Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Unidad 1
1.1 Trminos bsicos.
1.2 Nociones claves en simulacin.
1.3 Punto de vista sistmico.
1.4 El rol de la simulacin. Ventajas y desventajas.
Unidad 2
2.1 Variables aleatorias uniformemente distribuidas.
2.2 Propiedades de los generadores de nmeros aleatorios.
2.3 Mtodos para generar nmeros aleatorios.
2.3.1 Mtodo de Von Newmann.
2.3.2 Variacin del mtodo de Von Newmann.
2.3.3 Mtodos basados en nmeros congruentes.
2.3.3.1 Mtodo del residuo potencia o congruencial multiplicativo.
2.3.3.2 Mtodo congruencial mixto o de perodo completo.
2.3.4 Otros generadores de nmeros aleatorios con distribucin uniforme.
2.3.5 Variables aleatorias continuas.
2.3.6 Variables aleatorias discretas.
Unidad 3
3.1 Pruebas estadsticas de aleatoriedad.
3.1.1 Prueba estadstica Chi cuadrado.
3.1.2 Prueba de frecuencia.
3.1.3 Prueba del espacio intermedio (Gap test).
3.1.4 Prueba de Kolmogorov-Smirnoff.
Unidad 4
4.1 Aplicaciones elementales.
4.1.1 Mtodo de Montecarlo para evaluar integrales
4.1.2 Determinacin del precio de lanzamiento de un artculo.
4.1.2.1 Herramienta de Excel para generar varias rplicas.
4.1.3 Distribuciones empricas.
4.1.3.1 Simulacin de un juego de negocios.
4.1.3.1.1 Utilizacin de la herramienta Crystal Ball.
4.1.3.1.2 Prueba de bondad de ajuste con Crystal Ball.
4.1.4 Modelos continuos y modelos discretos. Crecimiento poblacional.
Unidad 5
5.1 Variables aleatorias no uniformes.
5.1.1 Mtodo de la transformada inversa.
5.2 Distribucin exponencial.
5.3 Distribucin geomtrica.
5.4 Distribucin gamma (Erlang).
5.5 Distribucin de Poisson.
5.6 Distribucin normal.
5.7 Distribucin beta.
5.8 Distribucin de Weibull
5.8.1 Clculo de los parmetros de la distribucin de Weibull..
5.9 Distribucin triangular.
5.10 Criterios de seleccin de una distribucin.
Unidad 6
6.1 Utilizacin de un equipo.
6.2 Mantenimiento de equipos.
6.3 Control de inventarios probabilsticos.
6.4 Anlisis de riesgo.
6.5 Lnea de espera (cola).
6.6 Portafolios agrcolas
6.7 Control de la contaminacin en un cuerpo de agua.
6.8 Modelo de control del dengue por medio de depredadores.
6.9 Modelos macro economtricos.
6.10 Modelos de empresa. Modelo de telaraa.
6.11 Sistemas dinmicos. El caos determinstico.
6.12 Definicin de itinerarios para una compaa aeronutica.
Unidad 7
7.1 Convergencia estocstica, intervalos de confianza y tamao de una muestra.
7.1.1 Determinacin del nmero de rplicas n.
7.2 Validacin de un modelo.
Bibliografa recomendada
Anexos
Anexo 1: anlisis de regresin.
Regresin lineal simple.
Regresin mltiple.
Regresin no lineal.
Regresin de potencia.
Regresin exponencial.
Regresin logartmica.
Regresin polinomial.
Regresin en EXCEL. Grficos y tendencias lineal., Logartmica, polinomial,
potencial., exponencial.
Modelo: Provee una descripcin del sistema Pueden ser fsicos o matemticos y cada
uno de esos a su vez puede ser esttico o dinmico. Estos se subdividen en numricos y
analticos. Para simulacin usaremos modelos matemticos, dinmicos y numricos. En
un modelo matemtico existen ecuaciones que relacionan entre s los parmetros y las
variables. Dado cierto conjunto de condiciones, o sea valores para los parmetros, el
modelo proporciona una medida cuantitativa del comportamiento del sistema en
cuestin y de los valores de sus variables. Otra clasificacin de modelos: modelo
analgico cuando el sistema real se representa por otro anlogo. Modelo continuo
experimenta cambios uniformes en sus caractersticas en el tiempo, por ejemplo el caso
de una ecuacin diferencial que rige el comportamiento de algn sistema fsico.
Modelos discretos: por eventos.
Variables de estado: si cada atributo que caracteriza al sistema puede ser cuantificable,
se puede usar una nica variable para representar cada atributo. Estas son las variables
de estado S = (s1, s2,sm) por ejemplo: la velocidad v, la altura h, el vector de
direccin r, el nmero de pasajeros n etc.
Variables de decisin: son las variables cuyo valor puede ser especificado al principio
de un problema independientemente de cualquier otra consideracin. Se representarn
como X= (x1, x2,xn). Normalmente los valores escogidos para estas variables
afectan el estado del sistema. Hay variables de estados independientes (de decisin) y
dependientes. En el caso de un avin, las independientes sern por ejemplo n, nmero
de pasajeros, C, cantidad inicial de combustible etc., mientras que las dependientes
sern v, velocidad, h altura etc. En el sistema de inventarios la independiente podra ser
por ejemplo M la participacin en el mercado, las dependientes seran Q la cantidad
econmica, T tasa de produccin etc.
Parmetros del sistema: Parecidos a las variables de decisin cuyos valores pueden ser
especificados a priori. Los notaremos como el vector C= (c1, c2,ck) Usualmente
representan constantes fsicas sobre las que no se tiene ningn control y no cambian a lo
largo del problema, mientras que las variables decisin s pueden cambiar. Las variables
de estado dependen de los parmetros y de las variables de decisin: S= F(C, X)
P1 = f1
P2 = f1+ f2
Pj = f1 + f2++ fj
.
Pm = fj = 1
Unidad 2
Para poder simular eventos aleatorios discretos se debe generar una gran cantidad de
nmeros aleatorios con el computador, de la manera ms eficiente y rpida posible.
Algunos mtodos para realizar esto se vern a continuacin. En realidad los nmeros
no sern totalmente aleatorios puesto que son generados en secuencias reproducibles
por medio de tcnicas determinsticas y por eso se les llama nmeros seudo aleatorios,
pero en la prctica satisfacen las pruebas de aleatoriedad.
Se va a considerar nmeros seudo aleatorios con una distribucin uniforme en el
intervalo (0,1). Luego estos nmeros con distribucin uniforme servirn para generar
otros nmeros aleatorios que cumplen otro diferente tipo de distribucin (no uniforme),
requeridos para problemas de simulacin.
Ejemplo: Ni = 60455
N2 = 71287
Ni*N2 = 4309655585
N3 = 96555
N2*N3 = 6883116285
N4 = 31162
2.3.3 Mtodos basados en nmeros congruentes
Dado un entero positivo m, llamado mdulo, se dice que dos nmeros a y b son
congruentes en mdulo m, si (a-b) es un mltiplo entero de m tal que a-b = k*m siendo
k un nmero entero. Esta relacin se nota usualmente como a b (mod. m) y se lee a
congruente con b mdulo m.
Hace uso de la relacin congruencial recursiva Ni A^i Ni-1 (mod. M) donde Ni-1 y
Ni son dos nmeros enteros aleatorios sucesivos.
Dados A, el multiplicador, y m, el mdulo, si se comienza con la constante N0
conocida, se tiene
N1 A^1 N0 (mod. M)
N2 A N1 (mod. M), o sea N2 A*A^1 N0 (mod. M).Queda N2 A^2 N0 (mod. M)
..
Ni A^i N0 (mod. M)
Para que los Ni tengan un aceptable comportamiento aleatorio es esencial que los
valores para m, N0 y A sean elegidos de acuerdo a las siguientes reglas:
1. El mdulo m podr ser escogido tan grande como sea posible para maximizar el
perodo de la secuencia de nmeros aleatorios. Si el computador trabaja con w bits por
palabra, el m seleccionado es m= 2^ (w-1)
2. El multiplicador A debe ser escogido de tal forma que minimice la correlacin entre
dos nmeros sucesivos y que haga el perodo lo ms grande posible. A debe satisfacer
las dos condiciones siguientes:
A 2^ (w/2) y A +/- 3 (mod. 8)
3. La semilla N0 puede ser cualquier nmero positivo entero impar cuyo valor sea
menor que m. Diferentes semillas se pueden usar para generar diferentes secuencias,
pero el mdulo m y el multiplicador A deben permanecer los mismos.
Cuando son escogidos de esta manera los valores de m, A y N0, cada secuencia
generada tendr un perodo T= m/4 y los valores obtenidos para los Ni estn entre 0 y
m-1. Para obtener las variables aleatorias distribuidas uniformemente U1, U2.cuando
0 Ui 1, se divide cada Ni/m = Ui
La frmula es Ni A ^ i N0 (mod. m)
Este mtodo es ampliamente utilizado por que cumple las pruebas estadsticas para
aleatoriedad y es fcilmente implantable en el computador. Existen otros conjuntos de
reglas para escoger los valores de m, A y N0 diferentes al ya visto.
Donde Ni, Ni-1 son dos enteros aleatorios sucesivos; A, b, m constantes enteras
especficas y N0 es la semilla.
N1 A N0 + b (mod. m)
N2 A N1 + b (mod. m) = A (AN0+b (mod.m)) +b (mod.m) =A^2 N0 + b ((A^2)-1)/
(A-1) (mod. m)
Como cada Ni ser un residuo del lado derecho (por ser mod. m) 0 Ni < m
pudiendo obtenerse las variables aleatorias uniformemente distribuidas, como
Ui = Ni/ m donde Ui pertenecer al intervalo entre 0 y 1.
2. El multiplicador A debe ser escogido de tal forma que minimice la correlacin entre
dos nmeros sucesivos y que haga el perodo lo ms grande posible. A debe satisfacer
las dos condiciones siguientes:
A 2^ (w/2) y A 1 (mod. 4)
Tamao de palabra W Multiplicador A (2^ (w/2) +3) Mod -1(2^ (w/1) -1)
8 bits 19 127
12 67 2047
.
64 4294967299 9223372036854775807
Si X es una v.a. continua distribuida uniformemente en el intervalo (a, b), con a menor
que b, llamamos U a la v. continua uniformemente distribuida en el intervalo (0,1)
X = a + INT ((b a + 1) U)
Unidad 3
3.1 Pruebas estadsticas de aleatoriedad
Estas pruebas determinan qu tan bien puede ser representado un conjunto de
observaciones por una distribucin dada.
K ser el nmero de las diferentes categoras y cada observacin debe caer en una de
ellas. Oi es el nmero de eventos observados en cada una de las categoras i (i=1, k).
