Instituto Tecnolgico Superior de

Coatzacoalcos
Ingeniera en Sistemas Computacionales

Nombre del Alumno:

Nestor

Ubaldo

Apellido Paterno

Mota

Apellido Materno

Nombre(s)

PORTAFOLIO DE EVIDENCIAS
Simulacin
No. Control:

13080379

Nombre del Docente:

Landy
Apellido Paterno

Semestre:

Blanquet
Apellido Materno

Grupo:

Escobar
Nombre(s)

UNIDAD 4
LENGUAJES DE SIMULACION
_______________________________________

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.
En lo prctico, es importante utilizar la aplicacin que mejor se adece al tipo de
sistema a simular, ya que de la seleccin del lenguaje o simulador depender el
tiempo de desarrollo del modelo de simulacin.
Las opciones van desde las hojas de clculo, lenguajes de tipo general (como
Visual Basic, C++ o Fortan), lenguajes especficos de simulacin (como GPSS,
SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores especficamente
desarrollados para diferentes objetivos (como SIMPROCESS, ProModel, Witness,
Taylor II y Cristal Ball).
4.2 APRENDIZAJE Y USO LENGUAJE DE SIMULACIN O UN SIMULADOR
Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de
simulaciones de sistemas complejos del mundo real.
Los lenguajes de simulacin son similares a los lenguajes de programacin de alto
nivel pero estn especialmente preparados para determinadas aplicaciones de la
simulacin.
As suelen venir acompaados de una metodologa de programacin apoyada por
un sistema de smbolos propios para la descripcin del modelo por ejemplo
mediante diagramas de flujo u otras herramientas que simplifican notablemente la
modelizacin y facilitan la posterior depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las

caractersticas necesarias para la programacin de un modelo de simulacin, lo
que redunda en una reduccin significativa del esfuerzo requerido para programar
el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de
simulacin. Los bloques bsicos de construccin del lenguaje son mucho ms
afines a los propsitos de la simulacin que los de un lenguaje de tipo general.
Los modelos de simulacin son mucho ms fcilmente modificables.

Proporcionan muchos de ellos una asignacin dinmica de memoria

durante la ejecucin.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuracin de errores sintcticos y de otro tipo de errores, la
generacin de escenarios, la manipulacin on-line de los modelos, etc.
Son muy conocidos y en uso actualmente

Aprendizaje lleva cierto tiempo

Simuladores de alto nivel

Muy fciles de usar por su interface grfica

Restringidos a las reas de manufactura y comunicaciones

Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS,
DYSAC, DSL, GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL ( Continuous
System Simulation Language) , CSMP, ACSL ( Advanced Conrinuous Simulation
Language), DARE-P and DARE-Interactive, C-Simscript, SLAM, SIMAN, SIMNON,
SIMSCRIPT-II-5, ADA, GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de propsito
general como es el caso de SLAM o SIMAN que dependen de Fortran para las
subrutinas.
Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de
propsito especial, altamente estructurado que est orientado a la transaccin, un
caso especial de una orientacin basada en procesos ms general.
El GPSS fue diseado para la simulacin simple de sistemas de colas tales como
trabajos de taller.
A diferencia de los otros lenguajes de simulacin, GPSS tiene varias
implementaciones incluyendo GPSS/H y GPSS/PC, ambos de los cuales sern
discutidos ms adelante.
El SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes de simulacin de alto nivel
que tienen constructor especialmente diseados para facilitar la construccin de
modelos.
Estos lenguajes proveen al analista de simulacin con una opcin orientacin
basada en procesos o basada en eventos, o un modelo usando una mezcla de las
dos orientaciones.
A diferencia del FORTRAN, estos tres lenguajes proveen la administracin de la
lista de eventos futuros, generador interno de variables aleatorias, y rutinas
internas para la obtencin de estadsticas (estas caractersticas para las
implementaciones del GPSS mencionadas previamente.)

