PDF superior SIMULACIÓN DE SISTEMAS Guía práctica 3 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

SIMULACIÓN DE SISTEMAS Guía práctica 3 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

SIMULACIÓN DE SISTEMAS Guía práctica 3 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

El Algoritmo propuesto para generar números aleatorios, según Von Neuman y Metropolis. Es el método de los cuadrados medios, se requiere de un número entero detonador (llamado semilla), con D dígitos, el cual es elevado al cuadrado y se extrae los D dígitos del centro; el primer número r i se determina simplemente

16 Lee mas

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

El Algoritmo propuesto para generar números aleatorios, según Von Neuman y Metropolis. Es el método de los cuadrados medios, se requiere de un número entero detonador (llamado semilla), con D dígitos, el cual es elevado al cuadrado y se extrae los D dígitos del centro; el primer número r i se determina simplemente

15 Lee mas

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Aleatorios - Variables Aleatorias para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

0.5990 0.8493 0.5929 0.0167 0.0879 0.5677 0.1911 0.2147 0.8571 0.7186 0.3192 0.4953 0.0171 0.4851 0.2679 0.6530 0.5868 0.5020 0.5237 0.4933 0.4462 0.4034 0.5741 0.3128 0.1844 0.4690 0.2446 0.5506 0.5504 0.4928 0.6792 0.6729 0.0503 0.9769 0.8332 0.517 0.3055 0.1981 0.7593 0.8085 0.8133 0.2304 0.6795 0.0207 0.9670 0.9390 0.8852 0.1390 0.8504 0.1576 Determine si el conjunto de números son Aleatorios, para lo cual se le solicita realizar las siguientes pruebas.

15 Lee mas

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Pseudo Aleatorios para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

SIMULACIÓN DE SISTEMAS Guía práctica 2 Generación de Números Pseudo Aleatorios para un modelo de Simulación y Pruebas estadísticas para verificar uniformidad e independencia

El Algoritmo propuesto para generar números aleatorios, según Von Neuman y Metropolis. Es el método de los cuadrados medios, se requiere de un número entero detonador (llamado semilla), con D dígitos, el cual es elevado al cuadrado y se extrae los D dígitos del centro; el primer número r i se determina simplemente

16 Lee mas

SIMULACIÓN DE SISTEMAS Guía práctica 2 Pruebas estadísticas para números pseudo aleatorios

SIMULACIÓN DE SISTEMAS Guía práctica 2 Pruebas estadísticas para números pseudo aleatorios

Julio Rito Vargas Pág. 3 A continuación se analizará las pruebas estadísticas básicas que se emplean generalmente para determinar si un conjunto de números pseudo aleatorios entre 0 y 1 cumplen con las propiedades básicas de independencia y uniformidad. El objetivo, otras palabras, es validar que el conjunto r i realmente está conformado

10 Lee mas

Simulacion

Simulacion

La asignatura de Simulación aporta al perfil del Ingeniero en Sistemas Computacionales la habilidad de establecer modelos de simulación que le permitan analizar el comportamiento de un sistema real, así como la capacidad de seleccionar y aplicar herramientas matemáticas para el modelado, diseño y desarrollo de tecnología computacional.

12 Lee mas

Generación de números aleatorios físicos en dispositivos electrónicos

Generación de números aleatorios físicos en dispositivos electrónicos

Consiste en fluctuaciones aleatorias de la corriente eléctrica a través de un conductor causadas por el hecho de que la corriente se transporta en cargas discretas (electrones). Se origina por el movimiento de los electrones o de otras partículas cargadas a través de una unión. Esto no sólo ocurre en las uniones p-n, sino en cualquier conductor, incluso en las situaciones en que la carga no esté bien localizada. En la óptica cuántica, el ruido shot se origina por las fluctuaciones de los fotones detectados, de nuevo como consecuencia de la discretización (en este caso, de la discretización de la energía en el campo elec- tromagnético). El ruido shot es una parte importante del ruido cuántico. El ruido shot resulta medible tanto en mediciones del orden de unos pocos fotones mediante fotomultiplicadores como en mediciones de intensidades luminosas más fuertes realizadas a través de fotodiodos cuando se emplean osciloscopios de alta resolución temporal. En tanto que la fotocorriente es proporcional a la intensidad luminosa (número de fotones), las fluctuaciones del campo electro- magnético están normalmente presentes en la intensidad de corriente eléctrica medida.
Mostrar más

