Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DE TUXTLA GUTIRREZ
Apuntes
De
Simulacin
Ingeniera en Sistemas computacionales
INTRODUCCIN A LA SIMULACIN
4
5
6
7
10
14
15
17
NMEROS PSEUDOALEATORIOS
21
22
27
33
38
46
47
48
48
49
56
56
56
57
57
58
64
66
70
71
LENGUAJES DE SIMULACIN
75
75
75
76
77
77
77
4.4.1 PRUEBAS PARAMTRICAS (V. DEL MODELO, PRUEBAS DE HIPT Y PRUEBAS DE ESTIMACIN). 78
4.4.2 PRUEBAS NO PARAMTRICAS
78
83
PROYECTO INTEGRADOR
85
FUENTE DE INFORMACIN
88
BIBLIOGRAFA
88
Unidad 1
Introduccin a la Simulacin
Objetivo de la simulacin
Introduccin a la Simulacin
La simulacin consiste bsicamente en construir modelos informticos que describen la parte
esencial del comportamiento de un sistema de inters, as como en disear y realizar
experimentos con el modelo y extraer conclusiones de sus resultados para apoyar la toma de
decisiones.
En la vida real se presentan situaciones o sucesos que requieren tomar decisiones para planificar,
predecir, invertir, proyectar, etc. Una vez construido un modelo matemtico, si este es lo
suficientemente sencillo, puede ser posible trabajar con sus relaciones y cantidades para obtener
una solucin analtica exacta.
La Simulacin permite estudiar un sistema sin tener que realizar experimentacin sobre el
sistema real. Simulacin es una palabra familiar a los profesionales de todas las disciplinas e
incluso para aqullos que no han estudiado una carrera profesional. De esta manera el
4
significado de la palabra Simulacin se explica casi por s misma. Entre los significados que
podemos obtener de la gente comn y corriente para la palabra Simular, se encuentran los
siguientes: Imitar la realidad, emular un sistema, dar la apariencia o efecto de un sistema
o situacin real.
Para Thomas H. Naylor: Simulacin es una tcnica numrica para conducir experimentos en
una computadora digital, estos experimentos comprenden ciertos tipos de relaciones
matemticas y lgicas, las cuales son necesarias para describir el comportamiento y la estructura
de sistemas complejos del mundo real a travs de largos periodos de tiempo.
3. Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para
producir los resultados deseados.
5. Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o en los
datos alimentados al modelo. Las formas ms comunes de validar un modelo son:
1. La opinin de expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.
5. La aceptacin y confianza en el modelo de la persona que har uso de los resultados que
arroje el experimento de simulacin.
6. Experimentacin
Se realiza despus de que el modelo haya sido validado, consiste en generar los datos deseados
y en realizar un anlisis de sensibilidad de los ndices requeridos.
7. Interpretacin
Se interpretan los resultados que arroja la simulacin y con base a esto se toma una decisin. Es
obvio que los resultados que se obtienen de un estudio de simulacin que ayuda a soportar
decisiones de tipo semi-estructurada.
8. Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de simulacin.
La primera se refiere a la documentacin del tipo tcnico y la segunda se refiere al manual del
usuario, con el cual se facilita la interaccin y el uso del modelo desarrollado.
Como definicin de sistema se puede decir que Es un conjunto de elementos con relaciones de
interaccin e interdependencia que le confieren entidad propia al formar un todo unificado.
Un sistema puede ser cualquier objeto, cualquier cantidad de materia, cualquier regin del
espacio, etc., seleccionado para estudiarlo y aislarlo (mentalmente) de todo lo dems. As todo
lo que lo rodea es entonces el entorno o el medio donde se encuentra el sistema. EL enfoque de
sistemas intenta estudiar el comportamiento de sistemas completos en vez de concentrarse en
sus partes. Se deriva de reconocer que aun optimizando cada elemento del sistema desde el
10
punto operativo, el comportamiento del sistema completo puede resultar menos que ptimo
debido a las interacciones de los elementos.
Los sistemas complejos tienen caractersticas que pueden producir frustraciones al tratar de
mejorar su comportamiento, entre las cuales tenemos:
1. Cambio. Ningn sistema del mundo real permanece esttico durante un largo periodo.
La condicin o estado real de un sistema es el resultado del pasado y es la base para el
futuro.
2. Medio. El medio de un sistema es un conjunto de elementos y sus principales
propiedades, el cual aun cuando no forma parte del sistema, si se modifica puede
producir cambios en el estado del sistema (son todas las variables externas que pueden
afectar). Cada sistema tiene su propio medio.
3. Comportamiento intuitivo opuesto. Por lo general la causa y el efecto no se relacionan
estrechamente en el tiempo o el espacio, los efectos pueden aparecer despus de mucho
tiempo de que se dieran las causas. El examen superficial a menudo indica la necesidad
de acciones correctivas errneas, que pueden intensificar los problemas.
4. Tendencia al bajo rendimiento. Con el paso del tiempo las partes del sistema se
deterioran y surgen ineficiencias que van en perjuicio de su desempeo.
5. Interdependencia. Las actividades del mundo real influyen entre s. Ninguna de las
actividades dentro de un sistema complejo est aislada completamente, cada evento es
influido por sus predecesores y afecta a sus sucesores.
Modelos.
1. Modelo: es la representacin de un conjunto de objetos o ideas de forma diferente a la de la
entidad misma.
2. Modelo: es una abstraccin de la realidad que captura lo esencial para investigar y
experimentar en lugar de hacerlo con el sistema real, con menor riesgo, tiempo y costo.
11
El modelo es una "imitacin" del sistema original. Como para poder imitar algo o a alguien es
necesario conocerlo bien, ser necesario reunir la informacin precisa respecto del sistema
original. En el modelo participan las variables y sus relaciones.
12
Control
El control se ha definido bajo dos perspectivas; una limitada y una amplia. Para la perspectiva
limitada, el control se concibe como la verificacin a posteriori de los resultados conseguidos
en el seguimiento de objetivos planeados. La perspectiva amplia lo concibe como una actividad
que orienta a la organizacin hacia el cumplimiento de los objetivos propuestos bajo
mecanismos de medicin cualitativos y cuantitativos.
El control es una etapa primordial pues aun cuando se tenga una estructura y operacin eficiente,
como se verifica que los hechos estn de acuerdo a los objetivos
13
Previsin de fallas o errores futuros: el control, al detectar e indicar errores actuales, debe
prevenir errores futuros, ya sean de planeacin, organizacin o direccin.
Si suponemos que la simulacin se usa para investigar las propiedades de un sistema real, se
requieren de ciertas etapas las cuales difieren segn ciertos autores.
Ral Coss Bu, con la opinin de varios autores, plantea que los pasos necesarios para llevar a
cabo un experimento de simulacin son:
1. Definicin del sistema. Se debe de realizar un anlisis preliminar con el fin de
determinar la interaccin del sistema con otros sistemas, las restricciones del sistema,
las variables que interactan dentro de l y sus interrelaciones, las medidas de
efectividad a utilizar para definir y estudiar el sistema y los resultados que se esperan
obtener del estudio.
2. Formulacin del modelo. En la formulacin es necesario definir todas las variables que
forman parte de l, sus relaciones lgicas y los diagramas de flujo que describen en
forma completa el modelo.