Ei es el nmero esperado de eventos en cada categora i. Si Oi y Ei son conocidos para
cada categora, la estadstica Chi cuadrado puede ser determinada como
k
Chi cuadrado = (O1-E1) ^2 / E1 + ..+ (Ok-Ek) ^2 / Ek = (Oi-Ei) ^2 / Ei
i=1
El resultado de este clculo se usa en unin de la tabla para la distribucin Chi
cuadrado. En ella la primera fila indica la probabilidad, en porcentaje, de que la
distribucin asumida pronostique incorrectamente. A esto se le llama nivel de
significacin. Algunas tablas dan el nivel de significacin 100-p, en vez de la
probabilidad de rechazo de la hiptesis. La columna de la izquierda representa el
nmero de grados de libertad v que es, para este caso, uno menos que el nmero de
categoras. (v= k-1) ya que en este caso no se est estimando ningn parmetro. En
general el nmero de grados de libertad es k-m-1 donde k es el nmero de categoras o
clases y m representa el nmero de parmetros estimados por los estadsticos muestrales
de la distribucin propuesta. Cuando no se estima ningn parmetro, m=0.
Cuando se hace una prueba estadstica, se est examinando si la hiptesis Ho de que los
resultados observados puedan ser representados por la distribucin dada, es correcta. La
probabilidad de que la hiptesis sea incorrecta (o sea, de que la distribucin sea
inapropiada) aumenta cuando el valor calculado para Chi cuadrado aumenta.
Otra forma de llevar a cabo la prueba es no tomar una decisin si-no sino cuantificar
qu tan acertado se est sobre cul es la hiptesis correcta. El valor del parmetro p nos
indica la probabilidad de obtener un conjunto de datos, si Ho es cierta, que est ms a
favor de Ha. Si p es muy pequeo, la evidencia para Ha es fuerte. Si p es grande (de 0.5
a 0.7) no hay razn para sospechar de Ho. Si p est en el lmite (0.1) el resultado es no
concluyente.
Ho no se acepta si calculado tabulado para p=5% (p es la probabilidad de
que se pronostique incorrectamente). La distribucin Chi cuadrado tiene la forma
Ejemplo 1: se lanza un dado un nmero n=60 veces. Las frecuencias tericas esperadas,
Ni* para este caso, son de 10 veces cada cara y las frecuencias reales, Ni, son los
resultados del lanzamiento. A base de un nivel de significacin del 5%, permite
su8poner que el dado es perfecto, es decir, no est cargado?
1 7 10 -3 9 0.9
2 14 10 4 16 1.6
3 8 10 -2 4 0.4
4 5 10 -5 25 2.5
5 16 10 6 36 3.6
6 10 10 0 0 0
Suma 60 60 0 9.0
La prueba se realiza teniendo en cuenta los siguientes pasos:
En este punto se est estableciendo el criterio de decisin para juzgar si las frecuencias
observadas, en promedio, difieren significativamente de las frecuencias esperadas. El
valor del nivel de significacin corresponde a un rea bajo la curva de probabilidad
normal llamada zona de rechazo, ZR, o regin crtica, siendo ZA la zona de aceptacin.
9+3+4 =16
Prob 1 = 9/16 = .5625, Prob2 = 3/16 =.19, Prob3= 4/16 = .25
N1* = n*P1= 64*.5625 = 36, N2*= 64*.19= 12, N3* = 64*.25 = 16
34 36 4 / 36 = .111
10 12 4 / 12 = .33
20 16 16/ 16 =1
Total 64 64 calc=1.441
Como el valor de Chi tabulado es menor que el de Chi calculado, se acepta la hiptesis
al nivel del 5%: se puede afirmar que los datos son consistentes con el modelo.
Digito 0 1 2 3 4 5 6 7 8 9
F observada 94 93 112 101 104 95 100 99 108 94
F esperada 100 100 100 100 100 100 100 100 100 100
Puesto que estas frecuencias se pueden obtener sin estimar ningn parmetro a partir de
los datos muestrales, m=0. El estadstico tendr (k-m-1) = 10-0-1 = 9 grados de
libertad. As que
(9,0.05) tabulado = 16.92
El valor
calculado = (94-100) / 10 + (93 100)/ 100 +.+ (94 100)/ 100 = 3.72
Una prctica comn para construir intervalos de clase en la prueba de Chi cuadrado, es
seleccionar los lmites de las clases de forma tal que las frecuencias esperadas Ei = n Pi
(n tamao de la muestra, Pi la probabilidad de la clase) sean iguales para todos los
subintervalos. Las fronteras para las k clases a0, a1,ak se escogen de tal forma que las
probabilidades Pi = P(a (i-1) X ai) = f(x) dx siendo la integral calculada entre a (i-
1) y a (i), sean iguales.
Suponga que se decide utilizar 8 celdas o subintervalos. Para la distribucin normal
estndar, los intervalos que dividen la escala en segmentos igualmente probables son
Se le aconseja al estudiante revisar los valores calculados para los intervalos y verificar
si son o no los correctos. (Sugerencia: comience con el valor de la variable que
corresponde al 12.5% del rea total calculada por medio de la frmula de traslacin de
escalas Z = (x - ) / )
Los siguientes ejemplos ilustran el procedimiento general para estimar parmetros de
una serie de datos experimentales u observaciones, e identificar la distribucin que rige
estos datos con el fin de simularlos, utilizando esta distribucin en el modelo.
Numero de defectos 0 1 2 3
Frecuencia observada 32 15 9 4
La media de la distribucin de Poisson propuesta debe ser estimada a partir de los datos
muestrales:
= (32*0 + 15*1 + 9*2 + 4*3) /60 = 0.75
X
La funcin de densidad de probabilidad de Poisson es f(x) = exp. (- t) (t) / X!
A partir de ese valor y esta frmula se puede calcular Pi = probabilidad hipottica
asociada al i-simo intervalo de clase, asignando arbitrariamente a t el valor de 1; cada
intervalo corresponde a un nmero particular de defectos.
Fesp Fobs
P1 = P(X=0) = exp (-0.75)*(0.75) / 0! = 0.472 P1*60 = 28.32 32
P2 = P(X=1) = exp (-0.75)*(0.75) / 1! = 0.354 P2*60 = 21.24 15
P3 = P(X=2) = exp (-0.75)*(0.75) / 2! = 0.133 P3*60 = 7.98 9
P4 = P (X3) = 1-P1-P2-P3 = 0.041 P4*60 = 2.46 4
Puesto que la frecuencia esperada en la ltima celda es menor que 0.3, se combinan las
dos ltimas celdas:
Llegada 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Tiempo 5 2 1 2 1 3 1 3 2 1 4 4 1 2 1 1 1
Se desea generar v.a. que se rijan segn la distribucin del tiempo entre llegadas dado.
Procedimiento: para tener alguna sospecha sobre la distribucin a hipotetizar, es
conveniente hacer el histograma de frecuencias de la variable en cuestin.
Subintervalo 1 2 3 4 5
Conteos 8 4 2 2 1
Con esta formula se calculan los valores de la funcin de densidad de probabilidad para
los diferentes intervalos, siendo X1 y X2 los lmites inferior y superior de cada uno de
ellos.
En = (0.9) ^ n (0.1) N
923060497710807406852632953903562526358756195478
0 1, 5, 1, 2, 11
1 31
2 18, 2, 8, 1
3 19, 3, 2, 6
4 8, 29
5 5, 4, 2, 3, 2, 3
6 12, 3, 9, 3, 5
7 0, 4, 24, 6
8 5, 19, 8
9 6, 16, 2, 15
n On En n On En n On En
0 1 3.8 19 2 .51 39 0 .06
1 3 3.42 20 0 .46 40 0 .06
2 6 3.08 21 0 .42 41 0 .05
3 5 2.77 22 0 .37 42 0 .05
4 2 2.49 23 0 .34 43 0 .04
5 4 2.24 24 1 .3 44 0 .04
6 3 2.02 25 0 .27 45 0 .03
7 0 1.82 26 0 .25 46 0 .03
8 3 1.64 27 0 .22
9 1 1.47 28 0 .2
10 0 1.32 29 1 .18
11 1 1.19 30 0 .16
12 1 1.07 31 1 .14
13 0 .97 32 0 .13
14 0 .87 33 0 .12
15 1 .78 34 0 .11
16 1 .7 36 0 .09
17 0 .63 37 0 .08
18 1 .57 38 0 .07
Paso 3. Para aplicar la prueba Chi cuadrado se deben combinar las categoras de tal
forma que Ei 5 para cada nueva categora.
I n Oi Ei
1 0-1 4 7.22
2 2-3 11 5.85
3 4-6 9 6.75
4 7-10 4 6.25
5 11-16 4 5.58
6 17-46 6 6.08
Nmax
Paso 4. Se halla el valor calculado = (On En) ^ 2 / En = 7.98
n=1
Ejemplo 8: Para ilustrar la prueba de K-S se debe considerar la siguiente lista de 100
nmeros seudoaleatorios generados a partir de cualquier generador.
Lista original
0,71737 0,137189 0,027109 0,33978 0,69776
0,34985 0,75759 0,706141 0,24287 0,63228
0,60552 0,62753 0,042967 0,7821 0,88768
0,95304 0,537105 0,913921 0,9749 0,94915
0,50274 0,648736 0,238971 0,97854 0,05264
0,91186 0,995236 0,461956 0,24425 0,55761
0,12566 0,146339 0,139518 0,84442 0,63479
0,65523 0,396992 0,702397 0,79611 0,07854
0,50363 0,782123 0,378967 0,85043 0,04523
0,62129 0,368505 0,251721 0,73613 0,70679
0,25921 0,657123 0,438599 0,49227 0,22951
0,09768 0,445516 0,145883 0,26099 0,1434
0,58337 0,233252 0,786293 0,23766 0,42738
0,27453 0,234646 0,884543 0,90359 0,86524
0,00341 0,988611 0,65796 0,41962 0,95343
0,986 0,385912 0,28162 0,04967 0,85275
0,43642 0,397358 0,92938 0,86879 0,62916
0,54114 0,842296 0,088264 0,41657 0,40498
0,37442 0,909516 0,653527 0,31922 0,7559
0,20667 0,492185 0,448303 0,05089 0,74692
mnimo mximo
0,00341 0,995236
La lista debe ordenarse de menor a mayor. Los valores esperados se calculan como i
/ 100 para cada variable, donde i es el puesto que ocupa la variable en la lista (i va desde
1 hasta 100). En las columnas rotuladas como D, se calcula para cada variable, la
diferencia absoluta entre el valor observado, f (obs), de la variable y el esperado f (esp).