77 Lee mas

INFILTRABILIDAD BAJO DIFERENTES ANTECEDENTES DE HUMEDAD EN CUATROCIÉNEGAS, COAHUILA./

INFILTRABILIDAD BAJO DIFERENTES ANTECEDENTES DE HUMEDAD EN CUATROCIÉNEGAS, COAHUILA./

tratamientos con diferente antecedente de humedad (0, 3, 6 y 24 hr) la tasa de infiltración para cada periodo de tiempo fueron analizados en un diseño completamente al azar con arreglo factorial en dos niveles de manera independiente, siendo cada uno por: localidad, intensidad de lluvia aplicada y bajo y sin cobertura vegetal. En los casos donde se encontraron diferencias estadísticas se aplicó la separación de medias por el método de Tukey a un nivel del cinco por ciento.

34 Lee mas

Cap4. Variables Aleatorias

Cap4. Variables Aleatorias

Sin embargo, dependiendo de la naturaleza de la funci´on de distribuci´on F , es posible que la inversa generalizada tenga una expresi´on complicada o incluso no sea posible escribirla en t´erminos de funciones elementales, como ocurre en el caso de las variables Gaussianas. Por esta raz´on hay m´etodos ad hoc que resultan m´as eficientes en muchos casos.

45 Lee mas

Modelo de simulación para el proceso de calentamiento global  Aplicación ciudad de Cartagena de Indias, Colombia

Modelo de simulación para el proceso de calentamiento global Aplicación ciudad de Cartagena de Indias, Colombia

El reporte que se tiene de las proyecciones de aumentos de temperaturas globales del Panel Intergubernamental sobre Cambio Climático (IPCC) es de 3 ºC en este siglo, teniendo en cuenta que en Colombia al subir una montaña, por cada 100 metros que se sube la temperatura baja aproximadamente 0,5 ºC. Lo que quiere decir que los 3º de aumento corresponden a 600 metros verticales, por lo tanto, Cartagena a nivel del mar presentaría un calor como nunca antes visto en la historia. Además de los cambios de temperatura, habrá cambios en las lluvias, tanto en el volumen como en la temporada. En el mundo con una población con crecimiento, se requerirá producir entre un 50 y un 80% más de comida en los próximos años, pero se debe tener en cuenta que el cambio climático impacta en el agua, la energía, la comida y la salud 6 .
Mostrar más

58 Lee mas

Línea de costa y sistemas de información geográfica: modelo de datos para la caracterización y cálculo de indicadores en la costa andaluza

Línea de costa y sistemas de información geográfica: modelo de datos para la caracterización y cálculo de indicadores en la costa andaluza

Los datos del modelo de datos de producción, son tratados posteriormente, por un procedimiento en la base de datos (programado en PL/SQL o PL/PgSQL) que carga la información, de forma controlada, normalizada y detectando errores (con lo cual sirve de mecanismo de control de calidad) en el modelo de explotación. En este apartado del modelo de producción destacan las herramientas ESRI, ya que éstas proporcionan un marco inmejorable para la edición rápida y eficaz de datos. Ello hace que el proceso de digitalización sea ágil. El modelo de producción, por tanto, se basa en muy pocas tablas; de hecho, lo deseable es que el digitalizador sólo tenga que utilizar una en su tarea. Es sin duda el escenario de digitalización más ágil, ya que el digitalizador no tiene que estar introduciendo claves en las tablas, navegando por la relaciones de las mismas o rellenando formularios, concentrando su atención en la interpretación e introducción de datos en dicha tabla única.
Mostrar más

16 Lee mas

Inferencia estadística: probabilidad, variables aleatorias y distribuciones de probabilidad