3. Coleccin de datos. Definir con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados. Por lo general la informacin se puede
obtener de registros contables, ordenes de trabajo, opinin de expertos y si no hay otro
remedio por experimentacin.
14
15
3. Asociacin por analoga. En esta tcnica se hace uso de la reproduccin en una primera fase.
Consiste en establecer nuevos nexos entre datos e incgnitas siguiendo formatos y textos
guardados en la memoria para obtener otras por medio de la innovacin. Es evidente que sobre
las ideas iniciales, posteriormente se introducen modificaciones, que consisten en relacionar los
datos de otra forma, introducir nuevas condiciones o cambiar la forma de redactar las preguntas,
para obtener al final un problema derivado, que si bien no se caracteriza por su originalidad, s
constituye una nueva tarea.
4.-Integracin por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es asequible a
cualesquier sujeto. Consiste en elaborarla de forma tal que las incgnitas de los diferentes
incisos mantengan una dependencia sucesiva en forma de cadena, como el ejemplo de la pgina
37, donde fueron caracterizados los sistemas semi-abiertos, para luego eliminar los iniciales y
solo dejar la incgnita final.
Adems, en su conjunto, los fundamentos tericos estudiados sobre los distintos tipos de tareas
integradoras y las tcnicas necesitan para su implementacin del siguiente conjunto de
requisitos:
16
1.-Partir del anlisis de los objetivos de los programas, siguiendo un enfoque sistmico
en su derivacin gradual, desde los ms generales de la enseanza hasta la clase.
2.-Proporcionar en las tareas relaciones ricas entre los nuevos conocimientos y los
esquemas existentes, donde estn presentes todos los niveles de integracin de los
conocimientos y las habilidades, hasta llegar al nivel interdisciplinario.
5.-Redactar las tareas de forma tal que expresen siempre ms de una funcin. Adems
de la funcin cognoscitiva, incorporar situaciones nuevas, con diferentes niveles de
complejidad, tanto de la vida diaria, la orientacin profesional o el cuidado del medio
ambiente, como de la actualidad poltico- ideolgico del pas.
6.-Establecer un adecuado equilibrio entre los problemas que sern formulado, dejando
un espacio a los problemas experimentales y cualitativos, que son insuficientes en los
textos de la enseanza media.
Evento
Un evento es un suceso que hace cambiar las variables de estado del sistema. Durante el
procesamiento de un evento el tiempo de simulacin permanece fijo. Un evento pertenece a una
entidad, o actor en el sistema, y normalmente solo cambiara atributos de esta, dejando invariante
el resto del sistema.
Proceso
Es toda secuencia de eventos ordenada temporalmente (sucesin de estados de una entidad sobre
uno o ms intervalos sucesivos).
Entidad
El sistema a simular se modela en base a entidades actores que representan en su agregado al
sistema compuesto. El estado del sistema se entiende entonces como el agregado de los estados
que lo conforman.
Actividad
Secuencia de eventos pertenecientes a una entidad que cierran un ciclo funcional. A diferencia
de un evento, que se ejecuta a tiempo de simulacin constante, una actividad se desarrolla dentro
de un intervalo de tiempo de simulacin no puntual.
Simulacin en tiempo acelerado
Se da cuando el avance del tiempo de simulacin es mayor de un segundo por cada segundo de
tiempo real.
18
Atributos.
Propiedades que poseen las entidades, tambin son llamados variables. Existen varios tipos de
atributos.
1. P: Parmetros son atributos fijados durante el diseo del sistema
2. U: Variables de entradas o exgenos, fijadas por el entorno
3. D: Variables de entradas fijadas por el usuario
4. Y: Variables de salida son las variables de estado o combinacin de ellas correspondiente
a medidas del sistema
Variables
Una variable es la expresin simblica representativa de un elemento no especificado
comprendido en un conjunto.
Reloj de simulacin
Es el contador de tiempo de la simulacin, y su funcin consiste en responder preguntas tales
como cunto tiempo se ha utilizado el modelo de la simulacin, y cuanto tiempo en total se
requiere que dure esta ltima.
19
Unidad 2
Nmeros Pseudoaleatorios
Objetivo.
Solucionar problemas relacionados con la generacin y valoracin estadstica de los nmeros
Pseudoaleatorios.
20
Nmeros Pseudoaleatorios
Mientras a comienzos del siglo XX los inventores e ingenieros ya diseaban y perfeccionaban
diversas mquinas tragamonedas o aparatos de juegos automticos que de forma mecnica
pretendan imitar el azar y que en cierto modo ya funcionaban de manera Pseudoaleatorio.
Tambin se observa que en el rea de las matemticas, la estadstica y en los nacientes campos
de la computacin y la Informtica exista una preocupacin creciente por establecer frmulas
o algoritmos que permitieran generar nmeros aleatorios a base del mero clculo matemtico o
de la ejecucin de instrucciones programadas, es decir, sin necesidad de tener que usar los
tradicionales mtodos fsicos tales como tirar monedas al aire, lanzar dados, sacar pelotas
numeradas de una urna, sacar cartas de un mazo, hacer girar una ruleta, impulsar las ruedas de
una mquina tragamonedas, etc.
21
Por su parte, los nmeros Pseudoaleatorios son aquellas que tienen un comportamiento similar
a la naturaleza aleatoria, pero estn ceidos a un patrn, generalmente de naturaleza matemtica,
que hace que su comportamiento sea determinstico.
Casi todos los mtodos de simulacin se basan en la posibilidad de crear nmeros aleatorios con
distribucin U (0,1). Hasta la aparicin de las computadoras, los nmeros aleatorios se obtenas
de procedimientos experimentales como lotera o ruleta y se almacenaban en tablas.
Los nmeros generados por computadora se llaman nmeros Pseudoaleatorios, dado que son
predecibles a partir del primer nmero denominado semilla
Para poder utilizar un generador automtico de nmeros Pseudoaleatorios, ste debe cumplir
con ciertas propiedades:
Tablas de nmeros aleatorios: estos nmeros se pueden generar por medio de una hoja de
clculo o por cualquier generador de cualquier lenguaje de programacin razn por la cual su
comportamiento es totalmente determinstico.
Mediante el computador digital: existen tres mtodos para producir nmeros aleatorios
mediante un computador:
Provisin externa.
23
Resultado al ser
elevado al cuadrado
(x2):
5772156649
7923805949
7007174078
4885593952
33317792380594909201
62786700717407800000
49100488559395200000
23869028263819000000
Seleccin de los 10
dgitos
del medio:
33317792380594909201
62786700717407800000
49100488559395200000
23869028263819000000
Nuevo nmero
aleatorio
generado:
7923805949
7007174078
4885593952
0282638190
Mtodo de Producto medio: este mtodo es un poco similar al anterior pero se debe comenzar
con dos semillas cada una con k dgitos, el nmero resultante se toma como las cifras centrales
del producto de los dos nmeros anteriores. Por ejemplo, tomando como semillas a =
13 1 = 15 el mtodo sera el siguiente: +1 = 1
=
24
Mtodo del producto medio modificado: consiste en usar una constante multiplicativa en lugar
de una variable. Es decir +1 = ( ). Debe notarse que los mtodos anteriores tienen
periodos relativamente cortos, los cuales son afectados grandemente por los valores iniciales
que se escojan, adems son estadsticamente insatisfactorios. Tambin debe tenerse en cuenta
que un generador con un periodo corto no sirve para hacer un nmero considerado de ensayos
de simulacin.