Lista ordenada
f(obs) f(esp) D f(obs) f(esp) D f(obs) f(esp) D f(obs) f(esp) D f(obs) f(esp) D
0,003 0,01 0,007 0,238 0,21 0,0277 0,4196 0,41 0,0096 0,6348 0,61 0,025 0,844 0,81 0,034
0,027 0,02 0,007 0,239 0,22 0,019 0,4274 0,42 0,0074 0,6487 0,62 0,029 0,85 0,82 0,03
0,043 0,03 0,013 0,243 0,23 0,0129 0,4364 0,43 0,0064 0,6535 0,63 0,024 0,853 0,83 0,023
0,045 0,04 0,005 0,244 0,24 0,0042 0,4386 0,44 0,0014 0,6552 0,64 0,015 0,865 0,84 0,025
3E-
0,05 0,05 04 0,252 0,25 0,0017 0,4455 0,45 0,0045 0,6571 0,65 0,007 0,869 0,85 0,019
0,051 0,06 0,009 0,259 0,26 0,0008 0,4483 0,46 0,0117 0,658 0,66 0,002 0,885 0,86 0,025
0,053 0,07 0,017 0,261 0,27 0,009 0,462 0,47 0,008 0,6978 0,67 0,028 0,888 0,87 0,018
0,079 0,08 0,001 0,275 0,28 0,0055 0,4922 0,48 0,0122 0,7024 0,68 0,022 0,904 0,88 0,024
0,088 0,09 0,002 0,282 0,29 0,0084 0,4923 0,49 0,0023 0,7061 0,69 0,016 0,91 0,89 0,02
0,098 0,1 0,002 0,319 0,3 0,0192 0,5027 0,5 0,0027 0,7068 0,7 0,007 0,912 0,9 0,012
0,126 0,11 0,016 0,34 0,31 0,0298 0,5036 0,51 0,0064 0,7174 0,71 0,007 0,914 0,91 0,004
0,137 0,12 0,017 0,35 0,32 0,0298 0,5371 0,52 0,0171 0,7361 0,72 0,016 0,929 0,92 0,009
0,14 0,13 0,01 0,369 0,33 0,0385 0,5411 0,53 0,0111 0,7469 0,73 0,017 0,949 0,93 0,019
0,143 0,14 0,003 0,374 0,34 0,0344 0,5576 0,54 0,0176 0,7559 0,74 0,016 0,953 0,94 0,013
0,146 0,15 0,004 0,379 0,35 0,029 0,5834 0,55 0,0334 0,7576 0,75 0,008 0,953 0,95 0,003
0,146 0,16 0,014 0,386 0,36 0,0259 0,6055 0,56 0,0455 0,7821 0,76 0,022 0,975 0,96 0,015
0,207 0,17 0,037 0,397 0,37 0,027 0,6213 0,57 0,0513 0,7821 0,77 0,012 0,979 0,97 0,009
0,23 0,18 0,05 0,397 0,38 0,0174 0,6275 0,58 0,0475 0,7863 0,78 0,006 0,986 0,98 0,006
0,233 0,19 0,043 0,405 0,39 0,015 0,6292 0,59 0,0392 0,7961 0,79 0,006 0,989 0,99 0,001
0,235 0,2 0,035 0,417 0,4 0,0166 0,6323 0,6 0,0323 0,8423 0,8 0,042 0,995 1 0,005
De los 100 valores calculados para D1, D2D100 se calcula el estadstico D de K-S
como el mximo de los Di: Dcalculado = max | f (esp)-f (obs) | = 0,051 para i=57.
Ejemplo 9: Se desea probar si el nmero de rayos gamma emitidos por segundo por
cierta sustancia radiactiva es una variable aleatoria que tiene la distribucin de Poisson
de parmetro l =2,4. Utilice los siguientes datos obtenidos en 300 intervalos de segundo
para probar dicha hiptesis a un nivel de significacin 0,05.
Nº de 0 1 2 3 4 5 6 7o
rayos gamma ms
Valores 20 48 65 75 45 34 9 4
observados
La poblacin en estudio son los rayos gamma emitidos por una sustancia radiactiva.
Calculamos los valores esperados para una Poisson de parmetro l =2,4. Se tiene que las
probabilidades de una Poisson de parmetro l =2,4 son (mirando en la tabla de la
distribucin de Poisson, como anexo al final del libro):
Valores de 0 1 2 3 4 5 6 7o
X ms
Para hallar los valores esperados bastar con multiplicar las probabilidades por el nmero de
observaciones, obtenindose:
Valores de X 0 1 2 3 4 5 6 7o
ms
Como se observa, existe un valor esperado menor que 5, por lo que debemos de agrupar
dos clases contiguas, en este caso, los clases 6 y 7 o ms, con lo cual las distribuciones
quedaran:
Valores de X 0 1 2 3 4 5 6o
ms
Valores 20 48 65 75 45 34 13
observados
Aplicando la frmula resulta que el valor del estadstico para dicho contraste vale
T= = 27,2047
Calculamos el valor del punto crtico de una chi-cuadrado con un valor de a =0,05(nivel
de significacin) y (7-1) grados de libertad, es decir, c20, 05(6) = 12,592 mirando en las
tablas.
La regin crtica es: T mayor o igual que 12,592, es decir, el intervalo (12,592,
+infinito).
Como el valor del estadstico T es mayor que el punto crtico se rechaza la hiptesis Ho.
T=27,2047 y 12,592 = c20,05(6)
Unidad 4
El algoritmo es el siguiente:
El valor hallado estocsticamente est obviamente muy lejos del valor analtico, pero
cuando se calculan ms de 500 parejas de nmero, el error obtenido va aminorando.
Este mtodo de calcular integrales es altamente ineficiente pero para algunas funciones,
por ejemplo para la funcin de densidad de probabilidad de la distribucin normal o
para algunas integrales dobles o triples, podra ser el nico ya que puede ser
extremadamente difcil o imposible, su resolucin analtica.
Un fabricante de una nueva marca de detergente desea determinar el precio unitario con
el cual debe lanzar al mercado su producto para obtener una ganancia aceptable. Se
sabe que el costo por Kg de produccin es de $0.5. El sistema no presenta ninguna
restriccin ni de produccin ni de demanda.
1 199-205 5 0.1666
2 206-212 6 0.2
3 213-219 5 0.166
4 220-226 4 0.133
5 227-233 4 0.133
6 234-240 6 0.2
El ancho del intervalo total de variacin de las demandas para todas las marcas resulta
aproximadamente igual: D promedio + / - 20
Dprom = K exp (- L P)
114 = K exp (- L 3)
219 = K exp (- L 0.5)
Recordar que la demanda se rige por una distribucin uniforme con rango Dprom + / -
20
Habiendo planteado ya nuestro modelo matemtico conformado por las dos ecuaciones
anteriores, es posible ahora desarrollar un programa para simular la demanda del
producto durante un nmero suficiente de das (1000 por ejemplo) para determinado
precio, observando cmo resulta la ganancia. Los datos de entrada son el precio de
venta P (variable de decisin), el costo de produccin (parmetro determinstico) y la
distribucin de la demanda (parmetro estocstico). El dato de salida ser la ganancia G
(criterio de desempeo).
El algoritmo que se usar ser el siguiente:
2. Calcular por medio de la ecuacin (1) cul ha de ser el valor de Dprom para el P
anterior.
3.1 con el valor de Dprom conocido y sabiendo que se rige por una distribucin
uniforme cuyo rango es Dprom + / - 20, se generan 1000 v.a. u. entre 0 y 1 con la
funcin RANDOM o RND (en Delphy o C++) y se transforman a valores que
representen demandas por medio de la frmula (ver seccin 2.3.4.2)
3.2 Para cada valor de D generado, se calcula su correspondiente ganancia G por medio
de la ecuacin (2), con el valor para C constante igual a 0.5.
3.3 Se acumulan estos 1000 valores para la ganancia y se calcula al final un promedio
dividiendo sobre 1000. Con esto obtenemos una primera pareja de datos: el valor del
precio P y su correspondiente valor para la ganancia promedio G.: (P1, G1)
4. Se aumenta el valor del precio en una pequea cantidad, por ejemplo en $0.01 y se
regresa al paso 2. El procedimiento se repite hasta que se haya examinado una regin
factible para los precios, por ejemplo entre 0.5 y 5, obteniendo de esta forma 450
parejas de datos (Pi, Gi) las cuales se pueden mostrar en un grfico para determinar la
regin ms recomendada para fijar el precio que ser, lgicamente, aquella donde la
curva sea ms alta. El programa puede lucir semejante al siguiente:
En base a los resultados se identifica aquella regin en la cual se debera fijar el precio
del artculo. Para una rplica, los resultados se muestran en la figura siguiente:
Este modelo se puede validar comparando sus resultados con los de la solucin analtica
del sistema de ecuaciones (1) y (2) el cual debe ser hallado por el estudiante.
Ambos resultados deben coincidir bajo un cierto margen de confianza. Para realizar
suficiente nmero de rplicas, por ejemplo 50 y de esta manera poder hallar estadsticas
confiables sobre el criterio de desempeo del modelo pero sin tener necesidad de copiar
otras tantas veces la hoja donde este se defini, se ejecutan los pasos detallados en la
siguiente seccin.
Suponga el siguiente sencillo modelo donde los nicos parmetros van a ser:
PRECIO 130
COSTO 18,1698052
demanda 170
INGRESO 19011,13312
La hoja 2 de la misma aplicacin debe lucir semejante a la siguiente:
En B1: =HOJA1! B4
Copiar en la columna C solo los valores (no las frmulas) de la columna B para que no
recalcule las celdas:
Seleccionar B1..B30 / Edicin / Copiar / C1 / Edicin / Pegado especial: valores
Para ver las estadsticas, se deben instalar las herramientas para anlisis de datos:
Herramientas / Complementos / Anlisis de datos.
En B1: =hoja1! B4
Para ver las estadsticas, instalar las herramientas para anlisis de datos:
Una vez instaladas las herramientas para anlisis estadstico, se desea que aparezca el
resumen de estadstica de los datos de la columna C con la media, la varianza, la moda
etc.:
Hasta ahora se ha visto cmo generar variables aleatorias a partir de una funcin de
distribucin dada. El problema inverso consistir en la construccin de una funcin de
distribucin a partir de un conjunto de variables aleatorias que representan la medida del
comportamiento del sistema, cuando las distribuciones tabuladas (normal, pascal,
uniforme etc.) no se adecuan a estos datos.
Una distribucin emprica se usa cuando se desea utilizar los datos observados de la
muestra para especificar directamente la distribucin.