Se pueden lograr clculo complejos en ambas implementaciones del GPSS y

estos tres lenguajes.
El SIMAN, SIMSCRIPT II.5, y el SLAMSYSTEM proveen la capacidad de realizar
simulacin continua (esto es, para modelar sistemas que tengan continuamente
cambios en sus variables de estado) pero este tema no est dentro del alance de
este libro.
El SIMAN est escrito en C, aunque las primeras versiones del lenguaje fue
escrito en FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio ambiente del
ARENA. El SLAMSYSTEM contiene al lenguaje de simulacin SLAM II.
El SLAM II est basado en el FORTRAN y contiene al lenguaje GASP como un
subconjunto.
El GASP es un conjunto de subrutinas en FORTRAN para facilitar las simulaciones
orientadas al objeto escritas en FORTRAN.
El SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un completo lenguaje
cientfico de simulacin comparable con el FORTRAN, C o C++.
El MODSIM III es un descendiente del lenguaje que la compaa de productos
CACI originalmente diseado por la armada de los Estados Unidos.
Hereda mucha de su sintaxis del MODULA-2 y del ADA, ciertas caractersticas del
ADA y sus conceptos de simulacin del SIMSCRIPT y el SIMULA.
Algunas de las caractersticas de la simulacin orientada al objeto fueron
originalmente vistas en el SIMULA y el SMALLTALK.
4.3 CASOS PRCTICOS DE SIMULACIN
Un caso prctico de una simulacin podemos decir en esta parte, la simulacin del
Mtodo de Monte Carlo.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el
cual se basa en las distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).

Determinar el valor de la V.A. para el nmero aleatorio generado de

acuerdo a las clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

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:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias

relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin)
y registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados

Las principales caractersticas a tener en cuenta para la implementacin o

utilizacin del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de
probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
Establecer lmites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para
que una corrida sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver qu sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada (F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cul es el valor
obtenido de unidades cuando se genera un nmero aleatorio a partir de una
distribucin continua uniforme.
Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa.

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 V (), para 42 sera 0, para 43 0,100001 y as
sucesivamente).
4.3.1 PROBLEMAS CON LNEAS DE ESPERA.
Simulacin

de

una

lnea

de

espera

con

una

fila

un

servidor

Un sistema de colas estar definido cuando tengamos la siguiente informacin

acerca de este:
Distribucin de probabilidad de los tiempos de servicio
Distribucin de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizara el modelo de lneas de espera que se
muestra en la figura siguiente.
Como se puede apreciar, es un modelo bastante simple donde la disciplina de
atencin es FIFO (primero en llegar, primero en salir).

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucin
exponencial aunque con parmetros diferentes, para el caso del tiempo entre
llegadas tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el mtodo de la transformada inversa a la distribucin exponencial
(consultar Dyner etc. al, 2008), tenemos que:

Donde corresponde a una observacin de una variable exponencial, _ es un

nmero aleatorio entre cero y uno y es la media de la distribucin.
Para la implementacin del sistema descrito en Excel, abra una nueva hoja de
clculo y configrela como se muestra en la figura.

En la celda B8 escriba la formula =ALEATORIO () y arrastre hasta la celda B23.

Repita este procedimiento para la columna G.
En el paso anterior, se defini los nmeros aleatorios a partir de los cuales se
generaran las observaciones de variables aleatorias de la simulacin.
Ahora, en la celda C8 escribe la formula =-LN (1-B8)/$B$4, y arrastre hasta la
celda C23.
Como se puede apreciar, esta es la frmula descrita anteriormente para obtener
observaciones de una variable exponencial.
En este caso, se estn generando observaciones para la variable aleatoria de
tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera
llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego
al sistema), ser igual a su tiempo entre llegadas.
Sin embargo, para la celda D9 la formula correspondiente es =C9+D8, ahora
arrastre la frmula de D9 hasta D23; esta frmula significa que despus de que
llega el primer cliente, el instante de tiempo en el que cualquier otro cliente llega al
sistema ser el instante de tiempo en el que entro el penltimo cliente sumado el
tiempo entre llegadas del ltimo cliente, es decir, si el penltimo cliente entro al
sistema en el instante t=4, y el tiempo entre llegadas del ultimo cliente es dt=2,
entonces este ltimo cliente entrara realmente al sistema en t=6.
La frmula correspondiente a la celda E8 es =D8, esto significa que, al ser primer
cliente, el instante en el que llega al sistema ser el mismo instante en el que
comienza el servicio; ms adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna.
Ahora en la celda F8 escriba la formula =E8-D8 y arrstrela hasta la celda F23,
esto corresponde al tiempo de espera del cliente antes de comenzar a ser
atendido, note que D8 nunca ser mayor que E8 ya que el valor mnimo que