2.1.3.-Mtodos congruenciales.
Se han desarrollado bsicamente tres mtodos de congruenciales para generar
nmeros
Mtodo Congruencial Mixto o Lineal: los generadores congruenciales lineales generan una
secuencia de nmeros Pseudoaleatorios en la cual el prximo nmero Pseudoaleatorio es
determinado a partir del ltimo nmero generado, es decir, el nmero Pseudoaleatorio +1 es
25
= es la semilla
=el multiplicador
= constante aditiva
= ( > , , )
, , > 0
Ejemplo: supongamos que se tiene un generador en el cual los valores de sus parmetros son:
= 5,
= 7,
= 4
= 8.
Xn
1
2
3
4
5
6
7
8
4
3
6
5
0
7
2
1
3
6
5
0
7
2
1
4
No aleatorio
0.3750
0.7500
0.6250
0.0000
0.8750
0.2500
0.1250
0.5000
De acuerdo con Hull y Dobell, los mejores resultados para un generador congruencial mixto en
una computadora binaria son:
= 83
=
= .
= 2
Donde
> 2 " " .
26
+1
+1
+1
+1
+1
Pruebas no paramtricas:
Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en determinadas
suposiciones, no parten de la base de que los datos analizados adoptan una distribucin
normal.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer
la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar
los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de est el 50% de las veces por debajo y el 50% por encima.
27
Pruebas paramtricas:
Las pruebas estadsticas paramtricas, como la de la de Student o el anlisis de la varianza
(ANOVA), se basan en que se supone una forma determinada de la distribucin de valores,
generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimento.
Ejemplo
Los miembros de un equipo ciclista se dividen al azar en tres grupos que entrenan con mtodos
diferentes. El primer grupo realiza largos recorridos a ritmo pausado, el segundo grupo realiza
series cortas de alta intensidad y el tercero trabaja en el gimnasio con pesas y se ejercita en el
pedaleo de alta frecuencia. Despus de un mes de entrenamiento se realiza un test de rendimiento
consistente en un recorrido cronometrado de 9 Km. Los tiempos empleados fueron los
siguientes:
28
Mtodo I
Mtodo II
15
16
14
15
17
Mtodo III
14
13
15
16
14
13
12
11
14
11
A un nivel de confianza del 95% Puede considerarse que los tres mtodos producen resultados
equivalentes? O por el contrario Hay algn mtodo superior a los dems?
Solucin:
Comenzamos calculando los totales y los cuadrados de los totales divididos por el nmero de
observaciones:
Suma
Suma2
Suma2/5
Met 1
77
5929
1185.8
Met 2
72
5184
1036.8
Met 3
61
3721
744.2
Total
=210
=2966.8
196
169
225
256
196
1042
169
144
121
196
121
751
2984
() =
Suma2/15
=2940
13.4
= 9.37
1.43
El valor de la F terica con 2 y 12 grados de libertad, a un nivel de confianza del 95% es 3,89.
Por consiguiente se rechaza la hiptesis nula y se concluye que los tres mtodos de
entrenamientos producen diferencias significativas.
RESUMEN EN EXCEL
Anlisis de varianza de un factor
Grupos
Cuenta
Suma
Promedio
Varianza
Columna 1
77
15.4
1.3
Columna 2
72
14.4
1.3
Columna 3
61
12.2
1.7
ANLISIS DE VARIANZA
Origen de las
variaciones
Entre grupos
Suma de
cuadrados
26.8
Grados de
libertad
2
Promedio de los
cuadrados
13.4
17.2
12
1.4333
Total
44
14
F
9.348
Probabili
dad
0.00356
Valor crtico
para F
3.885293835
Distribucin t de Student
Las distribuciones t de Student fueron descubiertas por William S. Gosset (1876-1937) en 1908
cuando trabajaba para la compaa de cervezas Guinness en Dubln (Irlanda). No pudo publicar
sus descubrimientos usando su propio nombre porque Guinness haba prohibido a sus
empleados que publicaran informacin confidencial.
Es una distribucin de probabilidad que surge del problema de estimar la media de una
poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. sta es la base
de la popular prueba t de Student para la determinacin de las diferencias entre dos medias
mustrales y para la construccin del intervalo de confianza para la diferencia entre las medias
de dos poblaciones.
30
( )2
=
( 1)
=
Ejemplo 1.
La compaa USA produce focos. El presidente de la Ca. dice que sus focos duran 300 das.
Entonces la competencia va a varios supermercados y compra 15 focos para probar esa
afirmacin. Los focos de la muestra duran en promedio 290 das con una desviacin estndar
de 50 das. Entonces, si quieren desmentir al presidente de USA necesita saber cul es la
probabilidad de que 15 focos seleccionados al azar tengan una vida promedio o no mayor de
290 das.
Primero calculamos
290300
50
15
10
= 12.91 = 0.7746
El resultado nos da: 0.2340. Esto significa que si la verdadera vida de un foco es de 300 das,
hay una probabilidad de 23.4% de que la vida promedio de 15 focos seleccionados al azar sea
menor o igual a 290 das y nosotros ha sabramos a qu atenernos si queremos poner en ridculo
al Presidente.
Ejemplo 2.
Supongamos que las calificaciones de una prueba estn distribuidas normalmente con una media
de 100. Ahora supongamos que seleccionamos 20 estudiantes y les hacemos un examen. La
desviacin estndar de la muestra es de 15.
Cul es la probabilidad de que el promedio en el grupo de muestra sea ms 110?
110 100
= 2.9814
15
20
32
Usando estos valores nos da un resultado de probabilidad acumulada de 0.00496. Esto implica
que hay una probabilidad de 0.42% de que el promedio en una muestra sea mayor de 110.
Ejemplo
Las puntuaciones en un test que mide la variable creatividad siguen, en la poblacin general de
adolescentes, una distribucin Normal de media 11,5. En un centro escolar que ha implantado
un programa de estimulacin de la creatividad una muestra de 30 alumnos ha proporcionado las
siguientes puntuaciones.
11
10
9
17
12
17
17
8
8
23
11
8
9
6
4
14
5
16
9
6
14
7
9
15
17
20
24
14
19
15
1.-A un nivel de confianza del 95% Puede afirmarse que el programa es efectivo?
= 11.5
1: > 11.5
2.-Se calcula media y la desviacin estndar
=
( )
(12.47 11.5)
=
= 1.00
5.3
1
29
relacin entre las variables, pero no indica el grado o el tipo de relacin; es decir, no indica el
porcentaje de influencia de una variable sobre la otra o la variable que causa la influencia.
