Este documento describe la distribución normal o gaussiana, la distribución de probabilidad continua más importante debido a su frecuencia y aplicaciones. Fue descubierta por primera vez por De Moivre en 1733 y luego estudiada de forma independiente por Laplace y Gauss en relación con la teoría de errores. Caracteriza variables aleatorias continuas a través de sus parámetros de media y desviación típica.
Distribución de probabilidad continua o distribución Normal, cálculo de la puntuación Z y determinación del valor de probabilidad según la tabla de distribución Z.
Distribución de probabilidad continua o distribución Normal, cálculo de la puntuación Z y determinación del valor de probabilidad según la tabla de distribución Z.
Ejercicios de distribución normal estándar y área bajo la curva (5)Luz Hernández
Ejercicios de distribución normal estándar y área bajo la curva del Libro de "Estadística aplicada a los negocios y a la economía" de Lind, Marchal y Wath
La prueba de los signos es una herramienta útil para hacer pruebas de hp cuando nos encontramos casos como la muestra es pequeña y tenemos datos cualitattivos.
Prueba de hipótesis para distribuciones normal, y t student. Presentación dis...JAVIER SOLIS NOYOLA
El Mtro. Javier Solis Noyola diseña y desarrolla presentación sobre tema PRUEBA DE HIPÓTESIS para distribuciones de probabilidad (Normal, y t de Student)
Variables aleatorias discretas y continuasScarlet Íglez
Una variable aleatoria es una variable estadística cuyos valores se obtienen de mediciones en algún tipo de experimento aleatorio. Formalmente, una variable aleatoria es una función, que asigna eventos. Por ejemplo, lanzar un dado o una moneda.
Ejercicios de distribución normal estándar y área bajo la curva (5)Luz Hernández
Ejercicios de distribución normal estándar y área bajo la curva del Libro de "Estadística aplicada a los negocios y a la economía" de Lind, Marchal y Wath
La prueba de los signos es una herramienta útil para hacer pruebas de hp cuando nos encontramos casos como la muestra es pequeña y tenemos datos cualitattivos.
Prueba de hipótesis para distribuciones normal, y t student. Presentación dis...JAVIER SOLIS NOYOLA
El Mtro. Javier Solis Noyola diseña y desarrolla presentación sobre tema PRUEBA DE HIPÓTESIS para distribuciones de probabilidad (Normal, y t de Student)
Variables aleatorias discretas y continuasScarlet Íglez
Una variable aleatoria es una variable estadística cuyos valores se obtienen de mediciones en algún tipo de experimento aleatorio. Formalmente, una variable aleatoria es una función, que asigna eventos. Por ejemplo, lanzar un dado o una moneda.
This document describes how simulation tools might be applied to investigate logistics at
both the extended enterprise level, and the internal, company level. Supply chain modelling
and management are discussed, and metrics are proposed whereby the efficiency of a
conceptual enterprise might be assessed.
A global economy and increase in customer expectations in terms of cost and services
have put a premium on eective supply chain reengineering. It is essential to perform
risk benet analysis of reengineering alternatives before making a nal decision. Sim-
ulation provides an eective pragmatic approach to detailed analysis and evaluation of
supply chain design and management alternatives. However, the utility of this method-
ology is hampered by the time and eort required to develop models with sucient
delity to the actual supply chain of interest. In this paper, we describe a supply-chain
modeling framework designed to overcome this diculty. Using our approach, supply
chain models are composed from software components that represent types of supply
chain agents (like retailers, manufacturers, transporters), their constituent control ele-
ments (like inventory policy), and their interaction protocols (like message types). The
underlying library of supply chain modeling components has been derived from anal-
ysis of several dierent supply chains. It provides a reusable base of domain-specic
primitives that enables rapid development of customized decision support tools.
Desde la primera formulaci´on de los Problemas de Ruteo de Veh´ıculos, una gran
cantidad de m´etodos han sido propuestos para su resoluci´on. Estos m´etodos
incluyen tanto algoritmos exactos como heur´ısticas. En este trabajo se presenta
un relevamiento de algunas de las heur´ısticas que han sido m´as significativas.
El problema de transporte o VRP (Vehicle Routing Problem) con-siste en determinar un conjunto de rutas minimizando el costo total de transpor-tar paquetes de un origen a un destino, se ha tratado de disminuir ese costo por medio de la utilización de métodos de computación para calcular las rutas óp-timas o cercanas a las óptimas. Implementar el problema VRP en casos reales es difícil por el gran número de restricciones que se deben considerar. En este documento hago el análisis del problema VRP destacando su entorno, comple-jidad, las variantes del problema VRP y sus posibles métodos de solución.
1. Sin duda la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o de Laplace- Gauss. Fue descubierta y publicada por primera vez en 1733 por De Moivre. A la misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en relación con la teoría de los errores de observación astronómica y física . Pierre Simon de Laplace (1749-1827) Karl F. Gauss (1777-1855) 7. Distribución normal
2. Caracteres fisiológicos , por ejemplo: efecto de una misma dosis de un fármaco. Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie (tallas, pesos, diámetros, perímetros,...). Caracteres sociológicos , por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen, ... Errores cometidos al medir ciertas magnitudes. Valores estadísticos muestrales, por ejemplo : la media. Y en general cualquier característica que se obtenga como suma de muchos factores. Otras distribuciones como la binomial o la de Poisson se aproximan a la normal. Distribuciones binomiales con n grande (n>30) y ‘p ni pequeño’ (np > 5) ‘ni grande’ (n(1-p) > 5).
