Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
|
|
- Sandra Blanco Molina
- hace 5 años
- Vistas:
Transcripción
1 Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente e idénticamente distribuidas 1, L, n con la misma distribución de 3 Estimar E [ ], usando, y evaluar la exactitud de la estimación usando intervalos de confianza Observación: Todas las variables aleatorias pueden ser generadas manipulando variables aleatorias con distribución uniforme(0,1) Simulando variables aleatorias discretas R con función de probabilidad acumulada F y función de probabilidad f El proceso consiste en tomar una variable aleatoria uniforme y obtener una variable aleatoria Sea una variable aleatoria discreta con = { 0,1,,L Paso 1: Generar u ~ uniforme(0,1) Paso : Hacer x = 0 Paso 3: Mientras F ( x) < u, x = x + 1 Ejemplo: Generar un número aleatorio de la distribución binomial ( n = 8, p = 08) binom <- function(n,p) { x <- 0 F <- pbinom(x, size = n, prob = p) while (F<u) { x <- x+1 F <- pbinom(x, size = n, prob = p)
2 Ejemplo: Generar 10 números aleatorios de la distribución binomial ( n = 8, p = 05) simulbinom <- function(m, n, p) { i <- 1 while (i <= m) { binom(n, p) i <- i + 1 > simulbinom(10, n = 8, p = 05) Secuencia de eventos independientes Para variables aleatorias que se definen usando una secuencia de ensayos independientes (binomial, geométrica y binomial negativa) se tienen métodos alternativos Dada una variable aleatoria con distribución uniforme(0,1) se puede generar una variable aleatoria de Bernoulli con parámetro p usando: Paso 1: Generar u ~ uniforme(0,1) Paso : Si u < p entonces x = 1, en caso contrario x = 0 bernoulli <- function(p) { x <- 0 if (u<p) x <- x+1 print(u) Luego, para generar una variable aleatoria binomial con parámetros n y p se usa: Paso 1: x = 0 Paso : Repetir n veces lo siguiente: Paso 1: Generar u ~ uniforme(0,1) Paso : Si u < p entonces x = x + 1
3 simulbinom <- function(m, n, p) { i <- 1 while (i<=m) { x <- sum(runif(n)<p) i <- i+1 > simulbinom(m = 10,n = 8,p = 05) [1] Simulando variables aleatorias continuas Metodo de inversión Suponga que se tiene U ~ uniforme(01) y se desea simular una variable aleatoria continua con función de distribución acumulada F Sea Y = F ( u) entonces se tiene: F ( y) = Pr( Y y) = Pr F ( u) ( y) = Pr U F ( y) ( ) F ( y) Y = es decir, que Y tiene la misma distribución de Luego, si se simula una variable aleatoria uniforme(0,1) entonces puede simularse cualquier variable aleatoria continua para la que se conoce F Este método es llamado método de la trasformación inversa Otra forma de establecer este resultado es que para toda variable aleatoria continua, x uniforme(0,1) F ( ) ~ Ejemplo: Si ~ exponencial con parámetro λ entonces su función de densidad es f x = λ exp λx, x > 0 y además ( ) { F ( x) 0 = 1 exp { λ x x < 0 x 0 Tomando y = 1 exp{ λx entonces la función inversa es x log( 1 y) = F ( y) = λ Luego, por el método de la transformación inversa se genera una variable aleatoria ~ 1 λ log 1 u con u ~ uniforme(0,1) exponencial ( λ ) usando ( )
4 simulexp <- function(m, rate) { data <- rep(0,m) for (i in 1:m) { x <- -log(1 - u) / rate data[i] <- x #print(data) hist(data) > simulexp(m = 1000, rate = 1/5)
5 Simulando normales Si ~ N( 0,1) Z entonces µ σz ~ N( µ, σ ) +, luego solo es necesario simular una variable aleatoria con distribución normal estándar El resultado anterior sugiere una aproximación para simular la distribución normal usando el teorema central del límite Recordar que si U ~ uniforme ( 0,1) entonces E [ U ] = 1 y Var [ U ] = 1 1 tal que si U1, L, U1 son variables aleatorias independientes con distribución uniforme(0,1) entonces Z 1 = U i i= 1 6 tiene distribución aproximadamente normal estándar Algoritmo de Box-Muller Suponga P (, Y ) distribución ( 0,1) =, donde e Y son variables aleatorias independientes con N entonces se dice que P tiene una distribución normal estándar bivariada El algoritmo de Box-Muller trabaja simulando P en coordenadas polares ( R,θ ) y luego transformando los valores hacia las coordenadas cartesianas usando = R cosθ e Y = sinθ Se puede probar que ~ 1 / y ~ R Lo anterior permite usar el siguiente algoritmo: R exponencial ( ) θ uniforme (,π ) 1 Generar U 1 y U ambas con distribución uniforme(0,1) Calcular π U1 R = log U 3 Obtener = R cosθ e Y = sinθ θ = y ( ) 0 independiente de
Estadística. 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 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 detallesMétodo de Box Muller. Método Polar Generación de eventos en Procesos de Poisson. Método de Box-Muller. Métodos de generación de v. a.
