Simulacin y Modelacin Anotaciones

Definiciones
Simulacin Digital: La simulacin digital es una tcnica que permite imitar en un ordenador el comportamiento de un sistema fsico o terico, segn ciertas condiciones particulares de operacin. Sistema: Coleccin de objetos o entidades que interactan entre s para alcanzar cierto objetivo. Cuando creamos un sistema debemos enfocarnos en las variables, las que nos sirven para generar diferentes resultados posibles. Dos tipos de sistema general: Continuos y Discretos. Sistemas Continuos: Las variables de estado del sistema evolucionan de modo continuo a lo largo del tiempo. Continuo: Es que los rangos de datos no tendrn mayor variacin entre ellos, aunque en el futuro puede haber un leve cambio. Si la variacin no es muy constante el sistema es continuo. Sistemas Discretos: Que tienen variacin entre sus datos demasiado constantes. Las variables de estado del sistema cambian en un cierto instante o secuencia de instantes y permanecen constantes el resto del tiempo, la secuencia de instantes sigue un patrn peridico. Tipos de Distribucin: Normal, Poisson, Exponencial, Logartmica, Binomial. Colas de Espera. Alternativas a la simulacin digital: Prototipo a escala del sistema real Representacin analgica del sistema mediante circuitos elctricos. Descripcin cualitativa (Descripcin, parmetros para resolver, algoritmo) del sistema Analoga con otros sistemas fsicos o biolgicos (simular fsica,biologa,qumica)

Ejercicio Prctico:
Disee un algoritmo que le permita llevar el control de las ventas de un negocio de un vendedor. El vendedor es una persona con caractersticas, que dispone de un identificador, y realizar un nmero de ventas y generan una cierta cantidad de dinero. Nombre: Algoritmo de control de venta de un negocio de un vendedor Variables: Nombre Apellido ID_T Ventas_Efectivo Articulos_Vendidos Total_Efectivo Pseudocodigo: INICIO Ingrese el nombre del Vendedor

Leer Nombre Ingrese el Apellido del Vendedor Leer Apellido Ingrese el Identificador del Vendendor Leer ID_T Ingrese los Articulos Vendidos Leer Articulos_Vendidos Ingrese el efectivo obtenido por los Articulos Vendidos Leer Ventas_Efectivo Total_Efectivo=Articulos_Vendidos*Ventas_Efectivo Mostrar El total de ventas realizadas por el Q.+Total_Efectivo. FIN

Vendedor+ID_T+Es

de:

Distribuciones Discretas
Distribucin Binomial
Definicin
Un experimento sigue el modelo de la distribucin binomial o de Bernoulli si: En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, Ejemplo: Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito). La probabilidad del suceso A (xito) es constante, es decir, que no vara de una prueba a otra. Se representa por p. El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente.

Variable aleatoria binomial La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en cada prueba del experimento. La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.

La distribucin binomial se suele representar por B(n, p). n es el nmero de pruebas de que consta el experimento. p es la probabilidad de xito.

La probabilidad de suceso contrario es 1 p, y la representamos por q.

Formulas Distribucin Binomial

(, ) =

! ! ( )!

Media y varianza de la distribucin binomial

Poblacin Infinita:
Se considera poblacin infinita cuando tomamos una parte de una poblacin desconocida Media: = Desviacin Estndar: =

Poblacin finita:
Se considera poblacin infinita cuando tomamos una muestra de una poblacin N: Media: = Factor de Correccin: = 1 Desviacin Estndar: =
p=xito q=fracaso n=Muestra N=Poblacin Fc=factor de correccin

EJERCICIOS
Ejemplos1: Determina la media y la desviacin estndar de la distribucin que se puede obtener el nmero 3 en 10 lanzamiento de un dado de 6 caras. 1) Identificar los datos a. Finita o infinita --infinita b. Muestra =10 c. xito p=1/6 p=0.17 d. Fracaso = 1-0.17=0.83 2) Resolver