puede tomar el tiempo de comienzo del servicio es el tiempo de llegada, es decir,

cuando un cliente llega al sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN (1-G7)/$B$5, y arrstrela hasta la celda
H23, esta frmula indica cuanto tiempo tardara el servidor atendiendo al cliente
actual.
Ahora en la celda I8 escriba la formula =E8+H8, esta frmula indica el instante de
tiempo en el que servidor termina de atender al cliente actual y corresponde a la
suma entre el instante que comienza el servicio y la cantidad de tiempo que este
toma.
Retomemos ahora la columna E, ntese que esta solo est definida en su posicin
E8, esto porque primero se requera definir otros valores antes de poder
determinar el instante en el que empieza realmente el servicio.
En un sistema como el aqu presentado se pueden tener dos casos para el tiempo
de comienzo del servicio, en primer lugar puede que el servidor se encuentre
desocupado, en este caso el tiempo de comienzo del servicio ser igual al tiempo
de llegada al sistema y no habr tiempo de espera.
Sin embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del
servicio ser igual al mximo entre el instante en que el servidor termine de
atender al cliente actual y el tiempo de llegada al sistema; por si el tiempo de fin
del servicio del cliente actual es igual a tfs=12 pero el tiempo de llegada del
prximo cliente es tll=14, el tiempo de comienzo del servicio del prximo cliente
sera t=14 y el servidor tendr un ocio dt=2; por otro lado, si tfs=13 para el cliente
actual y el prximo cliente tiene un tll=10, el servidor no tendr ocio y el prximo
cliente debera esperar un intervalo de tiempo dt=3. De lo anterior se concluye que
la frmula para la celda E9 debe ser=MAX (D9;I8), ahora arrastre esta frmula
hasta la celda E23.
Hasta este punto se tiene una simulacin de un sistema de lneas de espera con
una fila y un servidor, si se desea generar nuevas observaciones presione la tecla
F9; como tarea al lector se deja el clculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacin en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2.
Tanto el tiempo entre llegadas como los tiempos de servicio, se distribuyen
exponencial con los parmetros que se muestran a continuacin.

Tiempo entre llegadas: =8

Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63
4.3.2 PROBLEMAS CON SISTEMAS DE INVENTARIO.
El diseo de sistema de inventarios toma en cuenta las caractersticas ms
relevantes del mundo real, es decir, aquellas variables cuya presencia tiene
efectos significativos sobre el objeto fijado.
Desde este punto de vista el sistema presenta una simplificacin o abstraccin de
una realidad.
Por otra parte, la operacin del sistema se facilita con el empleo de modelos, que
en forma directa o indirecta dan eleccin ms conveniente, segn los supuestos
que han llevado a su formulacin.
El desarrollo de modelo no es un trabajo reciente en el campo de la
administracin.
Los esquemas de balance de la empresa representan modelos generales que
simplifican la realidad de la empresa, pero que son capaces de proveer
informacin para la toma de decisiones de los ejecutivos.
En otros casos los modelos, segn los supuestos de su construccin dan una o
ms alternativas que permiten si la realidad se comporta como establece el
modelo, lograr el mejor desempeo del sistema.
Se distinguen dos tipos de modelo que son los empricos y matemticos.
Los modelos empricos corresponden a los que utilizan las empresas para
administrar sus inventarios, cuando no se encuentra una funcin u objetivo
claramente cuantificado que trate de optimizar, y en que la informacin que se
provee a los ejecutivos no permite fcilmente establecer cul es la estrategia de
mayor eficiencia econmica.
Por otro lado los modelos matemticos se caracterizan por representar la realidad
que les preocupa en smbolos y relaciones matemticas.
Dentro de los modelos matemticos se distinguen dos grupos de modelos, los
modelos de optimizacin y los modelos de simulacin.
Los modelos de simulacin parten de una funcin objetiva expresada en forma
matemtica y por su construccin es posible obtener la o las estrategias que
logran el nivel ms alto de eficiencia del objetivo.
En general, la optimizacin del modelo ser real en la medida que sea una
representacin adecuada del mundo que est en estudio.

