Método de Box Muller. Método Polar Generación de eventos en Procesos de Poisson. Método de Box-Muller. Métodos de generación de v. a.
|
|
- José Luis Olivera Prado
- hace 5 años
- Vistas:
Transcripción
1 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. Patricia Kisbye (X, Y ) f X (x) = 1 2π e x 2 /2 FaMAF f Y (y) = 1 2π e y 2 /2 24 de abril, 2008 R Θ f X,Y (x, y) = 1 2π e (x 2 +y 2 )/2 R 2 = X 2 + Y 2 Θ = arctan( Y X ) Métodos de generación de v. a. normales Notar: Si X N(0, 1), entonces µ + σx N(µ, σ 2 ), por lo cual es suficiente saber generar X N(0, 1). Método de Box - Muller (1958) - Se generan dos variables normales indepientes X e Y. Estrategia: utilizar una de las dos normales como respuesta en las llamadas pares. Transformaciones de Box - Muller: utilizan funciones trigonométricas. Se recomia utilizar una combinación de generadores. Los generadores de congruencias producen puntos espiralados. Método Polar: Marsaglia and Bray (1964) - Eliminan los cálculos trigonométricos. Reducción del tiempo de ejecución en un 27%. Método de Box-Muller donde J = det f R2,Θ(d, θ) = 1 J ( d x θ x d y θ y ) R 2 E( 1 2 ) y Θ U(0, 2π). X = R cos(θ),. Método de Box-Muller Generar U 1, U 2 U(0, 1); R 2 2 log(u 1 ); Θ 2πU 2 ; X R cos(θ); Y R sen(θ) 1 2π e d/2 = π e d/2,, d = x 2 + y 2, θ = arctan(y/x) Y = R sen(θ)
2 Método de Box-Muller 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. Idea de Marsaglia: Utilizar v. a. uniformes V 1 y V 2 en el círculo unitario y utilizar nuevamente coordenadas polares. (V 1, V 2 ) (1, 1) sen Θ = V 2 R = V 2 V1 2 + V 2 2 Transformaciones de Box Muller resultan: cos Θ = V 1 R = V 1 V1 2 + 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 R 2 (0, 0) Θ R 2 y Θ son indepientes, luego podemos tomar U = R 2 = V V 2 2 Método polar Generar un par (V 1, V 2 ) uniformemente distribuido en el cuadrado. C = círculo unitario, P(A A C) = C 1 π I A C(x, y) dx dy Si (V 1, V 2 ) C, entonces resulta uniformemente distribuido en el círculo unitario. R 2 = V1 2 + V 2 2 resulta uniforme en (0, 1). P(R 2 < a) = 1 π π a = a. Θ = arctan V 2 /V 1 es uniforme en (0, 2π): P(Θ < α) = α 2π. Método polar Tomamos S = R 2, y obtenemos 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 Requiere 4 pi iteraciones. Entre un 9% y 31% más rápido en FORTRAN.
3 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. Proceso de Poisson homogéneo Generación de eventos en el intervalo [0, T ] t 0, I 0; if t 1 λ log U > T then else t t 1 λ log U; S[I] t I: número de eventos. S[I]: tiempo en el que ocurre el evento I. S[1], S[2],..., están en orden creciente. Generación de un Proceso de Poisson Proceso de Poisson homogéneo En un proceso de Poisson homogéneo de razón λ, los tiempos de llegada entre eventos sucesivos son exponenciales con razón λ (media 1/λ). 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. Otro método para simular los primeros eventos se fundamenta en lo siguiente: sea N(T ): el número de eventos hasta el tiempo T : 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. Es más eficiente? Notar que hay que ordenar los tiempos de arribo.