En problemas reales la probabilidad de ocurrencia de un evento es expresada en
trminos de datos agrupados con distribucin emprica, por ejemplo:
Cada subintervalo j = 1,2m, es representado como un rectngulo cuyos lmites
superior e inferior son Xsj y Xij. La altura de cada subintervalo f(x), representa la
probabilidad de que el valor de X para un evento aleatorio caiga dentro del j-simo
subintervalo, esto es, Xij X Xsj. Esta se halla determinando cuntas variables
aleatorias caen dentro de cada subintervalo y dividiendo luego por m,
Y1 = f1
Y2= f1+f2
Ym= f1+f2+fm = 1
Una compaa desea calcular la ganancia esperada por la venta de un nuevo producto
con un precio de venta especfico, del cual se tienen las siguientes estimaciones sobre
las cantidades vendidas y los costos de produccin:
Respecto al costo de produccin existe un 20% de probabilidad de que este flucte entre
$60 y $ 70, un 35% de que flucte entre $70 y $80, un 30% de que flucte entre $80 y
$90 y un 15% de que flucte entre $90 y $100.
Suponga que el precio de venta se decida segn el criterio: que sea un 25% mayor al
costo de produccin esperado.
El valor del precio se determina calculando primero el valor esperado del costo de
produccin y multiplicndolo por 1.25:
(65*0.2 + 75.35 + 85*0.3 + 95*0.15)*1.25
Estas variables cumplen la distribucin emprica dada. Una desventaja de generar v.a.
con distribucin emprica es que nunca sern menores que a ni mayores que b.
De la misma manera que se hace para generar valores de costo, se generan ahora
variables aleatorias que representen el volumen de ventas. El proceso se debe repetir un
nmero suficiente de veces (1000?). El criterio de desempeo del modelo es la
ganancia neta que se calcula como
Se calculan de esta manera 1000 valores para G: G (1), G (2),..G (1000), con los
cuales se puede hallar su valor esperado y su dispersin, y elaborar el histograma de
frecuencias para determinar qu tan incierta es la prediccin.
El precio es una variable de decisin, su valor es fijo: 130 y se escribe en la casilla B1;
el costo de produccin y la demanda son parmetros estocsticos cuya distribucin se va
a definir mientras que el ingreso es simplemente (Precio-Costo de produccin)*
Demanda para lo cual se escribe en la celda B5 la frmula + (B1-B2)*B3.
Con el cursor en la casilla B2 se selecciona el cono de Crystall ball Define
assumption (primero a la izquierda) para definir el tipo de distribucin que rige el
costo de produccin, una normal con media 90 y desviacin 15. La pgina luce as:
Luego se define la distribucin que rige la demanda, una emprica detallada en la tabla
D2...F4. Con el cursor en B3, se selecciona Define assumption, se escoge la opcin
Custom y luego de sealar el rea donde van los datos, queda as
Luego, con el cursor puesto en la celda donde est el criterio de desempeo: B5. , se
toma la opcin Define forecast, que es el tercer icono de cristal ball, se seala el
cuadro de la opcin Fit distribution , se seala la anterior celda y luego OK. Se
puede tener ms de una celda sealada con Define Forecast.
El noveno icono de Cristal Ball, Run preferences, se escoge para decidir el nmero de
rplicas que se va a correr: 100. Por ltimo se escoge la opcin Start simulation.
Momentos despus aparece el informe sobre las 100 rplicas corridas del modelo.
Con la opcin View se puede ver el histograma de la distribucin de
probabilidad del criterio de desempeo (Ingreso) , o sea la variable Forecast , con
una curva de distribucin ajustada, su funcin de probabilidad acumulada, el informe
sobre los parmetros estadsticos y la identificacin de esta distribucin hecha con tres
tipos de pruebas: Anderson-Darling, Chi cuadrado y Kolmogorov-Smirnoff.
.
Para contestar el tipo de pregunta P (70000 Ingreso 90000), simplemente se
escriben estos dos valores en la parte inferior izquierda y derecha del histograma de
probabilidad y la respuesta se observa de inmediato.
El Crystall Ball permite identificar la distribucin que rige un conjunto de datos. Para
ello basta introducirlos desde A1 hasta A100 por ejemplo. Cursor en A1, luego se elige
Define forecast / Fit distribution / destacar el bloque A1...A100 / split view y se
obtiene una lista de aquellas distribuciones posibles junto con su grado de ajuste.
Para una serie de datos con distribucin desconocida, se selecciona Galera / fit /se
escribe el rango donde se encuentran los datos y el paquete buscar la mejor funcin
que ajuste los datos y se la asigna a la celda en cuestin.
Para desarrollar esta unidad se aconseja que el estudiante repase inicialmente los temas
de anlisis de regresin y de variacin aleatoria de la tendencia incluidos como anexos
en este texto, temas estos que ya debi tratar en cursos anteriores.
Suponga que se conoce los siguientes valores para tres aos consecutivos de una
determinada poblacin:
El modelo continuo expresa el cambio de poblacin (la rapidez con la que la poblacin
vara) como proporcional al tamao de esta, por medio de la ecuacin diferencial
dP / dt = k P
Exponenciando P = C exp (k t)
En t = 0 P0 = C exp (k * 0) = C
Despejando k = 0.03218
Suponga que los datos reales desde el ao 1999 hasta el 2013 sean los siguientes:
/ Ao Poblacin
real
1999 610
2000 631
2001 654
2002 676
2003 692
2004 713
2005 736
2006 758
2007 782
2008 812
2009 834
2010 863
2011 893
2012 919
2013 954
En este caso el modelo continuo tendr cierto error en la prediccin para 2002 y 2013.
Ahora miremos cmo sera otra forma de solucin del problema, el enfoque de modelo
discreto: lo primero que se hace es una regresin para hallar la forma como vara la
poblacin a lo largo del tiempo. La regresin lineal nos proporciona una buena
aproximacin al conjunto de puntos.
Tasa de Segn
/ Ao Pobl. real crecimiento ec.regr. Diferencia Var. De %
Var. De %
1,817704918 Var. Inf Var.sup Conteos Frecuencia Frec. Acum.
1,322562762
1,068770634 -1,22 -0,42 7 0,47 0,47
0,76018647 421 -38 0 0,00 0,47
-0,490181355 -0,381 1,18 5 0,33 0,8
-0,835755342 1.181 198 3 0,20 1
-0,951574597
-1,206525037
-1,224570983
-0,457211602
-0,704717808
-0,090106992
0,559665838
0,788866035
1,849286369
A ese valor medio se le suma (o se resta si resulta con signo negativo) la variacin
aleatoria segn la distribucin hallada, resultando el valor de la poblacin
Unidad 5
Suponemos dada una funcin de densidad de probabilidad f(x), con la cual se desea
generar una variable aleatoria x gobernada por esta funcin.
La cual es expresin para la distribucin uniforme acumulada en (0,1). Esto nos dice
que Y es uniformemente distribuida dentro de este intervalo (0,1) sin importarla
distribucin de X.
Para generar un valor para X usando l mtodo de la transformada inversa, se representa
primero Y por medio de un nmero aleatorio con distribucin uniforme en (0,1), U. Se
puede obtener el correspondiente valor para X evaluando la expresin X = 1 / F (U)
Con el mtodo de la transformada inversa se puede generar muchas funciones de
distribucin, pero no todas, por ejemplo la distribucin normal no puede ser generada
con este mtodo pues esta funcin no es analticamente integrable y no es posible
obtener una ecuacin explcita para x.
Xexp = -(1 / ) Ln U
Es discreta y se utiliza para hacer pronsticos del nmero de fallas antes de obtener el
primer xito es una secuencia de n ensayos independientes, para pronosticar el nmero n
de tems inspeccionados antes de encontrar uno defectuoso, para simular el nmero n de
tems demandado en un sistema de inventarios. A la distribucin binomial se le llama
de Bernoulli si los parmetros son B (1, p), o simplemente binomial si los parmetros
son B(n, p) cuando n es el nmero de experimentos y p la probabilidad de xito. La
distribucin geomtrica tiene como variable X al nmero de experimentos de Bernoulli
independientes realizados antes del primer xito (p: probabilidad de xito). Una
variable geomtrica (binomial) es la suma de n variables aleatorias independientes de
Bernoulli con el mismo parmetro p de xito.
Para generar una variable regida por la distribucin geomtrica, considere una secuencia
de experimentos independientes entre s, cuyo resultado puede ser xito o fracaso. Si p
es la probabilidad de xito para cada experimento (0 p 1) y q = 1 p es la
probabilidad de fracaso, la probabilidad de obtener x fracasos consecutivos seguidos por
un xito es f(x) = p * q^x donde x es un entero no negativo. La ecuacin anterior
representa la densidad de probabilidad para la distribucin geomtrica cuya media es
= q / p y cuya varianza es S^2 = q / p^= / p
Ln u = x Ln q o sea x = Ln u / Ln q
Y debido a que la distribucin geomtrica es discreta, las variables deben ser enteras y
por ello se debe tomar el valor entero de la funcin Xgeom = INT [Ln u / Ln q]
Ejemplo: Generar v.a. con distribucin geomtrica con p = 0.3
En la columna A del grfico se observa el valor de las v.a. uniformes y en la columna B
los valores de las v.a. con distribucin geomtrica segn la frmula
Es una distribucin adecuada para los procesos en los que se repite x veces un ensayo
(nmero de fracasos) hasta conseguir un determinado nmero de xitos, k. Si x=1 esta
distribucin coincide con la distribucin geomtrica. Los supuestos son: independencia
de los ensayos y reposicin.