Supongamos que tenemos un nmero k de clases en las cuales se han ido registrados un total de
n observaciones (n ser pues el tamao muestral). Denotaremos las frecuencias observadas en
cada clase por 1 + 2 + . . . + ( es el nmero de valores en la clase ). Se cumplir:
1 + 2 + . . . + =
Lo que queremos es comparar las frecuencias observadas con las frecuencias esperadas
(tericas), a las que denotaremos por 1 , 2 , . . . , . Se cumplir:
Clase
Clase 1
Clase 2
Frecuencia Observada
O1
Frecuencia Esperada
E1
Clase n
Total
Ok
n
Ek
N
Se tratar ahora de decidir si las frecuencias observadas estn o no en concordancia con las
frecuencias esperadas (es decir, si el nmero de resultados observados en cada clase corresponde
aproximadamente al nmero esperado). Para comprobarlo, haremos uso de un contraste de
hiptesis usando la distribucin Chi-cuadrado:
34
( )
=
=1
En cierta mquina Expendedora de Refrescos existen 4 canales que expiden el mismo tipo de
bebida. Estamos interesados en averiguar si la eleccin de cualquiera de estos canales se hace
de forma aleatoria o por el contrario existe algn tipo de preferencia en la seleccin de alguno
de ellos por los consumidores. La siguiente tabla muestra el nmero de bebidas vendidas en
cada uno de los 4 canales durante una semana. Contrastar la hiptesis de que los canales son
seleccionados al azar a un nivel de significacin del 5%.
Canal
1
2
3
4
Total
Para realizar el contraste de Chi cuadrada debemos calcular las frecuencias esperadas de cada
suceso bajo la hiptesis de uniformidad entre los valores. Si la seleccin del canal fuera
aleatoria, todos los canales tendran la misma probabilidad de seleccin y por lo tanto la
frecuencia esperada de bebidas vendidas en cada uno de ellos debera ser aproximadamente la
misma. Como se han vendido en total 70 refrescos, la frecuencia esperada en cada canal es
= = 70 = 17.5
=
=1
= 1, . . . ,
Este valor debemos compararlo con el valor crtico de la distribucin 2 con (4-1)=3 grados de
libertad. Este valor se busca en tabla y es: 2 0.95 (3) = 7.81 2
Prueba de Kolmogorov Smirnov
Metodologa
1. Formular la hiptesis nula, Ho. Teniendo en cuenta que los nmeros que se van a generar
provienen de una distribucin uniforme.
2. Se selecciona una muestra de tamao n de nmeros Pseudoaleatorios n.
3. Se hallan los parmetros de acuerdo a la distribucin que se est utilizando y dems
datos que sirvan de base para la realizacin de la prueba. Ej.: para el caso de una
distribucin normal se deben hallar los parmetros respectivos (Media, desviacin
estndar) y otros datos de utilidad.
4. Se debe calcular la funcin de distribucin acumulada para despus hallar las frecuencias
respectivas.
5. Antes de poder hallar el estadstico de prueba se debe hallar la frecuencia observada y
la frecuencia relativa de cada uno de los intervalos establecidos de acuerdo al rango.
6. Se aplica la ecuacin D= Frecuencia observada relativa-Frecuencia esperada
relativa para hallar la discrepancia de las mismas o error estadstico.
7. Posteriormente, se halla el estimador Smirnov-Kolmogorov que es: Valor mximo entre
todos los valores hallados para cada intervalo. En Excel sera =Mx. [Frecuencia
observada relativa-Frecuencia esperada relativa].
36
0.31
0.34
0.49
0.83
0.11
0.81
0.70
0.77
0.68
0.03
0.48
0.31
0.04
0.97
0.59
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
Ri
0.00
0.01
0.03
0.04
0.06
0.07
0.11
0.11
0.15
0.18
0.25
0.25
0.26
0.31
0.33
0.34
0.34
0.43
0.48
0.49
0.55
0.59
0.60
0.68
0.70
0.77
0.81
0.83
0.92
0.97
F(i/n)
0.03
0.07
0.10
0.13
0.17
0.20
0.23
0.27
0.30
0.33
0.36
0.40
0.43
0.47
0.50
0.53
0.57
0.60
0.63
0.67
0.70
0.73
0.77
0.80
0.83
0.87
0.90
0.93
0.97
1.00
37
F(i/n)- (Ri)
0.03
0.06
0.07
0.09
0.11
0.13
0.12
0.16
0.15
0.15
0.11
0.15
0.17
0.16
0.17
0.19
0.23
0.17
0.15
0.18
0.15
0.14
0.17
0.12
0.13
0.1
0.09
0.1
0.05
0.03
() ( )/
0.000
-0.023
-0.037
-0.060
-0.073
-0.097
-0.090
-0.123
-0.117
-0.120
-0.083
-0.117
-0.140
-0.123
-0.137
-0.160
-0.193
-0.137
-0.120
-0.143
-0.117
-0.110
-0.133
-0.087
-0.100
-0.063
-0.057
-0.070
-0.013
0.003
= |+
, ( )| = |(. , . )| = .
Comparamos el valor Dn (calculado) contra el valor en tablas de la distribucin KolmogorovSmirnov con n = 30 y un nivel de significancia alfa = 5%, el cual es d30, 5% = 0.242. Como 0.230
es menor que 0.242, entonces, no se puede rechazar la uniformidad de los nmeros aleatorios.
La muestra se acepta.
=1
= +
(/ )
(/ )
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 (/2 ) 1
1.96
+
= +
= 0.5298
2 12
2 12 30
1 (2 ) 1
1.96
=
= 0.4701
2 12 2 12 30
.
.
.
.
.
)
(
1) 30
(0.507
2
1
12
0.0383
= 0.13267
0.2886
39
2 =
=1( )2
0.41139
0.89560
0.45352
0.67382
0.96900
0.76395
0.60976
0.35960
0.08951
0.78127
0.93738
0.47596
0.28384
0.78377
0.74116
0.42252
0.84566
0.56183
0.23400
0.23641
0.50401
0.55539
0.12979
0.98986
0.93208
0.64551
0.56826
0.86559
0.30814
0.16585
0.34762
0.25384
0.07877
0.10184
0.68255
0.57261
0.42448
0.71793
0.07764
0.86060
0.54860
0.58461
0.71470
0.30483
0.67359
0.57957
0.55440
0.85091
0.55353
0.78562
0.39295
0.94603
0.05370
0.24963
0.61969
0.51144
0.29796
0.81251
0.85689
0.40582
0.00026
0.14318
0.97389
0.47850
0.64561
0.27479
0.42556
0.98150
0.67700
0.67231
0.34631
0.74919
0.52661
0.50416
0.98574
0.85281
0.41094
0.40407
0.98148
0.80703
No Clases
LIM INF
LIM SUP
PMEDIO
FO
FE
PM*F
FR REL
FR ACUM
0.000
0.198
0.0992
12
20
1.19
0.12
0.120
0.198
0.396
0.2971
18
20
5.35
0.18
0.300
0.396
0.594
0.49506
26
20
12.87
0.26
0.560
0.594
0.792
0.69298
22
20
15.25
0.22
0.780
0.792
0.990
0.89090
22
20
19.60
0.22
1.000
100
100
= /
2
2 =
(12 20) + (18 20) + (26 20)2 + (22 20)2 + (22 20)2
= 1.12
(5(20))
40
2
Buscando en tabla .05,4
= 9.49 > 02 entonces no se puede rechazar la hiptesis de que los
Prueba de Series
Esta prueba se utiliza para comprobar el grado de aleatoriedad entre nmeros sucesivos. La
prueba consiste en formar parejas de nmeros, las cuales son consideradas como coordenadas
en un cuadrado unitario dividido en 2 celdas. En la prueba de series se generan N nmeros
Pseudoaleatorios de los cuales se forman parejas entre +1 , es decir si se generan 5
nmeros, las parejas que se forman serian: (1 , 2), (2 , 3), (3 , 4), (4 , 5).