4 En un, con intensidad λ(t): los incrementos no son estacionarios, es decir, no depen de la longitud del intervalo, la intensidad λ(t) indica la tasa de ocurrencia de los eventos, si λ(t) λ, entonces λ(t) =λ λ(t) λ λ(t) con λ < 1, podemos considerar p(t) =λ(t)/λ como la probabilidad de ocurrencia de un evento en un Proceso de Poisson homogéneo de razón λ. 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 Método de adelgazamiento o muestreo aleatorio Generación de eventos en el intervalo [0, T ] t 0, I 0; if t 1 λ log U > T then else t t 1 λ log U; if U < λ(t)/λ then S[I] t I: número de eventos. S[1], S[2],...,: tiempos de eventos. El algoritmo es más eficiente cuánto más cerca esté λ de λ(t). t 0; J 1; I 0; X 1 λ J log U; while t + X > t J do if J = k + 1 then X (X t J + t) λ J λ J+1 ; J J + 1 t t + X; Generar V U(0, 1); if V < λ(t)/λ J then S[I] t
5 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: El número promedio de uniformes a generar disminuye en λ min (t i t i 1 ). Ejemplo Describir un algoritmo para la generación de eventos de un P. P. no homogéneo con función de intensidad x 0 λ(s + y) dy = λ(t) = 1 t + 3, t 0. 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 ). 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 indepientes. 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 s 0 ) λ(s + y) dy 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
6 Generación de eventos utilizando el método de la T. Inversa I = 0; S[0] =0; if (S[I]+3U)/(1 U) > T then else S[I] (S[I 1]+3U)/(1 U);
Método 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 detallesGeneración 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 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 detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Patricia Kisbye FaMAF 15 de abril, 2010 Generación de variables aleatorias continuas Decimos que X es una v.a. continua si
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 detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
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
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 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 variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 11 de abril, 2013 Método de Aceptación y Rechazo
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
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 detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
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 detallesGeneración de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 10 de abril, 2012 Método de Aceptación y Rechazo
Más detalles1. Números Aletorios Estimación por Monte Carlo de la media Generación de Números Pseudoaleatorios para Simulación
Índice 1 úmeros Aletorios 1 11 Estimación por Monte Carlo de la media 1 1 Generación de úmeros Pseudoaleatorios para Simulación 1 11 Transformación de Box-Müller 1 Generar muestras de una PDF dada p(z)
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 detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
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 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 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 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 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 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 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 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 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 detallesEl primer asomo de la raíz cuadrada de un número negativo se presentó en la stereometría de Herón de Alejandría (año 50), y más tarde en la
El primer asomo de la raíz cuadrada de un número negativo se presentó en la stereometría de Herón de Alejandría (año 50), y más tarde en la aritmética de Diofanto (año 275). 56 8i 14 + 10i 1. Trata la
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 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 detallesModelos Estocásticos I Primer Examen Parcial Respuestas
Modelos Estocásticos I Primer Examen Parcial Respuestas 1. Cierta especie de plantas produce un número N de semillas, donde N sigue una distribución de Poisson de parámetro λ. La probabilidad de que una
Más detallesCÁLCULO Primer curso de Ingeniero de Telecomunicación Examen, 7 de Septiembre de 2005 Primera parte
CÁLCULO Primer curso de Ingeniero de Telecomunicación Examen, 7 de Septiembre de 005 Primera parte Ejercicio 1. Un espejo plano de dimensiones 80 cm y 90 cm, se rompe por una esquina según una recta. De
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 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 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 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 detallesColegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas. Mapa curricular Pre-Cálculo 12 mo grado
Colegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas Mapa curricular Pre-Cálculo 12 mo grado Colegio Beato Carlos Manuel Rodríguez Mapa curricular Pre-Cálculo 12 mo grado periodo contenido
Más detallesNombre/Código: Septiembre Parcial II
1 Cálculo II Sección 1 Guillermo Mantilla Nombre/Código: Septiembre 11 1 Parcial II Instrucciones: Duración 7mins. Durante el examen no son permitidos libros, notas, calculadoras, celulares o en general
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 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 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 detallesHerramienta de Alineación Curricular - Resumen a través de las unidades Departamento de Educación de Puerto Rico Matemáticas Trigonometría
Unidad 7 (Trigonometria Inversa Unidad 6 (Leyes de Senos y Cosenos) Unidad 5 (Resolver Ecuaciones Unidad 4 (Identidades Trigonometricas) Unidad 3 (Funciones trigonométricas y sus Unidad 2 ( en el triángulo
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 detallesAlgunas distribuciones teóricas continuas