Es una distribucin continua y se usa para representar datos empricos, por ejemplo,
tiempos de funcionamiento de equipos entre fallas, debido a que puede tomar una gran
variedad de formas, dependiendo de los valores asignados a los parmetros y . Se
usa para modelar variables que describen el tiempo hasta que se produce P veces un
cierto suceso. Se puede generar el tiempo de falla de un sistema con componentes,
cada uno con frecuencia esperada de falla , o el tiempo para completar una operacin
compuesta cuando esta requiere suboperaciones cada una con la misma frecuencia :
los valores generados por esta distribucin pueden representar el tiempo total requerido
para completar n repeticiones independientes de cierta tarea. El mtodo de la
transformada inversa solo se puede usar si se puede obtener una expresin para la
funcin de distribucin acumulada y si se puede resolver explcitamente para x, pero
hay muchas funciones de densidad de probabilidad donde esto no es posible, por ello se
debe buscar una tcnica alternativa, Una de estas tcnicas es la distribucin gamma, la
cual tiene una densidad de probabilidad
x
La media de esta distribucin es = / = x f(x) dx
0
Se suman las variables ui: Xgamma = (-1/) Ln ui = (-1/) Ln ui
i=1 i=1
Suponga que las v.a. uniformes sean .35, .97, .22, .15, .6, .43, .79
Las variables gamma se generan segn la frmula Xgamma = -(1 / ) Ln Ui
i=1
La primera variable gamma se calcula X1gamma = - (1/ 1) Ln (.35 * .97) = 1.08
Para generar variables de poisson se debe notar que la cantidad total de tiempo entre
eventos sucesivos no puede exceder a t, esto es
x x+1
ti t < ti
i=1 i=1
Siendo ti las variables aleatorias exponenciales, las cuales se pueden expresar como
ti = (- 1 / ) Ln ui
k+1
El valor ms pequeo de k que satisface la inecuacin (- 1 / ) Ln ui > t
Ser la variable de Poisson buscada. Para obtener un mejor procedimiento de
generacin reescribimos k+1 k+1
Ln ui < - t o Ln ui < - t
i=1 i=1
Exponenciando a ambos lados: k+1
ui < e^ (- )
Tomando arbitrariamente t=1. i=1
Problema: se hace un muestreo del nmero de llamadas que entra a una central
telefnica durante un intervalo de tiempo de 5 min. Los siguientes son los resultados:
7, 6, 4, 5, 6, 10, 5, 9, 1, 3, 4, 7, 4, 5, 6, 4, 4, 6, 8, 5, 9, 4, 4, 11, 5, 6
5, 2, 1, 2, 1, 3, 1, 3, 2, 1, 4, 4, 1, 2, 1, 1, 1
Se pide hallar la forma de la distribucin de los tiempos entre llegadas y del nmero de
llegadas por tiempo. Para hallar la distribucin de los tiempos entre llegadas se forma la
siguiente tabla:
T entre lleg. 1 2 3 4 5
Frecuencia 8 4 2 2 1
Respecto al nmero de llegadas por unidad de tiempo, en este caso la unidad de tiempo
ms apropiada es 5 min. (t = 5 min.).
Se debe observar que la forma del primer histograma coincide con la de una distribucin
exponencial y el segundo histograma coincide con una distribucin de Poisson.
Z = [ ( ui ) N / 2 ] / { [ N / 12 ]^ ( 1 / 2 ) }
Siendo u1 y u2 variables aleatorias uniformes entre (0,1) y con el valor del ngulo 2 u2
dado en radianes. Cuando Z se haya generado de esa manera, se calcula ahora la
variable aleatoria normal con media y desviacin S: Xnormal = + S * Z
Ante todo se debe identificar el tipo de distribucin que presentan los datos de entrada.
La tabla de frecuencias de estos datos es
La distribucin de esta variable es, a simple vista, normal aunque para ser rigurosos se
debera hacer un prueba de chi cuadrado para verificar esta hiptesis. La lista tiene una
media = 7.44 y una desviacin s = 2.3993
Las dos variables uniformes para calcular Z pueden ser u1 = 0.743 y u2 = 0.215. Con
los anteriores valores se calcula
Pero como los valores muestrales son todos enteros, se toma solo la parte entera: 9
Por cada vez que se quiera simular una variable normal, se deben generar dos variables
uniformes, u1 y u2.
Se utiliza para ciertos modelos como el PERT (tiempo para completar una actividad) y
en ausencia de datos para simular la proporcin de tems defectuosos en un conjunto de
ellos. Su funcin de densidad de probabilidad es
Se trata de una distribucin de valores positivos desarrollada (por Walladi Weibull) para
explicar la duracin aleatoria - el tiempo de vida o de funcionamiento - de cualquier
dispositivo, natural o no, si ste pasa por una primera fase de gran mortalidad
(mortalidad infantil o defectos de fabricacin) una fase intermedia con muy poca
probabilidad de fallo (periodo adulto o periodo til de servicio) y una fase final en la
que la probabilidad de fallo (de avera o de muerte) aumenta rpidamente. Tambin se
aplica para modelizar la duracin de una tarea en estudios PERT/CPM.La notacin
habitual es XWei(,) o bien XWeibull(,), el parmetro (>0) es de escala
mientras que es el parmetro de forma (>0).
0 en otros casos
Ejemplo: en una fbrica de chips, se desea simular los tiempos entre fallas (aos) del
circuito teniendo los siguientes datos: = 2 y = 100
1/
I ui Xw = (- Ln u)
1 .7138 1.98
2 .9765 1.93
3 .7848 1.97
4 .3852 2
5 .2138 2.01
Ejemplo En una fbrica de roldanas para gras se est definiendo el tiempo de garanta
de su producto y para ello se ha hecho pruebas de duracin en laboratorio con 20
roldanas obtenindose los siguientes resultados para tiempos entre fallas (en horas) de
las roldanas:
7 1219 2850
37 1255 3040
132 1334 3154
150 1510 3171
176 1630 3206
253 1647 3245
475 1745 3249
540 1774 3420
545 1916 3502
564 1927 3552
636 2130 3646
722 2448 3649
992 249 0 3663
996 2508 3730
1003 2601 3794
1025 2635 3890
1120 2731 3949
1122 2747 3952
1209 2828
La direccin est considerando dar a los clientes una garanta de confiabilidad del 95%
para 3200 horas al 70% de nivel de confianza.
Ejemplo:
(Bajado de La siguiente direccin:
http://confiabilidad.net/articulos/calculo-de-los-parametros-de-la-distribucion-de-
weibull/ )
La distribucin de Weibull es una distribucin continua y triparamtrica, es decir, est
completamente definida por tres parmetros y es la ms empleada en el campo de la
confiabilidad.
El mtodo que se presenta es el mtodo de los Mnimos Cuadrados, por tres razones: la
primera, es un mtodo simple y expedito de aplicar; la segunda, la grfica de los datos
sirven como una prueba de bondad de ajuste de la distribucin y, la tercera, da un
indicio sobre si se debe calcular o no el parmetro de localizacin.
La funcin de densidad de la distribucin de Weibull para la variable aleatoria t est dada por
la siguiente expresin:
Donde
t: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre fallas.
Una distribucin biparamtrica est completamente definida por los parmetros de forma y
de escala.
Como se mencion en el numeral uno, existen cinco mtodos para calcular los parmetros de
la distribucin de Weibull. Ellos son:
Mnimos cuadrados.
Mxima similitud.
Estimacin de momentos.
Estimadores lineales.
Para ilustrar el mtodo de los mnimos cuadrados, se desarrollar paso a paso un ejemplo.
El mtodo de los mnimos cuadrados permite calcular los parmetros de forma y escala,
mediante la transformacin doble logartmica de la funcin de distribucin acumulativa
(ecuacin 3). El clculo del parmetro de localizacin es ms complejo, emplendose para
ello rutinas de clculo, como el programa Solver de Excel.
La transformacin doble logartmica permite transformar la funcin de distribucin
acumulativa en una ecuacin lineal de regresin.
Rango de mediana
Para poder trazar la recta de regresin, se debe calcular un estimador para la funcin de
distribucin acumulativa F(x). Este estimador, llamado Rango de mediana, es un estimador
no paramtrico basado en el orden de las fallas. Este aspecto implica que la muestra de
datos se debe organizar de menor a mayor (en forma ascendente).
Donde:
i: Orden de la falla.
Donde:
i: Orden de falla.
n: Nmero total de datos de la muestra.
La ecuacin (5) es ms exacta, y se usan rutinas en Excel: en los clculos se empelar sta.
Para facilitar su empleo, a continuacin se presenta el cdigo fuente para crear una funcin
definida por el usuario en Excel.
Abra Excel.
Hgase la combinacin de teclas Alt +F11. Esta accin abrir el editor de Visual
Basic.
En el men insertar de VB, seleccinese la opcin Mdulo.
*************************************************************************
****
*i es el orden de falla. *
*************************************************************************
****
a = i / (n - i + 1)
f = Application.WorksheetFunction.FInv(alfa, 2 * (n - i + 1), 2 * i)
RangoMediana = a / (f + a)
Salir:
Exit Function
ManejarError:
Case 1004
MsgBox Los argumentos (n) o (i) no pueden ser cero., vbCritical + vbOKOnly
Case Else
End Select
Resume Salir
End Function
Hgase clic en guardar del men Archivo del editor de VB para guardar la funcin.
Hgase clic en Cerrar y volver a Excel del editor de VB. Esta accin cierra el editor de
VB.
Para usar la funcin creada, seleccinese Funcin del men Insertar de Excel. Se
abre la ventana Insertar funcin.
En la ventana Insertar funcin, en la lista desplegable O seleccionar una categora,
seleccinese la categora Definidas por el usuario.
En el cuadro de lista Seleccionar una funcin, hgase clic en RangoMediana.
Ejemplo:
1. Asuma localizacin igual cero y ordene los datos de menor a mayor. El criterio de
ordenacin debe ser el tiempo entre fallas. Vase la tabla 1.
2. Calcule el rango de mediana para cada observacin usando la ecuacin (5) (6).
En nuestro caso se usar la ecuacin (5), empleando la funcin definida por el usuario
RangoMediana. Vase la figura 2.
Vase la figura 3.
y=0.6995x-1.9514 (7)
De donde:
El coeficiente de correlacin, r, indica que hay una excelente relacin (dependencia) lineal de
los datos, ya que su valor est muy prximo a uno. El coeficiente de determinacin, r2,
indica que el 94.64% de los datos estn relacionados linealmente. En conclusin, estos
valores indican que la muestra se comporta conforme a la funcin de densidad de Weibull.
a) Si al graficar los puntos de la muestra aparece una cola de puntos hacia arriba o hacia
abajo, es un indicativo de que el parmetro de localizacin debe ser calculado.
b) Una cola hacia abajo o una reduccin sbita de la pendiente son indicativos de que un
parmetro de localizacin positivo est presente. Vase la figura 5.
c) Una cola hacia arriba o un incremento sbito de la pendiente son indicativos de que un
parmetro de localizacin negativo est presente. Este . Vase el numeral 2.punto est de
acuerdo con el intervalo de validez de
d) Valores grandes del parmetro de forma (>10) son otro indicativo de que el parmetro
de localizacin debe ser calculado.
Teniendo en cuanta las consideraciones anteriores, y analizando la figura 5, se proceder a
calcular el parmetro de localizacin.
Para el clculo del parmetro se usar el complemento Solver de Excel, ya que debe ser
determinado por ensayo y error.
Para empezar, se debe definir la celda cambiante que, como se mencion en el paso 3 del
numeral 3.3, debe ser la celda donde se asign el valor cero. Esta celda debe estar
involucrada en una funcin. Vase la figura 3.
inicio de es un valor ligeramente inferior al valor ms bajo del tiempo entre fallas de la
muestra. Para el ejemplo, el punto semilla sera 0.166 (es ligeramente inferior al valor ms
bajo del tiempo entre fallas de la muestra, el cual corresponde al dato de orden uno 0.167
. Vase la tabla 1). Este constituye la restriccin en Solver. Vase la figura 6.