3.
4.
5. Distribución normal con =0 para varios valores 0 0.4 0.8 1.2 1.6 -2.50 -1.50 -0.50 0.50 1.50 2.50 x p(x)
6. 20 30 40 50 60 70 80 90 100 110 120 Curvas normales con distintas medias y desviaciones estándar.
7.
8.
9. Podemos obtener la función de distribución F ( x ) integrando la función de densidad de probabilidad: De modo que la probabilidad de una variable aleatoria normal X en un intervalo a x b es: ¡No podemos calcular analíticamente el valor de la integral! Tabularemos sus valores numéricos... En particular:
10. ¿Cómo calcular probabilidades asociadas a una curva normal específica? Dado que tanto como pueden asumir infinitos valores lo que hace impracticable tabular las probabilidades para todas las posibles distribuciones normales, se utiliza la distribución normal reducida o tipificada. Se define una variable z = x - Es una traslación , y un cambio de escala de la variable original.
11. La nueva variable z se distribuye como una NORMAL con media = 0 y desviación típica = 1 -3 -2 -1 0 1 2 3 z Recordemos de nuevo que en cualquier distribución normal las probabilidades delimitadas entre : 68 % 2 95 % 3 99 % 68% 99% 95%
12.
13.
14. Las probabilidades de la variable tipificada (z) están tabuladas para los diferentes valores de la variable. Para calcular probabilidades, una vez transformada, la variable a valores de z, se busca en una tabla el área correspondiente. Apliquemos el cambio de variable tipificada a la función de distribución F ( x ):
15. Característica de la distribución normal tipificada (reducida o estándar): No depende de ningún parámetro. Su media es 0, su varianza es 1 y su desviación típica es 1. La curva f(x) es simétrica respecto al eje de ordenadas y tiene un máximo en este eje. Tiene dos puntos de inflexión en z =1 y z = -1.
16. Hay varios tipos de tablas de la distribución normal La que se explica aquí representa las áreas para los diferentes valores de z desde 0 hasta + . 0 + Los valores negativos de z NO están tabulados, ya que la distribución es simétrica
17. 0.0 0.1 0.2 0.3 0.4 0.5 0 1 2 3 4 5 6 7 8 9 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ...... .1179 ..... ...... ...... ...... .1554 .... ..... .... .1915 .... La tabla consta de: *Margen izquierdo : Los enteros de z y su primer decimal. * Margen superior: segundo decimal * Cuerpo de la tabla: áreas correspondientes, acumuladas, desde 0 hasta 3.99
18. EJEMPLOS: 1.-¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? 2.-¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y +2.03? 3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z < ) 5. Hallar P ( 0.34 < z < 2.30 )
19. ? Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? z Cómo la curva es simétrica P (-2.03 < z < 0) = P (0 < z < 2.03) -3 -2 -1 0 1 2 3
20. 47. 88% Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? -3 -2 -1 0 1 2 3 z Se busca en la tabla el área correspondiente a z = 2.03 0.47882 0 1 2 3 4 1.8 1.9 2.0 2.1
21. ? 47.88% 47.88% Ejemplo 2 ¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ? -3 -2 -1 0 1 2 3 z En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882 La misma área hay entre 0 y -2.03 , por lo tanto P ( -2.03< z< 2.03) = 0.95764 95.76%
22. Ejemplo 3 ¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ? z -3 -2 -1 0 1 2 3 ? 1.- La probabilidad de 0 < z < + = 0.500 2.- La probabilidad de 0 < z < 1.25 = 0.39435 39.44% 3.- La probabilidad de z > 1.25 = 0.500 - 0.39435= 0.10565 10.56% 50%
23. Hallar P( -0.34 < z < ) z P(0 < z <0.34) = 0.13307 = P(-0.34 < z < 0) 13.31% 50% 63.31% P( -0.34 < z < ) = 0.13307 + 0.50000 = 0.63307 -3 -2 -1 0 1 2 3 Ejemplo 4 P (0 < z < ) = 0.50000
24. Ejemplo 5 Hallar P( 0.34 < z < 2.30) z -3 -2 -1 0 1 2 3 P(0< z <0.34) = 0.13307 P( 0 < z < 2.30) = 0.4893 P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623 35.62%
25. EJEMPLO Sea una variable distribuida normalmente con media = 4 y desviación típica = 1.5. ¿Cuál es la probabilidad de encontrar un valor x 6 (P(x 6 ))?
26. x = 4 = 1.5 Hallar P ( x > 6 ) ? 6 1.- transformar x en un valor de z 0.40824 0.09176 z = (6 - 4)/1.5 = 1.33 2.- Hallar P ( 0 < z < 1.33) = 3.- 0.5000 - 0.40824 = 0.5 -0.5 1 2.5 4 5.5 7 8.5 -3 -2 -1 0 1 1.33 2 3 z
27. Hasta ahora vimos como dado un valor x de la variable, hallar probabilidades transformando (estandarización) la variable en valores de x - ¿Cómo hallar un valor de x , dada la probabilidad? x = ? 38.20% Ejemplo: Sea una variable distribuida normalmente con =4 y =2 . Hallar el valor de x que deja por encima de él un 38.20% (0.3820) Se debe desestandarizar : x = z + 0.5000 - 0.382 = 0.118 Se busca en la tabla el valor más aproximado :0.1179 corresponde a z =+ 0.30 4.60 Se busca en la tabla de acuerdo al área. Con su signo Sustituyendo en la fórmula 0.30x2+4 =4.60 z =