Inferencia estadística: probabilidad, variables aleatorias y distribuciones de probabilidad

A partir de esta estimación de probabilidad podemos decir que cada uno de nuestros adolescentes tiene una probabili- dad de 0,18 (18%) de ser obeso. Siguiendo terminología pro- pia de la teoría de la probabilidad, cada adolescente es un experimento aleatorio, del que antes de explorarlo sabe- mos que puede o no ser obeso (posibles resultados del ex- perimento) y la probabilidad de cualquiera de ellos (obeso p = 0,18), pero hasta que no lo exploramos no sabemos si lo es. Las variables se caracterizan por ser fruto de observaciones repetidas de una misma característica, su información funda- mental se puede resumir en un listado de los diversos resul- tados posibles y en la frecuencia (probabilidad) con que apa- rece cada uno de ellos. Lo habitual es que la probabilidad de cada uno de los valores de una variable siga algún tipo cono- cido de distribución de probabilidad. Existen muchas dis- tribuciones de probabilidad, probablemente la más conocida sea la distribución normal, que siguen los valores de muchas variables continuas (por ejemplo, la talla de los adolescentes). Cuando los distintos valores de una variable siguen una distri- bución de probabilidad la denominamos variable aleatoria. Para definir una variable aleatoria necesitamos conocer los valores posibles y la probabilidad de que ocurra cada uno de ellos. Veamos dos ejemplos. La variables aleatoria “curación de un tipo de tumor”; valores posibles: sí/no, distribución de probabi- lidad: binomial, probabilidad de curación 0,75 (75%). La variable aleatoria “longitud de los recién nacidos a término”; valores posibles: cualquier valor entre 40-60 cm, distribución de pro- babilidad: normal con media 50 cm y desviación típica 2 cm. Al elegir una variable, asumimos un tipo concreto de distribu- ción de probabilidad, que condicionará las estimaciones y con- trastes de hipótesis que queramos realizar con ella. A cada valor o rango de valores de una distribución de probabilidad le corresponde una probabilidad; esta relación se determina por lo que conocemos como función de probabilidad (también llamada función de masa para distribuciones dis- cretas y función de densidad para distribuciones continuas). Existen múltiples distribuciones de probabilidad. Algunas ya han sido mencionadas, como la distribución binomial, para variables nominales dicotómicas, o la distribución normal, para variables continuas, pero hay muchas otras, como la dis- tribución de Poisson (eventos raros que tienen lugar a lo largo de un periodo de tiempo o espacio), χ 2 (que siguen los
Mostrar más

6 Lee mas

Análisis multitemporal de cambio de uso de suelo y cobertura vegetal para el desarrollo de un modelo probabilístico prospectivo en la cuenca del río Capucuy

Análisis multitemporal de cambio de uso de suelo y cobertura vegetal para el desarrollo de un modelo probabilístico prospectivo en la cuenca del río Capucuy

La matriz de transición describe los cambios de un sistema a través de periodos discretos de tiempo, en los cuales, el valor de cualquier variable (Ejm: hectáreas de bosque) en un periodo dado, es la suma de los porcentajes fijos del valor de las variables en el periodo de tiempo previo. Las tasas de transición determinan la cantidad neta de cambios, es decir, el porcentaje de área que será cambiado a otro estado (a un tipo de uso del suelo o cobertura diferente al original). Por lo tanto, son tasas adimensionales. En la Figura 1 se muestra el modelo empleado para calcular la matriz de transición. En el Functor Load Categorical Map se cargan los mapas inicial y final. Este modelo calcula las matrices single-step de un sólo paso que representa las tasas de transición para un único intervalo de tiempo (intervalo total) entre el estado inicial y final de un paisaje. Además, calcula la matriz de múltiples pasos (multiple- step matrix) que representa las tasas de transición para cada período de tiempo (año, mes, día, etc.) especificado al dividir el intervalo de tiempo total por el número de pasos que se desea analizar.
Mostrar más

55 Lee mas

Creación de un modelo de análisis para la identificación de la presencia/ausencia de atenuación en un corpus de adquisición del español de estudiantes franceses