Algunas distribuciones teóricas continuas Dr. Pastore, Juan Ignacio Profesor Adjunto. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial
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 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 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 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 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 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 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 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 detallesCálculo Integral Agosto 2015
Cálculo Integral Agosto 5 Laboratorio # Antiderivadas I.- Halle las siguientes integrales indefinidas. ) (x 5 8x + 3x 3 ) ) (y 3 6y 6 5 + 8) dy 3) (y 3 + 5)(y + 3) dy 4) (t 3 + 3t + ) (t 3 + 5) dt 5) (3y
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 detallesPara qué se utiliza? Integración por el método de Monte Carlo. El método de Monte Carlo. Cálculo de integrales definidas
Para qué se utiiza? Integración por e método de Monte Caro Patricia Kisbye FaMAF 31 de marzo, 29 Es un método que utiiza números aeatorios para cacuar numéricamente expresiones matemáticamente compejas
Más detallesUniversidad Simón Bolívar Curso de Probabilidades Enero-Marzo Problemario III
Universidad Simón Bolívar Curso de Probabilidades Enero-Marzo 200 Problemario III. La variable X toma los valores, 2 y 3 con la misma probabilidad. Una vez observado el valor de X, digamos, X = x, Y se
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 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 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 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 detallesSimulación Computacional Tema 1: Generación de números aleatorios
Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle Contenido 1 Introducción 2 3 4 ?Porqué números aleatorios? Uso
Más 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 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 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 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 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 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 detallesno es función de distribución de un vector aleatorio (b) Mostrar que:
Probabilidades y Estadística (M) Práctica 4 2 cuatrimestre 2004 Vectores aleatorios e independencia de variables 1. (a) Demostrar que la función 1 e x y si x 0 e y 0 F (x, y) = 0 sino no es función de
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesSolución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: 11 de mayo de 2002
Solución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: de mayo de 22 INDICACIONES Duración del parcial: 4 hrs. Escribir las hojas de un solo lado. No se permite el uso de material
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 detallesCoordenadas polares. Facultad de Ciencias UNAM Geometría Analítica I. Prof. Esteban Rubén Hurtado Cruz 1
Coordenadas polares Si en un plano jamos un punto O que llamaremos polo u origen, y a partir de el trazamos un rayo o semirrecta L horizontal llamado eje polar, cualquier punto P del plano pertenece a
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 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 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 detallesFacultad de Ingeniería Matemática Básica 1 UNIVERSIDAD DE SAN CARLOS DE GUATEMALA
Universidad de San Carlos de Guatemala Departamento de Matemáticas Matemática Básica 1 UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA CLAVE-101-6-M-2-00-2017 CURSO:
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 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 detallesProbabilidad y estadística
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL ROSARIO Probabilidad y estadística Teorema central del límite Año: 2017 En este material le presentamos ocho problemas que requieren de la aplicación
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 detallesCÁLCULO Primer curso de Ingeniero de Telecomunicación Examen de 1 de Septiembre de 2009 Primera parte
ÁLULO Primer curso de ngeniero de Telecomunicación Examen de de Septiembre de 9 Primera parte Ejercicio. En un círculo de radio a se toma un diámetro POQ. Sobre la perpendicular al círculo en el punto
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 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 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 detallesPROCESOS ESTOCÁSTICOS II Ejercicios - Semestre 2009-I
PROCESOS ESTOCÁSTICOS II Ejercicios - Semestre 29-I Proceso de Poisson y Procesos de Renovación 1. Los clientes de una tienda entran al establecimiento de acuerdo a un proceso de Poisson de parámetro λ
Más detallesCÁLCULO Primer curso de Ingeniero de Telecomunicación Examen Final. 26 de Junio de 2007 Primera parte
CÁLCULO Primer curso de Ingeniero de Telecomunicación Examen Final. 6 de Junio de 7 Primera parte Ejercicio. Determinar los puntos de máxima y mínima pendiente de la gráfica de la función y = +x, x. Solución.
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 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 detallesBootstrap. Patricia Kisbye. 13 de mayo, FaMAF
Bootstrap Patricia Kisbye FaMAF 13 de mayo, 2010 Técnica de bootstrap La técnica de Bootstrap fue introducida por B. Efron, 1982. Consiste en aproximar la precisión de un estimador a partir de una muestra
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 detallesExamen de Estadística Grado en Ingeniería de Telecomunicación
Cuestiones Examen de Estadística Grado en Ingeniería de Telecomunicación 3 de Junio de 5 solución h 45m C (.5 puntos). Una multinacional realiza operaciones comerciales en 3 mercados (A, B y C). El % de
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 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 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 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 detalles