En seguida se determina la celda a la que pertenece cada pareja ordenada, con lo cual se
determina la frecuencia observada de cada celda.
Paso 1. Crear un histograma de dos dimensiones con m intervalos, clasificando cada pareja de
nmeros consecutivos ( , +1 ) dentro de las casillas de dicho histograma de frecuencias. El
nmero total de pares ordenados en cada casilla formar la frecuencia observada:
Paso 2 Calcular la frecuencia esperada en cada casilla FE de acuerdo con = / donde
nm. es el nmero total de parejas ordenadas.
Paso 3 Calcular el error 02 , con la ecuacin
2
2
0 =
1
=1
( 1)
(
)
2
=1
Pas 4 Si el valor de 12 es menor o igual al estadstico de tablas 12 con (m-1) grados de libertad
y una probabilidad de rechazo a, entonces aceptamos que estadsticamente los nmeros son
independientes.
41
Ejemplo: Realice la prueba de series a los siguientes 30 nmeros con un nivel de confianza del
95%.
0.72484
0.71890
0.34565
0.82345
0.03991
0.48999
0.61234
0.02345
0.12387
0.10461
0.50502
0.86322
0.67347
0.05389
0.93716
0.39528
0.94134
0.10987
0.82474
0.16894
0.36782
0.99872
0.25678
0.59289
0.98953
0.90234
0.27657
0.25593
0.36782
0.73231
1.00
0.75
0.50
0.25
0
3
1
1
2
0.25
2
1
3
2
0.50
1
1
3
1
0.75
2
3
1
2
1.00
El valor de la tabla 2 con un nivel de confianza del 95% y con (16-1)=15 grados de libertad es
igual a 25. Si se compara 12 =5.75 con este valor, se acepta la independencia de la secuencia de
nmeros.
2
12 ,05,15
La prueba de las corridas sirve para probar la aleatoriedad de los nmeros generados. Esta
prueba se basa en el nmero de corridas o secuencias ascendentes y descendentes. Una corrida
es una secuencia ascendente o descendente de nmeros Pseudoaleatorios adyacentes.
42
Con base en esta muestra, obtener una nueva sucesin binaria, segn el criterio siguiente:
(N i + 3)
2+1
+1
2
0.31
0.34
0.49
0.83
0.11
0.81
0.70
0.77
0.68
0.03
0.48
0.31
0.04
0.97
0.59
43
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
Longitud de la
corrida
=1
=2
=3
=4
=5
( )2
Frecuencia
observada
FO
9
3
2
1
1
FE
8
3.875
1.875
0.906
0.438
Resultado
0.125
0.197
0.008
0.010
0.721
Como para las longitudes de corrida = 1,2, 3, 4, 5; las frecuencias observadas son menores o
igual a cinco, agrupamos estas longitudes de corridas en una sola longitud de corrida.
( )2
Longitud de la
Frecuencia
corrida
observada
li
FO
FE
Resultado
1
9
8
0.125
>2
7
7.4
0.936
2
El valor en tablas de 1;5% = 3.84 ; entonces no se puede rechazar la independencia de los
nmeros aleatorios.
44
0.31
0.34
0.49
0.83
0.11
0.81
0.70
0.77
0.68
0.03
0.48
0.31
0.04
0.97
0.59
0.01
0.07
0.43
0.11
0.25
0.60
0.06
0.92
0.00
0.55
0
1
1
1
0
1
0
1
0
0
0
0
1
1
1
0
1
0
0
1
1
0
1
1
Obsrvese que la ltima celda se deja en blanco, pues no hay con qu nmero comparar. (Aqu
N = 29)
45
Tabla de clculos
Longitud de corrida i
1
2
3
4
5
FE
11.500
5.083
1.400
0.292
0.005
FO
11
5
2
-
(FE-FO)2/FE
0.020
0.001
0.257
Tabla simplificada
i
1
>=2
FE
11.500
6.483
FO
11
7
(FE-FO)2/FE
0.020
0.004
2
X = 0.024
Como el valor 0.024 es menor que el valor en tablas de Ji-cuadrada 2 1,5%= 3.84, no se puede
rechazar la independencia de los nmeros aleatorios.
Ho independiente
Hi Dependiente
Para realizar esta prueba de hiptesis existen varios mtodos, puede seleccionarse cualquiera de
la siguiente lista:
Prueba de hueco
Consiste en suprimir de un texto una serie de palabras seleccionadas en virtud que representan
los aspectos que se requieren medir. La tarea del candidato es deducir, por el contexto, la palabra
eliminada y reescribirla para determinar la palabra dada es correcta o incorrecta.
Prueba de Yule
Es una medida de asociacin creada por el estadstico escoces George Udny Yule, se utiliza en
cuadros estadsticos llamado contingencia.
Variables nominales
Restricciones:
Tener en cuenta que son nmeros positivos, solo pueden tomar valores comprendidos
entre cero y uno.
Cuando se acercan a un cero, indican independencia o asociacin muy dbil entre las
variables.
Definicin
Es el proceso de disear y desarrollar un modelo computarizado de un sistema o proceso y
conducir experimentos con este modelo con el propsito de entender el comportamiento del
sistema o evaluar varias estrategias con las cuales se puede operar el sistema.
47
2.3.1 Caractersticas.
Ventajas
1. Es un mtodo directo y flexible
2. Existe un amplio abanico de programas y lenguajes destinados a simular.
3. Cuando el modelo matemtico es demasiado complicado la simulacin permite obtener
una aproximacin.
4. La simulacin nos permite formular condiciones extremas con riesgos nulos.
5. La simulacin no interfiere con el mundo real. Permite experimentar.
6. Permite estudiar la interaccin entre las diferentes variables del problema.
7. Mediante la simulacin podemos influir en el tiempo de los procesos.
8. La simulacin permite resolver problemas que no tienen solucin analtica.
Desventajas
1. Una buena simulacin puede resultar muy complicada, gran nmero de variables.
2. La simulacin no genera soluciones ptimas globales.
3. No proporciona la decisin a tomar, sino que resuelve el problema mediante
aproximacin para unas condiciones iniciales.
4. Cada simulacin es nica, interviene el azar.
2.3.2 Aplicaciones.
Criptografa
Ecologa
Econometra
Evolucin estelar
Fsica de materiales
Teora de colas
Pronsticos
Sistema de inventarios
Portafolios de valores
Sistemas de ventas
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la
siguiente:
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado
Ejemplo.
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver
qu sucede con el promedio de la demanda en varias iteraciones.
Frecuencia
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0.4
0.2
0.2
0.1
42
0.10
45
48
51
54
Tabla de datos
Consultas
Frecuencias
absolutas (das)
Frecuencia
Frecuencia
acumulada
Intervalo
10
20
48
51
54
.10
.20
.40
.20
.10
.10
.30
.70
.90
1.00
0.0- 0.10
0.10-0.30
0.30-0.70
0.70-0.90
0.90-1.00
50
Frecuencia acumulada
0.9
1.00
0.7
0.3
0.1
42
45
48
51
54
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada
da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero
aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado (si no es el
valor exacto, ste debe ser menor que el de la fila seleccionada pero mayor que el de la fila
anterior), de esa fila tomada como solucin se toma el valor de las unidades (Cuando trabajamos
en Excel debemos tomar el lmite inferior del intervalo para busca en las acumuladas, para poder
emplear la funcin BUSCAR (), para 42 sera 0, para 43; 0.100001 y as sucesivamente).