Creación de un modelo de análisis para la identificación de la presencia/ausencia de atenuación en un corpus de adquisición del español de estudiantes franceses

De esta forma, los estudiantes podrían entender mejor los fenómenos y los elementos atenuantes porque tendrían la posibilidad de enfrentarse a algunos casos concretos puestos en práctica, por ejemplo, a través de juegos de rol. Con esto, se les facilitaría la asimilación de los elementos atenuantes, y esto les permitiría, posteriormente, ser capaces de elegir la mejor táctica atenuante en función de las necesidades, de la situación comunicativa real en la que se encuentran y en los intercambios con nativos. Es por ello que consideramos que la introducción de la atenuación en el diseño de las actividades didácticas, y el desarrollo de las mismas en las clases de E/LE, facilitaría el conseguimiento de buenos resultados a través de un aprendizaje explícito y consciente, que solamente se puede alcanzar a través del uso de corpus orales reales en el aula.
Mostrar más

20 Lee mas

Diseño y validación de un instrumento para medir grado de implementación de sistemas de gestión de la I+D+i

Diseño y validación de un instrumento para medir grado de implementación de sistemas de gestión de la I+D+i

Recent years the efficiency of innovation demonstrates a sustained deceleration in 88% of countries, according to the 2013-2018 innovation efficiency ratio of Cornell University, Institut Européen d'Administration des Affaires (INSEAD) and World Intellectual Property Organization (WIPO), stressing the capacity scenario of innovation in its current state management to move their disruptive behavior towards human development indicators. The availability of instruments to measure ecosystem full of innovation is reduced, especially when looking for the holistic detection of the variables that cause inefficiencies of the investment that organizations incur when they want to manage R&D+i.
Mostrar más

17 Lee mas

Cuantificación del valor en riesgo del mercado accionario de Colombia durante el periodo 2008 2013: Como técnica de medición y guía de inversión

Cuantificación del valor en riesgo del mercado accionario de Colombia durante el periodo 2008 2013: Como técnica de medición y guía de inversión

Esta medida de riesgo VaR, se puede calcular por diversas metodologías, cada una de ellas utiliza algunas herramientas estadísticas y computacionales. En este trabajo se analizará por diversos métodos tales como ARMA- GARCH, Boostraping, Simulaciones de Montecarlo, Simulación Histórica y Normalidad, la cuantificación de riesgo. Para ello, éstos se aplicaran a una muestra de diez acciones más relevantes del Índice General de la Bolsa de Valores de Colombia (IGBC), con una periocidad diaria entre 2008 y 2013.

37 Lee mas

SIMULACIÓN DE SISTEMAS Guía práctica 1 Pruebas de Bondad de Ajuste con Stat::Fit de Promodel

SIMULACIÓN DE SISTEMAS Guía práctica 1 Pruebas de Bondad de Ajuste con Stat::Fit de Promodel

Ing. Julio Rito Vargas Pág. 8 Puede observar que los valores p-value en el caso de las distribuciones Poisson y Binomial 0.994 y 1 (uno). Lo que indica que ambos valores están en la zona de aceptación de las curvas, para un nivel de confianza del 95%. Por lo tanto se ratifica con las pruebas Chicuadrada y Kolmogorov Smirnov, que los datos se comportan como datos provenientes de una población Binomial o bien de una población Poisson.

14 Lee mas

Desarrollo de un modelo espacio-temporal de la hidrodinámica y la temperatura de un cauce fluvial : caso de estudio Río Fucha

Desarrollo de un modelo espacio-temporal de la hidrodinámica y la temperatura de un cauce fluvial : caso de estudio Río Fucha

