Como conclusión más general, tenemos que si A B aumenta a medida que aumenta, entonces produce predicciones más precisas que. Veamos un gráfico para entender la intuición detrás de este resultado... 49
50 Ratio de funciones PL [Fenton, 2014] 50
51 Ratio de funciones PL Esta técnica es sensible a varias maneras en las que las predicciones pueden ser imprecisas. Por ejemplo: Si son consistentemente optimistas (sesgo), la pdf predictiva estaría corrida hacia la derecha en relación a la verdadera. Si son ruidosas pero no sesgadas, la secuencia de pdfs predictivas estarían aleatoriamente corridas. Cuidado: El hecho de que hasta el momento un predictor sea superior a otro no significa que lo seguirá siendo. En la práctica, generalmente no se dan cambios bruscos. 51
52 En busca del mejor modelo Tiempo mediano para fallas basado en otro dataset de Musa (ver Tabla 11.6 en [Fenton, 2014]). [Fenton, 2014] Hay desacuerdo en las predicciones según los modelos. 52
53 En busca del mejor modelo Hay gran diferencia en las predicciones realizadas por cada modelo; cuál será el mejor? Tiempo mediano para fallas basado en otro dataset de Musa (ver Tabla 11.6 en [Fenton, 2014]). [Fenton, 2014] Hay desacuerdo en las predicciones según los modelos. 53
54 En este caso, ninguno es bueno [Fenton, 2014] Algunos tienen sesgo optimista, otros pesimista... 54
55 Recalibración de predicciones Existe un proceso que incorpora el conocimiento acerca de los errores que comete el modelo de predicción. Consideremos una función i que captura la relación entre la distribución de predicción i y la verdadera i : i i i Si bien desconocemos las funciones i, supongamos que la secuencia cambia lentamente a medida que aumenta. Esencialmente, definimos un nuevo estimador: i i i 55
56 Recalibración de predicciones Dado que captura la relación entre las predicciones y la realidad, podemos basar su estimación en los u-plots. Se busca aprender de los errores cometidos en el pasado. Pasos: 1. Verificar que el nivel de error de las predicciones anteriores es aproximadamente estacionario. 2. Obtener el u-plot para predicciones antes de T i. Unirlas para formar una línea poligonal y alisarla para obtener. 3. Utilizar el modelo básico para producir una predicción F i t i. 4. Recalibrar según la predicción con t i F i t i. 56
57 Línea poligonal alisada: [Fenton, 2014] 57
58 u-plots recalibrados [Fenton, 2014] 58
59 Predicciones recalibradas Valores originales [Fenton, 2014] 59
60 Ratios de funciones DL [Fenton, 2014] El eje Y está en escala logarítmica; los valores recalibrados son superiores a los básicos ( por qué?). 60
61 Comentarios finales Es importante evaluar la confiabilidad del sistema con datos provenientes de entornos operacionales lo más parecidos posibles a los reales. Estos métodos necesitan demasiados datos como para garantizar confiabilidad ultra-alta ; sólo se pueden aplicar para requerimientos relativamente modestos de confiabilidad. Las técnicas vistas requieren esfuerzo computacional, pero existen herramientas para automatizarlas efectivamente. Estos sistemas predictivos se pueden incorporar a los modelos causales vistos anteriormente. 61
62 Referencias [Fenton, 2014] N. Fenton & J. Bieman: Software Metrics: A Rigorous and Practical Approach, 3rd Ed. CRC Press, [HB-SRE, 1996] M. R. Lyu: Handbook of Software Reliability Engineering. IEEE Computer Society Press / McGraw-Hill Book Co., Disponible en forma libre en: 62
Confiabilidad del software. Teoría de la confiabilidad. Teoría de la confiabilidad. Teoría de la confiabilidad. Teoría de la confiabilidad
Proyectos de Sistemas de Software Ingeniería en Sistemas de Información Uso de métricas para la toma de decisiones (IV) Confiabilidad del Software Profesor: Gerardo I. Simari Depto. de Ciencias e Ingeniería