Es importante tener en cuenta que la celda objetivo debe contener una formula que relacione
directa o indirectamente el valor de la celda cambiante. Para el ejemplo la formula sera
COEFICIENTE.R2 (E3:E142, D3:D142). Obsrvese que el rango del segundo argumento
involucra la celda cambiante L8. Vase la figura 3.
Al hacer clic en el botn Resolver de la ventana Parmetros de Solver, el programa genera la
solucin 0.161, siendo este el valor del parmetro de localizacin, y el coeficiente de
correlacin se maximiza a 0.9886; es decir, al tener en cuenta el parmetro de localizacin
se mejora el ajuste de la recta de regresin. De igual manera, los parmetros de forma y
escala, y los valores de las abscisas (Xi) y ordenadas (Yi) se actualizan. Vase la figura 7.
Para que los valores se actualicen automticamente, stos deben estar relacionados por
frmulas, tal y como se muestra en la figura 8.
REFERENCIAS BIBLIOGRFICAS
1. Dodson, Bryan. The Weibull Analysis Handbook. 2da ed. Milwaukee, Wisconsin: ASQ
Quality Press, 2006.
2. Abernethy, Robert B. The New Weibull Handbook. 5ta ed. North Palm Beach, Florida.
2006
3. Walpole, Ronald E y Raymond Meyers. Probabilidad y estadstica para ingenieros. 3ra
ed. Mxico: Interamericana, 1990
4. Cspedes Zapata, Lucas y Santiago Meja Isaza. Implementacin de un Sistema de
Indicadores para la gestin de Mantenimiento de una empresa textilera. Medelln,
2005,194p. Trabajo de grado Ingeniera Mecnica. Universidad EAFIT. Departamento
de Ingeniera Mecnica. rea de mantenimiento.
5. Tamborero del Pino, Jos Mara. NPT 331: Fiabilidad: La distribucin de Weibull [En
lnea] Disponible en:
http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/NTP/Ficher
os/301a400/ntp_331.pdf [Consulta: 22 de julio de 2010]
6. Estimation of the Weibull parameters [En lnea] Disponible en:
http://www.weibull.com/LifeDataWeb/lifedataweb.htm [Consulta. 26 de julio de
2010]
7. Yez, Medardo; Perdomo, Jos L y Gmez de la Vega, Hernando. Ingeniera de
Confiabilidad: Pilar fundamental del mantenimiento [En lnea] Disponible en:
http://confiabilidad.net/articulos/ingenieria-de-confiabilidad-pilar-fundamental-del-
mantenimiento/#comment-list [Consulta: 28 de julio de 2010]
8. Duarte Holgun, Juan Carlos. Mantenimiento centrado en confiabilidad usando
mtodos de simulacin del ciclo de vida [En lnea] Disponible en:
http://www.noria.com/sp/rwla/conferencias/mem/Duarte-paper.pdf [Consulta: 28 de
julio de 2010]
9. Garca Palencia, Oliverio. Optimizacin estadstica del mantenimiento industrial [En
lnea] Disponible en:
http://www.aciem.org/bancoconocimiento/O/Optimizacionestadisticadelmantenimient
oindustr/Optimizacionestadisticadelmantenimientoindustr.asp [Consulta: 28 de julio
de 2010]
10. Luna, Ana Eugenia. Teora de la confiabilidad [En lnea] Disponible en:
http://focuslab.lfp.uba.ar/public/CursoTErrores2k4/Monografias2005/Ana_E_Luna.pd
f [Consulta: 22 de julio de 2010]
X t = a + (b a) u si u umbral
c (c b) u si u > umbral
Siendo umbral = (b a) / (c a)
I ui Xt
1 0.624 > 0.25 3.5 - (3.5 2) 0.25 = 2.75
2 0.214 < 0.25 1.5 + (2 - 1.5) 0.214 = 1.27
3 . . 2.85
Peso total de las tres troncas 6.87 T debe pagar $150 el da 1
Se debe repetir el procedimiento anterior para los 360 das, acumulando el costo de cada
da y calculando as el costo total anual de la primera rplica. De todo el procedimiento
anterior se realizan unas 49 rplicas ms para hallar en total 50 valores diferentes del
costo total anual. Con estos 50 valores se calcula su media, su varianza y su funcin de
densidad de probabilidad. La media del costo total acumulado se compara con el costo
que tendra el nuevo camin.
Con la funcin de densidad de probabilidad se puede contestar preguntas del tipo Cul
es la probabilidad de que el costo total est entre cualesquiera dos valores a y b?
P (a Costo total b) =?
Al elegir una cierta distribucin o familia de distribuciones para ser usada para generar
una variable aleatoria particular en una simulacin, se debe considerar cuatro aspectos:
1. Las caractersticas de la funcin de distribucin.
2. La exactitud con la que la funcin puede representar un conjunto de datos
empricos.
3. La facilidad con la que la funcin puede ser ajustada a un conjunto de datos
empricos.
4. Eficiencia computacional al generar las variables aleatorias.
Normal
Para generar una variable aleatoria Normal con media y desviacin estndar . Lo podemos
hacer de la siguiente forma. =DISTR.NORM.INV(ALEATORIO(), , )
Exponencial
Los parmetros y pueden ser deducidos a partir de: la media que se desee tenga la
distribucin, del valor m ms probable que se le supone, del mximo a y del mnimo b,
en la forma siguiente:
Gamma
DISTR.GAMMA.INV(ALEATORIO();;)
Triangular
Excel no cuenta con una funcin para la inversa de la funcin de distribucin, sin
embargo, la generacin de variables aleatorias triangulares puede hacerse utilizando
cualquiera de las dos frmulas siguientes:
c + (a+ALEATORIO()*(b-a)-c)*MAX(ALEATORIO();ALEATORIO())
c + (a+ALEATORIO()*(b-a)-c)*RAIZ(ALEATORIO())
Weibull
*(-LN(1-ALEATORIO()))^(1/)
Unidad 6
Algunas variables de estado que se pueden usar: hora de llegada del cliente i, hora de
salida del cliente i
Igualmente supondremos que los tiempos entre llegada de los clientes al sistema y los
tiempos de servicio, generados por alguna frmula seudoaleatoria vista anteriormente y
de acuerdo a los valores ya mencionados , son:
Cliente 1 2 3 4 5 6 7
T entre llegadas 0 1.47 .04 2.12 2.65 .71 1.18
T de servicio .75 1.08 2.3 .88 .78 .43 .69
Una prueba de escritorio ms formal de este algoritmo puede lucir como la siguiente:
I *Ati Ai Ai Di-1 ? *Pti Di ITi TOTIT
1 0 .746 .746 0 0
2 1.47 1.47 SI 1.082 2.552 .724 .724
3 .043 1.513 NO
3 2.12 3.633 SI .886 4.519 1.081 1.805
4 2.656 6.289 SI .782 7.071 1.77 3.575
5 .715 7.004 NO
5 1.182 8.186 SI .694 8.88 1.115 4.69
6 .33 8.516 NO
6 .915 9.431 SI .648 10.079 .551 5.241
7 .295 9.726 NO
7 .603 19.329 SI .84 1.169 .25 5.491
8 2.253 12.582 SI 1.182 13.764 1.413 6.904
En esta simulacin el equipo estuvo ocioso durante 6.904 horas sobre un tiempo total de
13.764 horas de trabajo.
Las suposiciones que se harn es que el equipo, cierto tipo de maquinaria, presentar
fallas intermitentemente, con un tiempo de reparacin aleatorio para cada falla. Se
asume un intervalo de tiempo regular para el mantenimiento preventivo.
Tomaremos como NC al nmero de ciclos de mantenimiento por perodo de tiempo
simulado.
Ai ser el tiempo para la falla i, el momento en que esta ocurre.
Di el tiempo de reparacin de la falla i.
*Dti es el intervalo de tiempo entre la reparacin i-1 y la falla i.
*Rti el intervalo de tiempo requerido para reparar la falla i.
Mt el tiempo para el mantenimiento preventivo. (Constante).
Ct el ciclo de tiempo entre servicios de mantenimiento.
RC el costo de reparacin por unidad de tiempo.
MC el costo de mantenimiento unitario.
TOTC el costo total acumulado por ciclo de mantenimiento.
NC nmero de ciclos de mantenimiento por perodo de tiempo.
N ser el nmero de mquinas que conforman el taller completo.
(*Parmetros aleatorios.)
Supondremos que las fallas peridicas del equipo se rigen por la distribucin emprica:
Para esta corrida de ilustracin, el costo total TOTC result ser 325. Dado que TOTC es
el criterio de desempeo del modelo, se debe hallar su funcin de distribucin
realizando n rplicas del algoritmo, siendo n un nmero suficientemente grande
(1000?) para que el resultado sea estadsticamente confiable y almacenando los valores
obtenidos en un vector de n elementos. Se halla la media del TOTC para cada valor de
la variable de decisin que es Ct, comenzando desde 60 das y finalizando en 90 das,
con una variacin de 4 das, por ejemplo.
As obtendremos parejas de puntos (Ct, TOTC) que barrern el rango de Ct desde 60,
64,68.90. El valor aceptable de Ct que va a influir en la decisin que se tome se
elegir en la regin donde el costo TOTC sea ostensiblemente ms bajo. Esto se podra
representar tambin en una grfica para identificar la regin ms fcilmente.
Para llevar a cabo una prueba de escritorio del algoritmo, asignaremos los siguientes
valores a los parmetros:
..
m m j
VP = ( VPj ) - I = ( FAEj / ( 1 + i ) ) - I (2)
j=1 j=1
Cada flujo anual de efectivo consta de varios componentes, como el Volumen anual de
ventas, los costos de produccin, los impuestos etc. Estos tems son representados en
trminos de funciones de distribucin apropiadas. As el procedimiento computacional
implica el generar un valor aleatorio para cada componente del flujo de efectivo,
resultando un valor para VPj generado aleatoriamente. Todos los flujos anuales de
efectivo son evaluados de esta manera y sustituidos en la ecuacin (2), resultando un
nico valor para VP. Se repite enteramente el procedimiento N veces, lo que permite
obtener una distribucin para VP.
Ejemplo: Una corporacin desea adquirir una empresa que manufactura radios para
automvil. La inversin inicial es de $U.S. 1.5 millones. Las ventas a futuro dependen
de factores desconocidos como competitividad y penetracin de mercados. El precio de
venta unitario P de los radios se estima que ser una variable normalmente distribuida
con media $U.S. 65 por unidad y desviacin estndar de $U.S.4. El costo unitario de
produccin Cp se estima regido por la distribucin Exp ($U.S. 32) con un mnimo de
$U.S. 20.