Es importante, como uno de los primeros pasos para la modelación propuesta, entender el funcionamiento hidrológico de las corrientes, pues algunos aspectos pueden influir de gran manera en los resultados y ajuste del modelo. Por tratarse de cuencas urbanas, los ríos reciben un sinnúmero de descargas de aguas lluvias y aguas residuales. En lo referente a las aguas lluvias, esto puede asemejarse al aporte normal de escorrentía superficial de una cuenca, la diferencia radica en la forma del hidrograma puesto que en una cuenca con poca influencia antrópogénica ocurre un amortiguamiento natural del caudal, mientras que en una cuenca con gran afectación antrópica, el tiempo de tránsito del agua lluvia es mucho menor y el amortiguamiento de caudal pico es escaso. Esto significa que los afluentes pluviales de los ríos urbanos serán caudales casi intermitentes y de duraciones más cercanas a la duración de las precipitaciones ocurridas en sus áreas de cobertura.
Mostrar más

146 Lee mas

GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS

GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS

1 0,51 -15,11 1,58 -9,58 1,58 2 0,86 -2,54 0,31 -8,31 0,31 3 0,96 -0,73 0,09 -8,09 0,09 4 0,88 -2,09 0,25 -8,25 0,25 5 0,38 -25,96 2,48 -10,48 2,48 6 0,33 -32,55 2,97 -10,97 2,97 7 0,46 -18,58 1,88 -9,88 1,88 8 0,75 -5,25 0,61 -8,61 0,61 9 0,23 -52,36 4,27 -12,27 4,27 10 0,81 -3,66 0,43 -8,43 0,43 11 0,88 -2,12 0,26 -8,26 0,26 12 0,28 -41,49 3,58 -11,58 3,58 13 0,32 -34,39 3,10 -11,10 3,10 14 0,75 -5,47 0,63 -8,63 0,63 15 0,76 -5,05 0,59 -8,59 0,59 17 0,43 -21,29 2,11 -10,11 2,11 18 0,43 -21,33 2,11 -10,11 2,11 19 0,55 -13,09 1,39 -9,39 1,39 20 0,18 -72,89 5,43 -13,43 5,43 21 0,81 -3,81 0,45 -8,45 0,45 22 0,17 -77,77 5,68 -13,68 5,68 23 0,96 -0,67 0,08 -8,08 0,08 24 0,35 -30,23 2,80 -10,80 2,80 25 0,34 -31,42 2,89 -10,89 2,89 26 0,87 -2,39 0,29 -8,29 0,29 27 0,99 -0,16 0,02 -8,02 0,02 28 0,25 -48,55 4,03 -12,03 4,03 29 0,52 -14,57 1,53 -9,53 1,53 30 0,92 -1,30 0,16 -8,16 0,16 31 0,65 -8,73 0,97 -8,97 0,97 32 0,76 -4,99 0,58 -8,58 0,58 33 0,31 -35,61 3,18 -11,18 3,18 34 0,62 -9,63 1,06 -9,06 1,06 35 0,94 -1,02 0,13 -8,13 0,13 36 0,77 -4,87 0,57 -8,57 0,57 37 0,89 -1,98 0,24 -8,24 0,24 38 0,55 -13,24 1,41 -9,41 1,41 39 0,38 -26,42 2,51 -10,51 2,51 40 0,39 -25,54 2,44 -10,44 2,44
Mostrar más

25 Lee mas

Contenido Estrategias de formación Actividades con tiempos de dedicación (T.D) Actividades supervisadas (T.D) Actividades Independientes (T.D)

Contenido Estrategias de formación Actividades con tiempos de dedicación (T.D) Actividades supervisadas (T.D) Actividades Independientes (T.D)

Maestría en las áreas de Ingeniería de Software, Sistemas Computacionales o afín. El docente debe tener amplios conocimientos sobre modelado matemático, estadística, lógica computacional de programación, manejo de simuladores como el GPSS. Contar con habilidades para desarrollar la función de docencia y mostrar interés por los temas relacionados con su especialidad y tener espíritu investigador para garantizar su competencia y la de sus estudiantes. Evalúa los procesos de enseñanza y de aprendizaje con un enfoque formativo, con una actitud de cambio a las innovaciones pedagógicas. Construye ambientes para el aprendizaje autónomo y colaborativo.
Mostrar más

11 Lee mas

Show all 10000 documents...

Related subjects