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
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 detallesRepaso: El objetivo de medir. Razonamiento Bayesiano. Razonamiento Bayesiano. Razonamiento Bayesiano. Proyectos de Sistemas de Software
Proyectos de Sistemas de Software Ingeniería en Sistemas de Información Uso de métricas para la toma de decisiones (III) Redes Bayesianas Profesor: Gerardo I. Simari Depto. de Ciencias e Ingeniería de
Más detallesPredicción de Confiabilidad en Sistemas Intensivos en Software
XII CONGRESO DE CONFIABILIDAD Predicción de Confiabilidad en Sistemas Intensivos en Software Cádiz, 24, 25 y 26 de noviembre de 2010 ÍNDICE 1.Introducción (contexto Alta Fiabilidad) 2.Conocimiento Cuantitativo
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
Más detallesANÁLISIS DE FIABILIDAD DE SISTEMAS APLICANDO TÉCNICAS DE CRECIMIENTO DE FIABILIDAD DEL SOFTWARE
ANÁLISIS DE FIABILIDAD DE SISTEMAS APLICANDO TÉCNICAS DE CRECIMIENTO DE FIABILIDAD DEL SOFTWARE Dña. Amaya Atencia Yépez, D. Luis Redondo López Métodos y Tecnología de Sistemas y Procesos (MTP) (lredondo,
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesProyectos de Sistemas de Software
Proyectos de Sistemas de Software Ingeniería en Sistemas de Información Presentación Profesor: Gerardo I. Simari Depto. de Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Bahía Blanca,
Más detallesCURSO INTENSIVO #R03-40hrs CONFIABILIDAD Y MANTENIBILIDAD DE PLANTAS. NIVEL II -MODELOS ESTADISTICOS-MATEMATICOS CON APLICACIONES PRACTICAS-
OBJETIVO: Presentar la teoría matemática, modelos estadísticos y aplicaciones prácticas de Confiabilidad y Mantenibilidad en una forma fácil de comprender con el fin de utilizarlas para pronosticar el
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del
Más detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesTécnicas de Inferencia Estadística II. Tema 5. Estadísticos de orden
Técnicas de Inferencia Estadística II Tema 5. Estadísticos de orden M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 5. Estadísticos de orden Contenidos
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
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 detallesTema 8. Contrastes no paramétricos. 8.1 Introducción
Índice 8 8.1 8.1 Introducción.......................................... 8.1 8.2 Bondad de ajuste....................................... 8.2 8.2.1 Test de Kolmogorov-Smirnov de bondad de ajuste................
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 detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesTécnicas 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 detallesI.T.Industrial Métodos Estadísticos ProblemasdeRepaso
I.T.Industrial Métodos Estadísticos ProblemasdeRepaso 1. Para analizar la degradación de la señal emitida por una antena, se tomaron los siguientes datos: la frecuencia de la señal en el momento de ser
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
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: 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 detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesUNIDAD I.- CONCEPTOS BÁSICOS DE CONFIABILIDAD. (Versión: 1.1)
I. CONFIABILIDAD. 1.1. INTRODUCCION. La habilidad para predecir circuitos y sistemas confiables está llegando a incrementar su importancia debido al conocimiento de la gente y por la exigencia de productos
Más detallesCapítulo 3. Métricas y la Confiabilidad en la Ingeniería del
Capítulo III 29 Capítulo 3. Métricas y la Confiabilidad en la Ingeniería del Software En este capítulo se definirá el concepto métrica y la relación que lleva este concepto con la confiabilidad en la ingeniería
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesINDICE. Capitulo Uno.