Supongamos que el nmero aleatorio generado sea 0.52, a qu valor de unidades corresponde?
Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente
mayor es 0.70 y corresponde a 48 unidades.
Se puede apreciar mejor en el grfico, trazando una recta desde el eje de la frecuencia hasta que
intersecta con la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para
cada variable (para casos prcticos hay que definir los intervalos y luego con una funcin de
bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la funcin
acumulada.
51
Numero de simulacin
1
2
3
4
5
6
n
Numero aleatorio
0.92
0.71
0.85
Valor de la demanda
54
51
51
0.46
48
Media
Desviacin estndar
Error residual
10
48.6
3.4
1.08
100
48,13
3.16
0.32
1000
47.87
3.29
0.11
10000
47,88
3.30
0.04
Ejemplo 2.
Se muestra un anlisis histrico de 200 das sobre el nmero de consultas diarias realizadas a un
sistema de informacin empresarial (EIS) residente en un servidor central. La tabla incluye el
nmero de consultas diarias (0 a 5) junto con las frecuencias absolutas (nmero de das que se
producen 0, 1,..., 5 consultas), las frecuencias relativas (10/200 = 0,05,...), y las frecuencias
relativas acumuladas.
Tabla de resultado
Consultas
Frecuencias
absolutas (das)
Frecuencia
relativa
Frecuencia
acumulada
Intervalo
10
0.05
0.050
0.0- 0.05
20
0.10
0.150
0.05-0.15
40
0.20
0.350
0.15-0.35
60
0.30
0.650
0.35-0.65
40
0.20
0.850
0.65-0.85
30
0.15
1.000
0.85-1.00
200
1.00
52
Supongamos que queremos conocer el nmero esperado (o medio) de consultas por da. La
respuesta a esta pregunta es fcil si recurrimos a la teora de la probabilidad.
Denotando por X a la variable aleatoria que representa el nmero diario de consultas al EIS,
sabemos que
() = ( = ) = . + . + . + . + . + . = .
=
Coonsultas
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
0
Total de consultas
53
FRECUENCIA ACUMULADA
1.200
1.000
0.800
0.600
0.400
0.200
0.000
0
3
Numero de consultas
54
Unidad 3
Generacin de variables aleatorias
Objetivo
Con base a los instrumentos que existen el alumno podr generar variables aleatorias de tipo
continua y discreta
Conocer los valores de las variables aleatorias con diferentes distribuciones
Conocer el tipo de variable aleatoria que da como resultado el mtodo de transformada inversa
con diferentes distribuciones.
55
Mtodo de aceptacin-rechazo
Mtodo de composicin
Mtodo de convolucin
56
Sea X una variable aleatoria diremos que es continua cuando toma un nmero infinito no
numerable de valores, es el caso de los intervalos de R o todo R.
Una variable aleatoria continua es aquella que puede tomar todos los valores posibles dentro de
un cierto intervalo de la recta real.
Ejemplo: La altura de los alumnos de una clase, las horas de duracin de una pila.
() = 1
( ) = ( < < ) = ()
57
aleatorias.
El mtodo consiste en normalizar el rango de f mediante un factor de escala c, luego definir a x
como una funcin lineal de r, despus se generan parejas de nmeros aleatorios 1, 2 y por
ltimo si el nmero encontrado se elige al azar dentro del rango (, )
() se acepta,
Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x) se expresa como
una mezcla o composicin de varias distribuciones de probabilidad fi(x) seleccionadas
adecuadamente.
58
() =
0
= + ( )
Ejemplo1
La temperatura de un calefactor se comporta unifrmenme dentro del rango de 95-100 Co.
Compruebe esta condicin utilizando la ecuacin de la distribucin uniforme.
Datos: a= 95 C, b= 100 C.
59
Al generar los nmeros aleatorios y sustituir en la ecuacin se obtienen las siguientes mediciones
que se muestran en la tabla siguiente 3.4.1, adems se muestra la grfica de los rangos dentro
de los lmites permitidos de temperatura.
Comportamiento de la medicin
Variacion de la Temperatura
101
100
99.852
99.459
99.197
99
98.68
98.243
98
97.43897.552
97.357
97
96.859
96.41796.525
96.298
96.197
96
95.461
95.157
95
94
93
92
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15
Temperatura
Figura 3.4.1
= 95 + (100 95)
Tabla 3.41
Datos del problema
Medicin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
A=95 B=100
No Aleatorio
0.092153592
0.471401819
0.970380946
0.648670514
0.735904367
0.259601273
0.891811735
0.487690208
0.51033388
0.839493295
0.031388969
0.283466358
0.305078094
0.371888104
0.239365786
60
Temperatura
95.461
97.357
99.852
98.243
98.680
96.298
99.459
97.438
97.552
99.197
95.157
96.417
96.525
96.859
96.197
Cliente
1
2
3
4
5
6
7
8
9
10
11
12
Distribucin de Bernoulli
Aleatorio
0.13498128
0.78029698
0.59452072
0.44125147
0.94712341
0.69025104
0.91437197
0.9660856
0.87115293
0.58708028
0.58706789
0.08833466
T servicio(min)
0.435
4.546
2.708
1.746
8.819
3.516
7.373
10.152
6.147
2.654
2.653
0.277
0
1-p
1
p
0
1-p
1
1
(0,1 ) = 0
(1 , 0) = 1
61
Ejemplo. Los datos histricos sobre la frecuencia de cierta maquina muestra que existe una
probabilidad de 0.20 de que la maquina falle (x=1), y una probabilidad de 0.80 de que siga
funcionando (x=0) en un tiempo determinado. Genere una secuencia aleatoria y simule el
comportamiento
x
()
()
0.8
0.8
0.2
1.0
La regla para generar las variables aleatorias est dada por la siguiente funcin.
= {
(0, 0,80) = 0
(0.80 1) = 1
Ri
Xj
Suceso
1
2
3
4
5
6
7
8
9
10
0.67236364
0.61566166
0.9446116
0.45160881
0.78865119
0.58441702
0.60997286
0.8116595
0.24880213
0.36531886
0
0
1
0
0
0
0
1
0
0
En servicio
En servicio
fallo
En servicio
En servicio
En servicio
En servicio
fallo
En servicio
En servicio
Distribucin Poisson
El nmero de piezas que entran a un sistema de produccin sigue una distribucin de Poisson
con media de 2 piezas por hora. Simular el comportamiento de la llegada de las piezas al
sistema
() =
,
!