= (P Cp) * V* (1 R) + R * I / n
El algoritmo es:
Leer I, i, R
Repetir para k = 1, 1000
Para n = 1, 10 (10 aos)
Generar v.a. para P, CP, V
Calcular FEAn = (P CP) * U * (1 R) + R * I / 10
Calcular vr. Presente para cada FEAn: VPn = FEAn / (1 + i)
10
Calcular VPk = VPn - I
n=1 ___
Hallar f (VP) y F (VP), VP, vp
En los siguientes grficos se puede apreciar dos ejemplos que ilustran la distribucin
del Valor Presente para dos proyectos, A y B. En el ejemplo 1 el proyecto A tiene un
valor esperado de 9.8 mientras que el proyecto B tiene un valor esperado de 12.5. En el
segundo ejemplo el proyecto A tiene un valor esperado de 5 mientras el B tiene 5
tambin, la diferencia es que en este caso la dispersin para el B es mucho mayor que
para el A y por ello es ms incierto, adems el B tiene cierta probabilidad de producir
prdida.
Leer Num_llegadas
I=0, HORA =0, Tlleg (0) = 0, DTserv (0) = 0
Tsal (0) = 0, DTTOT (0) = 0, DTocio = 0, DTlleg (0) = 0
REPEAT I=I+1
Generar DTlleg (i)
Tlleg (i) = Tlleg (i-1) + DTlleg (i)
Generar DTserv (i)
If HORA > Tlleg (i) Tsal (i) = Tsal (i-1) + DTserv (i)
ELSE begin if I = 1 HORA = Tlleg (i)
Tsal (i) = Tlleg (i) + DTserv (i)
DTocio = DTocio + Tlleg (i) HORA
End
DTTOT (i) = Tsal (i) Tlleg (i)
HORA = Tsal (i)
UNTIL I Num_llegadas
Para realizar una prueba de escritorio del algoritmo, supondremos que el tiempo entre
llegadas de los clientes al sistema DTlleg, est gobernado por una distribucin
exponencial con media 2.3 min., y que el tiempo de servicio DTserv, est gobernado por
una distribucin normal con parmetros (1.8 min., 0.5 min.).
Supondremos que los valores generados para los anteriores parmetros durante 7
llegadas, son los siguientes:
I DTlleg(i) DTserv(i)
1 1.3 2.9
2 2.7 0.3
3 0.9 1.4
4 1.4 2.0
5 0.5 1.7
6 0.8 1.0
7 3.8 1.0
Donde
Ri es el margen bruto por hectrea;
Qi es el rinde en quintales por hectrea de la actividad Ai;
Pi es el precio a cosecha por quintal del cultivo considerado en Ai;
i es la proporcin del ingreso bruto (QiPi) que representa la suma de los gastos de
cosecha, comisiones e impuestos menos las bonificaciones que pudieran existir;
i es el costo de comercializacin por quintal producido;
i es el total de gastos directos.
T
= (1 / T) (Rik i) (3)
k=1
T
ij = (1 / T) (Rik i) (Rjk j) (4)
k=1
Una vez estimados los retornos esperados de las n actividades agrcolas y su matriz de
varianzas y covarianzas, se puede calcular el modelo cuadrtico paramtrico y obtener
la frontera de eficiencia.
ai bi ci
Girasol Q1 16 24 30
Maz Q2 60 80 100
Soja Q3 15 28 45
Trigo Q4 14 32 40
Precios en $/qq
ui vi wi
Girasol P1 37.70 53.36 63.80
Maz P2 17.40 20.30 29.00
Soja P3 37.70 46.40 69.60
Trigo P4 22.04 26.97 38.16
Con los datos de todos los parmetros se puede realizar la simulacin del modelo. Se
obtienen los siguientes resultados:
s.a: Xi <= B
Y hallamos t= 3* V / Fs
Con estos valores resulta un tiempo de 30 das para que el cuerpo de agua de volumen
V reduzca su contaminacin a un 5% de su nivel inicial, siempre que el flujo de entrada
no est contaminado.
Este modelo tiene varias limitaciones, por ejemplo si el flujo de entrada contina
llegando con una cierta densidad de contaminante, el modelo falla; lo mismo si el
volumen V de la laguna vara o si la densidad de contaminante en el flujo de entrada
vara a lo largo del tiempo (tal como ocurre en realidad en una laguna de purificacin) o
si se toma en cuenta evaporacin o absorcin del agua de la laguna. Una forma
alternativa de resolver la ecuacin (1) es por iteracin numrica, en un enfoque de
modelo discreto:
Con esta ecuacin y con los datos supuestos, se puede calcular iterativamente el valor
de la densidad X (t) para el da 1, por ejemplo:
Si se programa en una tabla en Excel, los resultados coinciden con los de la solucin de
la ecuacin diferencial del modelo continuo.
Ahora se pueden incorporar al modelo discreto ciertas consideraciones que el modelo
contnuo no permita: Si vara, por ejemplo, el volumen V del lago de un tiempo t a otro
t+1, esta variacin se puede incorporar al modelo discreto. Lo mismo ocurrira con una
posible variacin del flujo de salida r. Si estas variaciones se producen de manera
aleatoria, esta condicin se puede simular con el modelo discreto generando valores
aleatorios con diferentes distribuciones, para la(s) variable(s) que posea(n) esta
caracterstica. La distribucin de la(s) variable(s) aleatoria(s) se debe determinar por
medio de un adecuado muestreo.
A modo de ilustracin se va a variar el algoritmo para incorporar variacin de flujo as
como evaporacin (tambin se podra considerar la precipitacin).
Variacin de flujo
Se debe generar una variable aleatoria que simule el valor que representa a Fe, segn la
distribucin anterior, Fs lo supondremos igual al flujo de entrada de la hora anterior. La
prueba de escritorio quedara as:
T(hora) Fe Xe Vl Xl Fs Xs
T representa el perodo, se puede medir en horas, es una variable que aumenta de uno en uno
indefinidamente.
Fe tiene unidades de m3/h y es el flujo de entrada generado aleatoriamente segn la
distribucin de probabilidad anterior.
Xe tiene unidades de g/m3 y representa la densidad de contaminacin con slidos del flujo de
entrada.
Vl es el volumen del lago, m3.
Xl es la densidad de contaminacin con slidos del agua del lago, medida en g/m3.
Fs, en m3/h, es el flujo de salida, igual al de entrada del perodo inmediatamente anterior.
Xs es la densidad de contaminacin del flujo de salida, igual a la del lago.
La primera lnea de la prueba de escritorio est conformada por valores asumidos (inicializacin
de variables).En la segunda lnea se ha generado valores aleatorios para Fe y Xe. El volumen
del lago V(t) se calcula como
La densidad de contaminacin del flujo de salida Xs (t) es la misma que la del lago Xl (t).
S0 = S1 = S2
Ki = Si / (S0+S1++Si++Sn)
V= 10-.2+.2 = 10
XS0 = (10/3 - .2)* 100 + .2 * 80 = 116
XS1 = (10/3) * 105 + 2 * 100 - .2 * 105 = 349
XS2 = (10/3) * 110 + .2 * 105 + .2 * 110 = 369
La ecuacin que interpola estos datos es una exponencial negativa, como se ve.
La densidad de contaminacin Xsi de cada una de las secciones, debe disminuir a un
porcentaje igual al valor calculado por esta ecuacin dependiente de la variable x, posicin
respecto del origen 0 de la laguna. Esta variable va desde 0 hasta 400, que se supone que es
la longitud total de la laguna.
En algunos pases se ha ensayado a controlar el mosquito Aedes Aegypti por medio del
Mesocyclops, un depredador de sus larvas. Los siguientes factores se han tenido en
cuenta para construir el modelo matemtico del sistema (modelo de Lotka-Volterra):
Se consideraron tres estados del A.Aegypti.; huevo (H), larva (L) y adulto(A). El
depredador (D) solo acta sobre las larvas. El estado de pupa es irrelevante para el
modelo puesto que en este estado, las pupas no son depredadas por el Mesocyclops. Los
valores de las constantes que se enumeran a continuacin son hipotticos.
Esta ecuacin representa la dinmica vital de los huevos del mosquito o sea su tasa de
variacin por perodo, la cual depende de la oviposicin de los adultos, la tasa de
inviabilidad y el paso al estado L (t).
Es la ecuacin que permite calcular la variacin de larvas entre cada perodo. El trmino
a D (t) L (t) representa el control del depredador que destruye las presas de forma
lineal. El tercer trmino en el miembro de la derecha de la ecuacin se puede sustituir
luego por (K D (t) L (t)) / (D (t)+m) que se acomoda mejor a la realidad.
Es la ecuacin que rige el incremento de los mosquitos adultos entre cada perodo. Este
incremento es regulado por el paso de L (t) a A (t) menos la mortalidad natural de los
adultos.
Esta ecuacin representa la variacin del depredador entre cada perodo. El primer
trmino se puede sustituir luego por (e D (t) L (t)) / (D (t) + m) que se acomoda ms
al sistema real. Cada una de las ecuaciones anteriores representa solamente la variacin
de los individuos de un perodo al siguiente. La cantidad de individuos existente en cada
perodo se debe calcular como la cantidad en el perodo anterior ms la variacin.
Se puede ensayar con distintos valores iniciales de las poblaciones de huevos, larvas,
adultos y depredadores y observar si, por ejemplo, la poblacin de A. Egypti se extingue
a largo plazo (pendiente m< 0), queda en estado endmico (m= 0) o se presenta una
epidemia (m> 0). Los eventos de vida y mortalidad son procesos de Poisson y se deben
simular sus valores para reemplazarlos en las frmulas. Para el conjunto de valores
iniciales dado en la tabla que se edita a continuacin, se puede observar la variacin de
las poblaciones a lo largo de 50 ciclos o perodos.