= =10*0.17=1.7 = =10 0.17 0.83 = 1.18

Ejemplo2: Determina la media y la desviacin estndar de la distribucin del nmero de alfileres defectuosos que podra contener una muestra de 200 alfileres, si la fbrica que lo produce tiene 2.5 % de defectuosos. 1) Identificar los datos a. Datos de entrada i. Infinita b. Muestra=200 c. xito =2.5% d. Fracaso=9.75

2) Resolver = =200*0.025=5 = =200 0.025 0.0975 = 2.21

Ejemplo3: Continuacin del anterior, determina la media y la desviacin estndar de la distribucin de probabilidad, que resulta de tomar 50 alfileres del paquete. A. Datos de Entrada a. I Finita i. Muestra=50 ii. Poblacin=200 B. Resolver

200 50 = 0.87 200 1

= = 0.87 50 0.025 0.0975 = 0.96

SESGO Y CURTOSIS
Los valores de sesgo y curtosis de una distribucin binomial, permite conocer su forma. Momentos de Curtosis: La deformacin respecto al eje horizontal de una distribucin de frecuencias considera como Curtosis o aplastamiento. se

Leptocurticas: los datos se concentran en un reducido intervalo de valores. Tienen una tendencia ms elevada o la mas alta, Mesocurticas: Estas presentan una concentracin de valores alrededor de la media y una reduccin hacia los extremos. Se le conoce como distribuciones normales o campana de Gauss. La intermedia. Platicurtica: En ella los datos se distribuyen de manera relativa, uniforme, en todo el rango de valores. La menos altas o menos elevadas pero se distribuyen en toda el rea.

Formula de Curtosis
= 3 + ( (1 6) )

Sesgo
Se puede decir que es como un error que aparece en dicho resultado de alguna investigacin, esto puede deberse a los factores que dependen de la recoleccin de datos que nos podran conducir a conclusiones que pueden ser verdaderas o falsas de lo podramos llamar la realidad. Asimetria: esta medida nos permite identificar si los datos que se estn analizando o investigando se distribuyen de alguna forma uniforme o con cabalidad, existen tres tipos de estado las cuales pueden ser: Asimetra positiva: se dice que esta ocurre cuando la mayora de los datos recolectados se encuentran por encima del valor de la media aritmetica. Simetra: esta sucede cuando los datos recolectados se distribuyen de una forma igual de ambos lados, sea que aproximadamente quedan con los mismos datos de los dos lados con respecto a la media. Asimetra Negativa: en este caso es cuando la mayora de los datos repilados se juntan o aglomeran en los valores menores que la media. =

Distribucin Hipergeometrica
Definicin
La distribucin hipergeometrica es una forma particular de la distribucin binomial, en ella los resultados de los procesos, no pueden presentarse ms de una vez. Esto es el muestreo de los elementos, de la poblacin, se realiza sin reemplazo, al encontrarse un xito de una vez se elimina y ya no se utiliza. La distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo: En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2 bolas las dos sean blancas? Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los distintos ensayos son dependientes entre s: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos).

Formula de la Distribucin Hipergeometrica

( )! (!) ( )! ( + )! (! ( )! (/, , ) = ! ! ( )!

Media y Desviacin Estndar

Media: = = Desviacin Estndar

= 1 Ejercicios:
De un grupo de 100 personas 20 son mujeres, si se selecciona al azar a 30 personas, cual es la probabilidad de que en la seleccin hallan exactamente 8 mujeres. () = 8 = 100 = 20 = 30 (100 20)! (20!) (30 8)! (100 20 30 + 8)! (8! (20 8)! (/, , ) = 100! 30! (100 30)! (/, , ) = 0.1162 Media 30 20 = =6 100 Desviacion Estandar

= 30 0.2 0.8

100 30 = 1.84 100 1

EJERCICIOS
Ejercicio 1: Si va seleccionar al azar , a 30 personas de un grupo de 100 donde 55 son varones. Determinar la Media y la Varianza.