= 0,1,2,3, , ,,
62
p(x)
0.13534
0.27067
0.27067
0.18045
0.09022
0.03609
0.01203
0.00344
0.00086
0.00019
0.00004
0.00001
P(x) acumulada
0.13534
0.40601
0.67668
0.85712
0.94735
0.98344
0.99547
0.99890
0.99976
0.99995
0.99999
1.00000
Intervalos
0.00000- 0.13534
0.13534- 0.40601
0.40601- 0.67668
0.67668- 0.85712
0.85712- 0.94735
0.94735- 0.98344
0.98344- 0.99547
0.99547- 0.99890
0.99890- 0.99976
0.99976- 0.99995
0.99995- 0.99999
0.99999- 1.00000
Aleatorio Piezas/hora
0.01879799
0
0.43158529
2
0.51428224
2
0.73651129
3
0.19912868
2
0.30000
0.20000
0.10000
0.00000
1
Grafica No.1
63
10 11 12
10
12
14
Grafica No.2
3.4.2 Mtodo de convolucin.
1 {, } , = ()( )
0
1
1 {
} 3 2()
( 3)( 2
0
3 2 2
= 2 [ ]0 = 2 [ 1] = 3 2
0
1
1
1
ln(1 ) ln(1 2 ) ln(1 )
Factorizando la ecuacin
=
1
[ln(1 ) + ln(1 2 ) + + ln(1 )]
1
[ln((1 )
(1 2 )
(1 ))]
= = [ln =1(1 )]
Ejemplo
1
El tiempo de proceso de una pieza sigue una distribucin 3-erlang con media = 8 /.
Realice una Simulacin para ver el comportamiento.
Sustituyen valores en la ecuacin se tiene la siguiente expresin
8
= [ln((1 )
3
Tabla de No. 3.4.2
Pieza
1
2
3
4
5
6
7
8
9
10
(1 2 )
(1 ))]
1-ri
0.7095
0.1839
0.1368
0.3338
0.3497
0.5914
0.1273
0.9980
0.6312
0.6307
1-ri
0.1182
0.4395
0.6144
0.0294
0.4844
0.0989
0.7429
0.4340
0.7757
0.5769
65
1-ri
0.7671
0.8532
0.6321
0.0666
0.7250
0.1370
0.5826
0.2236
0.1438
0.8005
Tiempo de proceso
min/pza
7.52
7.20
5.60
1.35
6.36
3.06
6.32
18.71
7.06
9.25
Figura 3.4.1
66
Figura 3.4.2
El mtodo de composicin se basa en expresar la densidad de la variable a simular como una
suma ponderada de densidades para las cuales sea sencillo aplicar el mtodo de inversin. El
proceso de simulacin se dividir en dos partes; en primer lugar, se elige de acuerdo con los
pesos de cada densidad, una de ellas, y en segundo lugar, se aplica el mtodo de inversin
utilizando la funcin de distribucin correspondiente a la densidad elegida.
= /()()
() =
/( ) ()
67
1 =
2 =
1() =
2
( )
( )2
1 () =
( )2
( )2
68
rea 2
2() =
2
( )
( )2
( )2
2 () = 1
( )2
2
( )
( )2
() =
2
( )
{ ( )2
Sumando las dos funciones de distribucin de probabilidad y multiplicando por sus reas
respectivas se tiene.
2
() = (
)
( + (
)
( )
2
( )
( )2
Simplificando la ecuacin
() =
2
( )( )
( ) +
2
( )
( )( )
69
= + ( )
( )
( )
( )2
1
=
( )2
= ( ) >
( )
( )
Ejemplo. Generar una muestra de 7 variables con distribucin triangular a partir de los
parmetros, valor mnimo 5, moda 10y valor mximo 20
Variable
1
2
3
4
5
6
7
0.18487676
0.79471215
0.10892633
0.81508469
0.03782456
0.24536204
0.81798245
0.32863419
0.11195084
0.77060772
0.23027449
0.26985786
0.94327697
0.90381079
+ ( )
7.15
( )
6.65
15.21
5.97
7.48
11.31
15.73
La Distribucin De Poisson
La Distribucin Binomial
La Distribucin Erlang
70
En estos casos debemos emplear tcnicas no paramtricas que se utilizan ampliamente en las
aplicaciones de las ciencias sociales, cuando se pueden asumir a priori que los datos de una
muestra se ajusten a una distribucin normal. Ahora nos ocuparemos del problema de verificar
si de un conjunto de datos se pueden afirmar que proviene de un conjunto de datos
uniformemente distribuidos.
Ejemplo
Una moneda fue lanzada al aire 1000 en series de 5 veces cada serie y se observ el nmero de
caras de cada serie. El nmero de series en los que se presentaron 0, 1, 1, 3, 4 y 5 caras como se
muestra en la siguiente tabla.
Nmero de caras
38
144
342
287
164
25
Total
1000
71
Para obtener los valores esperados se tiene que utilizar la frmula de la distribucin binomial
de cara y sello en un solo lanzamiento de la moneda. Para calcular el valor de p, se sabe que
2470
=
= 2.47
1000
2.47
=
= 0.494
5
5
5
( ) . 494 (1 .494)5
Al seguir esta frmula se calcula la probabilidad de obtener caras, segn el valor de la variable
aleatoria. La probabilidad multiplicada por 1000 nos dar el valor esperado. Se resumen los
resultados en la tabla siguiente. = 1000
Nmero de caras (x)
P(x caras)
Frecuencia observada
Frecuencia esperada
0.0332
38
33.2
0.1619
144
161.9
0.3162
342
316.2
0.3087
287
308.7
0.1507
164
150.7
0.0294
25
29.4
Para los grados de libertad el valor de =1, ya que se tuvo que estimar la media de la poblacin
para poder obtener el valor de p y as poder calcular los valores esperados.
Grados de libertad: 1 = 6 1 1 = 4
72
Regla de decisin:
Si 2 9.49 no se rechaza Ho.
Si 2 > 9.49 se rechaza Ho.
2 =
((38 33.2)2 + (144 161.9)2 + (342 316.2)2 + (287 308.7)2 + (164 150.7)2 + (25 29.4)2 )
33.2 + 161.9 + 316.2 + 308.7 + 150.7 + 29.4
2 = 7.54
73
Unidad 4
Lenguajes de simulacin
Objetivo.
Conocer la diferencia entre los lenguajes de propsito general y de propsitos especiales para
aplicarse en simulacin.
74
Lenguajes de simulacin
4.1 Lenguaje de simulacin y simuladores
En un principio, los programas de simulacin se elaboraban utilizando algn lenguaje de
propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la dcada de
1960 hacen su aparicin los lenguajes especficos para simulacin como GPSS, GASP,
SIMSCRIPT, SLAM. En la ltima dcada del siglo pasado la aparicin de las interfaces grficas
revolucionaron el campo de las aplicaciones en esta rea, y ocasionaron el nacimiento de los
simuladores.
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases
que tengamos.
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.
77
La aceptacin y confianza en el modelo de la persona que har uso de los resultados que
arroje el experimento de simulacin.
4.4.1 Pruebas paramtricas (V. del modelo, pruebas de hipt y pruebas de estimacin)3.
Las pruebas estadsticas paramtricas, como la de la t de Student o el anlisis de la varianza
(ANOVA), se basan en que se supone una forma determinada de la distribucin de valores,
generalmente la distribucin normal, en la poblacin de la que se obtiene la muestra
experimental.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer
la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar
los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de X est el 50% de las veces por debajo y el 50% por encima.
El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y no la Media.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.
79
Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que se pueden
aplicar ms fcilmente.