1 50 20 40 0,5
2 17 31,2 54 0,45
3 17,9 6,596 76,68 0,5058
4 24,794 11,2615 74,948 0,319625
5 24,9639 16,0286 77,589 0,231801
6 25,7731 16,1488 84,256 0,19021
7 27,854 16,974 90,364 0,156538
8 29,8946 18,6047 96,604 0,131411
9 31,9708 20,1344 103,69 0,114603
10 34,3035 21,6579 111,44 0,10345
11 36,8624 23,3328 119,79 0,096535
12 39,6227 25,136 128,81 0,093317
13 42,605 27,049 138,55 0,093571
14 45,8257 29,0816 149,04 0,097405
15 49,2945 31,2357 160,31 0,105356
16 53,0222 33,5021 172,39 0,118496
17 57,0193 35,8626 185,3 0,138645
18 61,2929 38,2833 199,05 0,168766
19 65,8441 40,7035 213,6 0,213601
20 70,6642 43,0201 228,87 0,280687
21 75,7282 45,065 244,7 0,381848
22 80,9838 46,5772 260,79 0,535083
23 86,3358 47,1854 276,63 0,765995
24 91,6231 46,4494 291,44 1,105873
25 96,593 44,0538 304,1 1,58028
26 100,888 40,2087 313,34 2,182487
27 104,089 35,9219 318,19 2,846342
28 105,866 32,3234 318,7 3,46809
29 106,197 29,5891 315,92 3,976055
30 105,396 27,5744 310,96 4,340984
31 103,827 26,1729 304,68 4,564494
32 101,787 25,1544 297,77 4,671572
33 99,5091 24,4981 290,63 4,685999
34 97,14 23,9821 283,62 4,638959
35 94,7986 23,7369 276,84 4,544523
36 92,5312 23,4472 270,52 4,429721
37 90,4083 23,4605 264,57 4,292153
38 88,4112 23,242 259,23 4,159995
39 86,6088 23,4456 254,22 4,013733
40 84,9272 23,2189 249,9 3,888952
41 83,4627 23,5623 245,81 3,750421
42 82,0883 23,3121 242,43 3,642581
43 80,9385 23,7285 239,17 3,519613
44 79,8448 23,4882 236,61 3,430109
45 78,9671 23,8994 234,09 3,326396
46 78,1228 23,7163 232,19 3,253178
47 77,4686 24,0618 230,31 3,169658
48 76,841 23,9616 228,94 3,11018
49 76,3655 24,2183 227,61 3,045591
50 75,9194 24,1944 226,65 2,997976
Correccin al modelo
20 59 1.6%
21 61.8 1.8%
22 64.2 2.2%
23 65.9 2.3%
24 67.7 2.7%
25 71.5 2.9%
26 72 3.1%
27 73.6 3.6%
28 75.8 3.9%
29 78.2 4.3%
30 80.3 4.8%
Sirven para simular la economa a nivel macro. Se trabajar a partir de las siguientes
hiptesis:
Parmetros:
Los parmetros cuyo valor suponemos conocido inicialmente sern las constantes de
igualacin y el valor inicial de C, de U y de G. Las constantes dependern de cada
sistema en particular, o sea de la economa de cada pas, mientras que los parmetros C,
U y G debern ser estimados tanto sus medias como sus distribuciones en funcin de los
datos histricos de que se disponga. La cantidad interesante sera Y, el ingreso nacional
y para hallarla se debe realizar un nmero suficiente de corridas con el fin de
determinar un valor promedio de este criterio de desempeo junto con su distribucin de
probabilidad.
Las variables endgenas del modelo sern: precio Pt, demanda Dt y oferta Ot, en el
perodo t, Las variables exgenas sern Ut, Vt y Wt, y representan variaciones aleatorias
con distribuciones de probabilidad conocidas (ver 4.1.1.1).
Dt = K1 K2 * Pt + Ut (1)
Ot = K3 + K4 * Pt-1 + Vt (2)
Ot = Dt + Wt (3)
Las constantes K1 hasta K4 se calculan a partir de datos histricos mediante las tcnicas
de manejo de datos de la econometra (mnimos cuadrados etc).
Para generar trayectorias de tiempo para precios, demandas y ofertas en base a datos del
perodo t=0, utilizamos el siguiente procedimiento:
Por ejemplo, con un valor constante de X0 (condicin inicial) = 0.2 se puede examinar
qu pasa cuando
Se podra tomar como parmetro estocstico del modelo w. Su valor en los anteriores
clculos se podra ahora generar por medio de una variable aleatoria con distribucin
uniforme entre (0,5) por ejemplo y repetir las anteriores mediciones.
(Ver ms en: Teora del caos, Fractales, Sistemas disipatvos, oscilaciones caticas etc.)
Ver en esta misma pgina: Fractales
Unidad 7
7.1 Convergencia estocstica, intervalos de
confianza y tamao de una muestra
7.1.1 Determinacin del nmero de rplicas n.
Sean la media del criterio de desempeo del modelo calculado a partir de las
muestras, S su desviacin estndar, n el nmero de valores simulados del criterio de
desempeo Yi, y la media verdadera del criterio de desempeo (desconocida).
n n
= 1/n Yi S = ((1/n Yi) - )
I
Si los Yi son normalmente distribuidos, el estadstico (( ) / S) (n-1) se puede
conocer, pues su distribucin es T de student.
T es el valor tabulado del estadstico con n-1 grados de libertad y 1- como intervalo de
confianza.
El valor del parmetro se representa por dos nmeros entre los cuales se supone que
existe tal parmetro. El intervalo entre estos dos nmeros es el intervalo de confianza.
Los lmites que contienen un parmetro con una probabilidad del 95% se llaman lmites
de confianza del 95% (el parmetro debe caer en el rea no sombreada). Es la
probabilidad de que el verdadero valor del parmetro a estimar est (1-)*1/100 dentro
de dicho intervalo. Si se realiza 100 veces la estimacin, el 100*(1-) de las veces, el
verdadero valor del parmetro cae en este intervalo.
O sea que la media de la Y verdadera est entre 0.604 << 0.648 con probabilidad de
95%.
es decir,
o dicho de forma ms precisa: Con un nivel de confianza del 95% podemos decir que la
media poblacional est en el intervalo siguiente
Calcular el tamao que debera tener una muestra para que se obtuviese un intervalo de
Solucin: sobre la muestra piloto, el error cometido al estimar el intervalo al 95% fue
aproximadamente de 4'2 cm. por lo que si buscamos un intervalo de confianza tan
preciso, el tamao de la muestra, N, deber ser bastante mayor. En este caso se obtiene:
Por tanto, si queremos realizar un estudio con toda la precisin requerida en el
enunciado se debera tomar una muestra de 694 individuos. Esto es una indicacin de
gran utilidad antes de comenzar el estudio. Una vez que el muestreo haya sido realizado,
debemos confirmar que el error para el nivel de significacin dado es inferior o igual a 1
cm., utilizando la muestra obtenida.
Bibliografa recomendada.
Azarang/Garca. Simulacin y anlisis, modelos estocsticos.
Banks, Jerry Elements of stochastic process Simulation.
Banks, Jerry Discrete event system simulation.
Coss, Bu Anlisis y evaluacin de proyectos de inversin.
Coss, Bu Simulacin, un enfoque prctico.
Crespo, Simulacin y modelos.
Deo, Narsingh. System simulation with digital Computer.
Gallagher, Modelos cuantitativos para tomar decisiones en admn.
Gottfried, Elements of stochastic process simulation.
Gordon, Geoffrey System simulation.
Hanke, Pronstico en los negocios.
Kelton, Simulation modeling.
Kobayashi, H. Modeling and analysis.
Low, Simulation modeling and analysis.
Naylor, Experimentos de simulacin.
Ortiz, M. A. Simulacin.
Ros, Sixto Simulacin, mtodos y aplicaciones.
http://www.aulafacil.com/CursoEstadistica/Lecc-1-est.htm
http://www.hacienda.go.cr/cifh/sidovih/cursos/material_de_apoyo-f-c-
cifh/1materialdeapoyocursoscifh/4estad
%C3%ADsticabasica/estadisticadescriptiva-lillianaorellana.pdf
Anexos
Anexo 1: anlisis de regresin.
El material de este acpite bajado de INTERNET, se incluye como repaso del tema que
se supone ya visto por el alumno en cursos anteriores.
FISICA I
Escuela Politcnica de Ingeniera de Minas y Energa Torrelavega
y =ax +b
l = (1/K)F
Costos Millas
Totales
Vehculo
(miles)
(miles)
Mes N Y
X
1 213.9 3147
2 212.6 3160
3 215.3 3197
4 215.3 3173
5 215.4 3292
6 228.2 3561
7 245.6 4013
8 259.9 4244
9 250.9 4159
10 234.5 3776
11 205.9 3232
12 202.7 3141
13 198.5 2928
14 195.6 3063
15 200.4 3096
16 200.1 3096
17 201.5 3158
18 213.2 3338
19 219.5 3492
20 243.7 4019
21 262.3 4394
22 252.3 4251
23 224.4 3844
24 215.3 3276
25 202.5 3184
26 200.7 3037
27 201.8 3142
28 202.1 3159
29 200.4 3139
30 209.3 3203
31 213.9 3307 Cuadro 3
32 227.0 3585
33 246.4 4073 Demanda de Automviles Nuevos
y Variables Relacionadas,
1932-56.
X1 X2 X3 Y
Fuente: J. Johnston,
Anlisis Estadstico de los
1932 126.5 83.4 18.7 1.10 Cuadro 2
Bancos Comerciales Privados en Guatemala (1991).
Costes 1933 128.5 82.6 17.9 1.53 Gastos Total Agencias
(Barcelona: Sagitario, S. A., Generales Activo
1966), p. 118. 1934 128.5 90.9 18.9 1.93 y de Promedio
1935 120.5 99.3 19.4 2.87 Admin.
XY y X
b1 1936 117.0 111.6 20.1 3.51 G&T
X2 xX 1937 121.0 115.6 21.5 3.51 INDUSTRIAL
48.8 831.5 30
43.2 1204.0 18
1938 133.8 109.0 22.3 1.96 OCCIDENTE
b0 y b1 x 39.4 1153.5 20
1939 131.0 118.5 22.7 2.72 del CAFE 29.8 499.6 25
1940 134.3 127.0 23.2 3.46 del AGRO 26.2 466.6 30
En nuestro ejemplo, 1941 144.9 147.9 24.5 3.76 AGRICOLA MERC. 24.8 522.3 12
aplicando estas .. .. .. .. .. INTERNACIONAL 24.0 376.6 12
frmulas tenemos: 1949 186.6 184.9 30.6 4.87 INMOBILIARIO 21.5 431.3 20
1950 186.6 200.5 33.1 6.37 CONSTRUBANCO 18.3 282.2 10
25,216,020.3219.1242(113,879) 1951 181.5 203.7 35.7 5.09 del EJERCITO 15.6 311.8 13
b1 =
1952
195.7 209.2 37.6 4.19 LLOYDS =
14.3
0.044674
284.5 7
398,855,769 3,450.879(113,879)
1953 188.2 218.7 39.3 5.78 METROPOLITANO 12.9 339.0 8
b0 = 219.1242 0.044674(3,450.879) 1954 190.2
= 64.96 221.6 41.6 5.47 BANEX 12.5 462.8 3
1955 196.6 236.3 43.0 7.20 del QUETZAL 8.8 205.0 12
Expresando los 1956 193.4 247.2 47.0 5.90 PROMOTOR 6.0 162.4 3