Ejercicio2: Una persona contiene 20 peces amarillos y 30 rojos, determinar probabilidad de que al tomar aleatoriamente una muestra de 15 peces contenga exactamente 7 peces amarillos

Distribucin de Poisson
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc. # de defectos de una tela por m2 # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. # de bacterias por cm2 de cultivo # de llamadas telefnicas a un conmutador por hora, minuto, etc. # de llegadas de embarcaciones a un puerto por da, mes, etc.

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

Formula

( ) () = !
= media o promedio de xitos por unidad de tiempo, rea o producto = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra\

Ejemplo
En una carretera pasan promedio 27 automviles por hora, determina la probabilidad individual y total de que circulen entre 17 y 37 autos por hora.

() =

(2717 ) 27 17!

Distribucin Normal
Es una distribucin terica de los datos de una poblacin. Es una curva de distribucin de probabilidades tambin conocida como Campana de Gauss. La distribucin normal es la distribucin continua que se utiliza comnmente en estadstica, esta se representa comnmente en forma de campana En la Distribucin normal se calcula la probabilidad de que varios valores ocurran dentro de ciertos rangos o intervalos. Sin embargo la probabilidad exacta de un valor en particular dentro de la distribucin normal es cero. La distribucin normal tienes tres propiedades: Tienes una forma de campana. Sus medidas de tendencia central (media, mediana, moda) son idnticas. Nunca toca el eje X Desviacin estndar: Mide cuanto se separan los datos de la media, que tan lejos se encuentran. Puntaje o estndar Z Es un dato transformado que identifica cuantas unidades de desviacin estndar por arriba o por debajo de la media se encuentran un dato bruto. Y se calcula con la siguiente formula. = =

GRAFICA DE LA DISTRIBUCION NORMAL

PROBLEMA: La estatura promedio de los empleados de una empresa es de 1.65 metros, con una desviacin estndar de 6.2 centmetros, utilice una distribucin normal y determine qu porcentaje de los empleados mide mas de 1.57, menos de 1.70 y entre 1.57 y 1.70. A) Los que miden mas de 1.57 = 1.65 = 0.062 = 1.57 = 1.57 1.65 = 1.29 = (0.4015) 0.0062

90.15% 40.15% 50%

= 1.57

= 1.65

B) Los que miden menos de 1.57 = 1.65 = 0.062 = 1.70

1.70 1.65 = 0.80 = (0.2881) 0.0062

78.81% 50% 28.81% = 1.65 C) Los que miden 1.57 y 1.70

= 1.70

68.96% 40.15% 28.81% = 1.65

= 1.57

= 1.70

EXPOSICION 1: GIL Y JUAN EXPOSICION 2: ANDRES Y JOSE

MODELOS DE COLAS DE ESPERA

1) Cola Servidor Salida para X o Y evento Una cola con un solo servidor, por ejemplo en la cola del banco donde el cajero atiende a una personas por una y tienen una salida que es el dinero a) ColaServidorSalida Finitos: Cuando tenemos un limite definido por el servidor (No. De personas atendidas en x tiempo). De lo contrario es: b) ColaServidorSalidaInfinitos Una cola Servidor Servidor SALIDAS

En paralelo Una Cola Una Cola EN SERIE Una Cola Servidor Cola Servidor Salidas Servidor Servidor Salidas Salidas

PROBLEMAS PRACTICO PARA N/N/1->FIFO

CASO NO. 1
Suponga una estacin con un solo servidor llegan en promedio 45 cliente por hora, se tiene la capacidad de atender 60 cliente por hora, se sabe que los clientes esperan en promedio 3 min en la cola. Se solicita. A) Tiempo promedio que un cliente pasa en el sistema B) No. Promedio de clientes en la cola C) No. Promedio de cliente en el sistema, en un momento dado No de clientes por tiempo = = Tiempo promedio de espera de un cliente en la cola solamente = Desde que hago cola hasta que soy atendido = 1 = +

INCISO A. 45 = = 45 0.75 / 60 60 = 60 = 1 / 60 = 3 = 3 + 1 = 4 1 INCISO B.