A su vez, los modelos de optimacin se agrupan en modelo determinsticos y

modelos aleatorios o estocsticos.
Los modelos determinsticos reciben a un conjunto de variables, cuyo
comportamiento o valor en el futuro se supone cierto, es decir, no sujetos a
variacin.
En cuanto a los modelos estocsticos, se caracterizan por que uno o ms
variables pueden tener diferentes valores futuros, y cada uno de ellos tiene una
cierta probabilidad de ocurrencia.
4.4 VALIDACIN DE UN SIMULADOR
A travs de esta etapa es valorar las diferencias entre el funcionamiento delsimula
dor y el sistema real que se est tratando de simular.
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.
4.4.1 PRUEBAS PARAMTRICAS (VALIDACIN DEL MODELO, PRUEBAS DE
HIPTESIS Y PRUEBAS DE ESTIMACIN).
Validacin del modelo
Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
2) Delimitacin del sistema
3) Formulacin del modelo
4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
Consiste en la identificacin y captacin de los datos que requiere el modelo, de
acuerdo a la formulacin que se haya hecho en las etapas anteriores del diseo.
V. Construccin del modelo

Es llevar el modelo que se tiene del simulador a un lenguaje de programacin

disponible en el computador a usar o en las configuraciones disponibles, y que
debe conocer su programacin.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable
de confiabilidad de las inferencias efectuadas sobre el sistema real.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el
diseo de experimentos en general y que se aplica a disear experimentos a
efectuar con el simulador.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o los
usuarios.
Pruebas de hiptesis
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional.
Despus de recolectar una muestra aleatoria, se compara la estadstica muestral,
as como la media (x), con el parmetro hipottico, se compara con una supuesta
media poblacional.
Despus se acepta o se rechaza el valor hipottico, segn proceda.
Se
rechaza
el
valor hipottico
slo
si
el
resultado
resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.

muestral

Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa.

La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.

Etapa 2.- Especificar el nivel de significancia que se va a utilizar.

El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si
el resultado muestral es tan diferente del valor hipottico que una diferencia de
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de
1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba.
La estadstica de prueba puede ser la estadstica muestral (el estimador no
segado del parmetro que se prueba) o una versin transformada de esa
estadstica muestral.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de
prueba que se van a utilizar, se produce a establecer el o los valores crticos de
estadstica de prueba.
Etapa 5.- Determinar el valor real de la estadstica de prueba.
Por ejemplo, al probar un valor hipottico de la media poblacional, se toma una
muestra aleatoria y se determina el valor de la media muestral.
Etapa 6.- Tomar la decisin.
Se compara el valor observado de la estadstica muestral con el valor (o valores)
crticos de la estadstica de prueba.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor
crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la
hiptesis nula no se puede rechazar) de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de las
de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica
apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no
rechazo.
9. Determinar la decisin estadstica.
10 Expresar la decisin estadstica en trminos del problema.

4.4.2 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.
Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica
de la distribucin de nuestros datos.
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como de
distribucin libre (distribucin free).
En la mayor parte de ellas los resultados estadsticos se derivan nicamente a
partir de procedimientos de ordenacin y recuento, por lo que su base lgica es de
fcil comprensin.
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.
Las pruebas no paramtricas no requieren asumir normalidad de la poblacin y en
su mayora se basan en el ordenamiento de los datos, la poblacin tiene que ser
continua.
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.
Son menos potentes que las tcnicas paramtricas, aunque tienen la ventaja que
se pueden aplicar ms fcilmente.