Método de Box Muller Método Polar Generación de eventos en Procesos de Poisson Si X e Y son normales estándar indepientes, entonces R 2 = X 2 + Y 2, tan(θ) = Y X determinan variables R 2 y Θ indepientes.
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 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 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 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 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 detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesMétodo Polar para generación de variables normales Generación de eventos en Procesos de Poisson
Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 25 de abril, 2013 Método polar Con este método se generan dos variables normales independientes.
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 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 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 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 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 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 detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesGeneración de Variables Aleatorias
Generación de Variables Aleatorias A continuación se exponen distintos métodos para generar algunas de las distribuciones más utilizadas. Método de la distribución inversa Teniendo una función de densidad
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
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 detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 17 de abril, 2012 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesIntroducción a la simulación de procesos estocásticos.
Sesión 1 Introducción a la simulación de procesos estocásticos. Un proceso estocástico es cualquier familia de variables aleatorias {X t } t T definidas sobre un mismo espacio probabilístico (Ω, σ, P ),
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 detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
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 detallesDistribución de Probabilidad
Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas
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 detallesPráctica 4: Variables Aleatorias y Simulación
Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,
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. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
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 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 detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
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 detallesTema 8: Métodos de cadenas de Markov Monte Carlo
Tema 8: Métodos de cadenas de Markov Monte Carlo Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Introducción Los métodos de cadenas
Más detallesGeneración de variables aleatorias 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 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 detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Georgina Flesia FaMAF 9 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesCO3121: Problemario Marzo 2005.
CO3121: Problemario Marzo 2005. 1. Sea f(u) = ce u, u R. Si f es una función de densidad de probabilidad, cuál es el valor de c?. 2. Sea X una v.a. con función de densidad f(x) = 2x, 0 < x < 1. Encuentre
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesMétodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del
Métodos Estadísticos de la Ingeniería Práctica 5: Distribuciones de Probabilidad y el Teorema Central del Límite Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón
Más detallesPrincipios de reducción de la data
Capítulo 6 Principios de reducción de la data 6.1. Introducción Un experimentador usa la información en una muestra X 1,, X n para realizar el proceso de inferencia sobre algun parámetro desconocido θ.
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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
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 detallesEjercicios de Simulación
Ejercicios de Simulación Investigación Operativa Ingeniería Informática, UC3M Curso 07/08 1. Escribe un código (por ejemplo en Matlab, Fortran, C,... ) que genere m secuencias de n números Bernoulli con
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
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 detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
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 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 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 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 detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
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 Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
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 detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
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 detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
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 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 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 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 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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 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 detallesB0. Distribuciones de probabilidad
B0. Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Distribución Normal X N( µ, σ ) Dada una variable aleatoria caracterizado por la función
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 detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesPráctica 4 TEOREMA CENTRAL DEL LÍMITE
Práctica 4. Teorema Central del Límite 1 Práctica 4 TEOREMA CENTRAL DEL LÍMITE Objetivos: En esta práctica utilizaremos el paquete SPSS para ilustrar el Teorema Central del Límite. Además calcularemos
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
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 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 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 detallesAlgunas observaciones sobre las inconsistencias del uso de la aproximación normal en intervalos de confianza cuando las observaciones son Bernoullis
Algunas observaciones sobre las inconsistencias del uso de la aproximación normal en intervalos de confianza cuando las observaciones son Bernoullis Marcos Morales Cortes a, Hortensia J. Reyes Cervantes
Más detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesVariables aleatorias: El caso continuo. Random variables: The continuous case. Rincón de la Bioestadística
Variables aleatorias: El caso continuo Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Random variables: The continuous case E l tratamiento de una variable
Más detallesIG23 Ampliació d Estadística. ETIG. Curs 2005/06 1
IG23 Ampliació d Estadística. ETIG. Curs 2005/06 1 1.0 Software de las prácticas : Usaremos R, versión de libre disposición del lenguaje SPLUS. Es un intérprete de comandos con una gran cantidad de funciones
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
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 detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesClase 3: Vectores gaussianos *
Clase 3: Vectores gaussianos * Índice 1. Vectores gaussianos 1. Simulación de vectores gaussianos.1. Simulación de variables gaussianas: el método de Box-Muller.. Simulation of bi-dimensional Gaussian
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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detalles