La Tabla 4.2.2 tambin muestra las diferencias de valoracin de los estudiantes y los signos de
estas diferencias. As!, se asigna un + si se prefiere la salsa original, un si se prefiere la nueva y
si se valoran los dos productos por igual. En este experimento, dos estudiantes prefieren la salsa
original y cinco la nueva; uno las valora por igual.
Estudiante
A
B
C
D
E
F
G
H
Producto
original
6
4
5
8
3
6
7
5
Producto
nuevo
8
9
4
7
9
9
7
9
Diferencia
(original-nuevo)
-2
-5
1
1
-6
-3
0
-4
Signo
de la diferencia
(-)
(-)
(+)
(+)
(-)
(-)
0
(-)
La hiptesis nula de inters es que en la poblacin en general no hay una tendencia general a
preferir un producto al otro. Para evaluar esta hiptesis, comparamos los nmeros que expresan
una preferencia por cada producto, descartando los que valoran los productos por igual.
80
En este ejemplo, los valores del estudiante G se omiten y el tamao efectivo de la muestra se
reduce a n = 7. La nica informacin muestral en la que se basa nuestro contraste es que dos de
los siete estudiantes prefieren el producto original. Por 10 tanto, el estadstico del contraste es
S= 2
La hiptesis nula puede concebirse como la hiptesis de que la mediana poblacional de las
diferencias es 0. Si la hiptesis nula fuera verdadera, nuestra secuencia de diferencias + y podra concebirse como una muestra aleatoria extrada de una poblacin en la que las
probabilidades de + y - son 0,5 cada una.
Ho: P = 0,5 No hay una tendencia general a preferir uno de los productos al otro
Se utiliza un contraste de una cola para averiguar si existe una tendencia general a preferir la
nueva salsa a la original. La alternativa de inters es que la mayora de la poblacin prefiere el
nuevo producto.
H1: P < 0,5 La mayora prefiere el nuevo producto (0 menos del 50% prefiere el producto
original).
Unidad 5
Proyecto Integrador
Objetivo.
Aplicar los lenguajes de propsito general y especial para resolver problemas de simulacin en
modelos de lneas de espera, inventarios, produccin y mantenimiento en las empresas.
82
Proyecto Integrador
5.1 Anlisis, modelado y simulacin de un sistema o subsistema de
servicios o productivo de una empresa para detectar las mejoras posibles
a realizar.
Metodologa del proyecto
I.- EL PROBLEMA.
A. Ttulo descriptivo del proyecto.
B. Formulacin del problema.
C. Objetivos de la investigacin.
D. Justificacin.
E. Limitaciones
II.-MARCO DE REFERENCIA.
A. Fundamentos tericos.
B. Antecedentes del problema.
C. Elaboracin de Hiptesis.
D. Identificacin de las variables.
III.-METODOLOGA.
A. Diseo de tcnicas de recoleccin de informacin.
B. Poblacin y muestra.
C. Tcnicas de anlisis.
D. ndice analtico tentativo del proyecto.
E. Gua de trabajo de campo.
IV. Solucin del problema
A. Propuestas de mejora
V.-ASPECTOS ADMINISTRATIVOS.
A. Recursos humanos.
B. Presupuesto.
C. Cronograma.
VI. Conclusin y recomendaciones
Bibliografa
83
Realizar un cronograma de las actividades y el tiempo como ser ira entregando los avances del
proyecto.
Actividades
Tiempo de realizacin
Agosto
Septiembre
Octubre
84
Noviembre
Diciembre
Cuestionario 1
1. A qu se le llama nmero(s) Pseudoaleatorios(s)?
A una sucesin determinstica de nmeros en el intervalo [0, 1] que tiene las mismas propiedades
estadsticas que una sucesin de nmeros aleatorios.
2. Por qu se les llama nmeros Pseudoaleatorios?
Porque con predecibles y se pueden reproducir, dado el nmero aleatorio generador que se use.
3. Qu son los nmeros aleatorio?
Son un elemento bsico en la simulacin de la mayora de los sistemas discretos.
4. Qu quiere decir ri?
Significa Nmero aleatorio
5. Qu representa cada nmero aleatorio ri?
Es una muestra independiente de una distribucin uniforme y continua en el intervalo (0, 1).
6. Qu punto en el rango tiene posibilidad de ser elegido?
Todo punto en el rango tiene igual probabilidad de ser elegido.
7. Qu se necesita para empezar a calcular los nmeros aleatorios?
Son calculados a partir de una semilla (Seed) y una frmula.
8. Cuntas y cuales hiptesis debe de cumplir la secuencia de nmeros generados?
Son 2 hiptesis y son:
Distribucin Uniforme.
85
Por lo general, n = 0 1 donde estos son valores convenientes para la mayora de las
aplicaciones.
Facilidad de obtencin.
14. Cuntas y cules son las condiciones que deben satisfacer los nmeros Pseudoaleatorios?
Son 6 condiciones y son:
Uniformemente distribuidos.
Estadsticamente independientes.
86
Reproducibles.
Unidad 2
1.-Por ejemplo, compruebe con valores = 25 = 32, = 5, = 1 = 3 obtiene la
siguiente secuencia de nmeros, de longitud mxima:
+1 = ( + )
1
11
26
28
15
14
16
19
13
23
22
17
24
27
10
21
12
31
30
25
18
29
20
2.- El standard define para la funcin de generacin de nmeros Pseudoaleatorios los valores
de = 12345, = 32768 = 1103515245 . Calcule los 10 primeros nmeros
Pseudoaleatorio.
87
FUENTE DE INFORMACIN
Bibliografa
Eduardo Garca Dunna, Heriberto Garca Reyes, Leopoldo E Crdenas. Simulacin y anlisis
de sistemas con ProModel. Mxico. Editorial Pearson.
Charles Harrell, Birman K. Ghosh, Royce Bowden. Uso de simulacin ProModel. Mxico.
McGraw-Hill College.
Diaz Redondo, Rebeca; Pazos Arias, Jos Juan; Surez Gonzlez, Andrs. Teora de Colas y
Simulacin de Eventos Discretos. Espaa: Pearson Publicacin. 2004
(ISBN: 842053675x).
Guasch, Antoni; Piera, Miguel ngel; Figueras, Jaime; Casanovas, Joseph. Modelado y
Simulacin. Aplicacin a Procesos Logsticos de Fabricacin y Servicios. Espaa. Ediciones
UPC. 2003.
Banks, Jerry; Carson, John; Nelson, Barry L; Nicol, David. Discrete Event System Simulation.
Estados Unidos de Amrica. Prentice Hall. 2004.
Banks, Jerry; Carson, John; Discrete Event System Simulation. Estados Unidos de Amrica.
Prentice Hall. 1984.
Banks, Jerry; Carson, John; Ngo Sy, John. Getting Started With GPSS/H. Estados Unidos de
Amrica. Wolverine Software Corporation. 1995.
Scheaffer, Richard; McClave, James. Probability and Statistics for Engineers. Estados Unidos
de Amrica. Duxbury Press. 1995.
Banks, Jerry. Principles of Quality Control. Estados Unidos de Amrica. Editorial Wiley. 1989.
Spiegel, Murria. Estadstica. Espaa. McGraw Hill. 1991.
Hillier, Frederick; Lieberman, Gerald. Introduccin a la Investigacin de Operaciones. Mxico.
McGraw Hill. 1992.
88
89
90