INDICE Prefacio XIII Capitulo Uno. 1 Introducción 1.1. Estadística: La ciencia de los datos 2 1.2. Tipos de datos 5 1.3. El papel de la estadística 7 1.4. Resumen 8 Laboratorio de Computación. Introducción
Más detallesHernández Gaspar, Serafín Ángulo Pineda Fecha de elaboración: 28 de mayo 2010 Fecha de última actualización:
PROGRAMA DE ESTUDIO Probabilidad y estadística Programa Educativo: Licenciatura en Sistemas Computacionales Área de Formación : Sustantiva profesional Horas teóricas: 2 Horas prácticas: 3 Total de Horas:
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesTema 7: Derivada de una función
Tema 7: Derivada de una función Antes de dar la definición de derivada de una función en un punto, vamos a introducir dos ejemplos o motivaciones iniciales que nos van a dar la medida de la importancia
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN. Unidad Académica: FACULTAD DE INGENIERIA. Programa (s)
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesDistribuciones Muestrales e Intervalos de Confianza
Distribuciones Muestrales e Intervalos de Confianza Sesión 5 Dr. Carlos J. Vilalta (DAP) Estadística - Curso propedéutico MAPP 2016 Centro de Investigación y Docencia económicas (CIDE) Contacto: carlos.vilalta@cide.edu
Más detallesIng. Eduard del Corral Cesar Carpio
República Bolivariana de Venezuela Ministerio del Poder Popular para la Educación Superior Universidad Nacional Experimental Romúlo Gallegos Ingeniería Informática Área de Sistemas Cátedra: Métodos Numéricos.
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
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 detallesAnálisis Estadístico de Datos Climáticos. Verificación y valor de los pronósticos
Análisis Estadístico de Datos Climáticos Verificación y valor de los pronósticos A. Díaz M. Bidegain - M. Barreiro Facultad de Ciencias Facultad de Ingeniería 2011 Verificación de pronósticos Una definición:
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesAnálisis Estadístico de Datos Climáticos. Verificación y valor de los pronósticos (Wilks, Cap. 7) Facultad de Ciencias Facultad de Ingeniería 2013
Análisis Estadístico de Datos Climáticos Verificación y valor de los pronósticos (Wilks, Cap. 7) Facultad de Ciencias Facultad de Ingeniería 2013 Verificación de pronósticos Una definición: La verificación
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesTEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN
TEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN 1.1. Introducción 1.2. Conceptos fundamentales 1.3. Modelado y simulación de tiempo discreto 1.4. Modelado y simulación de eventos discretos 1.5. Pasos en
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
Más detallesPage 1 of 5 Departamento: Dpto Matematica Nombre del curso: PROBABILIDAD Y ESTADÍSTICA Clave: 003872 Academia a la que pertenece: Probabilidad y Estadística Requisitos: Requisito de Probabilidad y Estad
Más detallesEstadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesPUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO
PUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO Guadalupe Yoanna Arenas Martínez, Francisco Solano Tajonar Sanabria a, Hugo Cruz Suárez a, Fernando Velasco Luna a. a Facultad de Ciencias Fisico Matematicas, BUAP,
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
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 detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
Más detallesUnidad 1. Introducción. Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre / 21
Unidad 1 Introducción Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 21 Introducción La humanidad siempre ha intentado explicar el mundo en que vivimos. Los primeros intentos atribuían
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más 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 detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesMANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
Más detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
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 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 TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 4 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesTécnicas numéricas para las Ecuaciones diferenciales de primer orden: Método de Euler
Lección 6 Técnicas numéricas para las Ecuaciones diferenciales de primer orden: Método de Euler 61 Introducción a los métodos numéricos En este capítulo y en los anteriores estamos estudiado algunas técnicas
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
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. 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 detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
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 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 detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesGestión de los Riesgos del Proyecto basado en los estándares del PMI. Ing. Osvaldo Martínez Gómez, MSc, MAP
Gestión de los Riesgos del Proyecto basado en los estándares del PMI Ing. Osvaldo Martínez Gómez, MSc, MAP San José, Costa Rica - 2012 1 Análisis Cualitativo de los Riesgos Evaluación de la Probabilidad
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 jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
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 detallesU3: Procesos Poisson. Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi
U3: Procesos Poisson Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi Analizar el siguiente proceso estocástico: Una fuente radioactiva emite partículas y sea X t : número de partículas
Más detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
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 detalles