= =
= = = 0.75 3 = 2.25 / 2.25 /

INCISO C
Se toma en cuenta desde los que estn siendo atendidos y los que hacen cola

= .
= = 4 0.75 = 3 / 3 /

Personas desde que estn esperando en cola hasta que obtienen un servicio.

CASO NO. 2
Suponga un restaurante de comida rpida al cual llegan en promedio 100 clientes por hora. Se tiene capacidad para atender en promedio a 150 clientes por hora. Se sabe que los clientes esperan en promedio 2 minutos en la cola. Calcule las medidas de desempeo del sistema: a) Cual es la probabilidad de que el sistema esta ocioso. b) Cual es la probabilidad de que un cliente llegue y tenga que esperar, porque el sistema este ocupado. c) Cual es el No. Promedio de clientes en la cola.

INCISO A
= 100 = 1.67 60 150 = 2.5 60

= 2 A) Ocioso es que este inactivo.

100

= 150 = 0.67 Porcentaje de Uso del Sistema. 1 0.67 = 0.33 = 33%

INCISO B

= (1 ) ( )

Estamos hablando de cantidad de clientes, N=1 CLIENTE y por eso en landa usamos 100

100 100 1 = (1 )( ) = 0.22 = 22% 150 150

INCISO C

= + = 2 +

1 2.5

= 2.4 /

EJERCICIOS
CASO NO. 1
Un lavacarro puede atender un auto cada 5 minutos y la tasa media de llegada es de 9 autos por hora. Obtenga las medidas de desempeo de acuerdo al modelo MM1 ademas la probabilidad de tener 0 clientes en el sistema, la probablidad de tener una cola de mas de tres clientes y la probabilidad de esperar mas de 30 minutos en la cola y en el sistema.

9 = = 9 0.15 / 60 1 = 1 = 0.2 / 5
Probabilidad de que este en uso el servidor 0.15

0.2 Probabilidad de n de personas en cola y en este caso es para 0 0 = (1 ) ( )

= 0.75 75%

= (1

0.15 0.2

) 1 = 0.25

Probabilidad de tener una cola de ms de tres clientes 1 0.15 0.15 1 = (1 ) ( ) = 0.1875 0.2 0.2

2 = (1 2 = (1

0.15 0.2

) ( ) = 0.1406
0.2

0.15

0.15 0.2

) ( ) = 0.1055
0.2

0.15

( > 3) = 1 1 2 3 = 0.31164
La probabilidad de esperar ms de 30 minutos en la cola y en el sistema.

0.15 = = 15 ( ) 0.2(0.2 0.15)

Para medir un tiempo en espera

( > ) = ((1)) ( > ) = ((1))

Medir cual es la probablidad de estar 30 minutos en espera : 1) Probabilidad de estar 30 minutos en cola:

( > 30) = 0.75 (0.2(10.75)30) = 0.1673 = 16.73%

2) Probabilidad de estar 30 minutos desde que estoy en cola hasta que soy atendido.

( > 30) = (0.2(10.75)30) = 0.2231 = 22.31%

CASO NO. 2

Un promedio de 10 automoviles por hora llegan a un cajero con un solo servidor que proporciona servicio sin que uno decienda del automovi, suponga que le tiempo de servicio promedio por cada cliente es de 4 minutos y que tanto los tiempo entre llegadas y los tiempo de servicios son exponenciales Conteste A. probabilidad del que el cajero este ocioso B. cual es numero promedio de automoviles que estan en la cola del cajero (se considera que un automovil que es ta siendo atendido no esta en la cola esperando ) C. cual es la cantidad promedio de tiempo, que un cliente pasa en el estacionamiento del banco incluyendo el tiempo de servicio D. Cuantos clientes atender en promedio el cajero por hora

1 = = 10 0.167 / 6 1 = 1 = 0.25 / 4

0.167 = = 0.668 0.23 1 0.668 = 0.332 33.2% =

Inciso b

Inciso a

= = 0.167

0.167 0.25(0.250.167) Inciso c

= 1.34 = 2

1 = 12.04 (0.25 0.167)

Inciso d

1 60 = 15 4 0.6668 15 = 1