You are on page 1of 5

PRINCIPIOS UTILIZADOS EN EL MODELADO

No es posible suministrar reglas segn las cuales se construyan modelos


matemticos, aunque s se puede expresar una diversidad de principios de
gua. No describen los pasos claros que se realizan en la construccin de un
modelo, sino que describen los distintos puntos de vista desde los cuales se
puede juzgar la informacin a incluir en el modelo.
A) FORMACIN EN BLOQUES
La descripcin del sistema se debe organizar en una serie de bloques, o
subsistemas. El propsito de formar los bloques es simplificar la especificacin
de las interacciones dentro del sistema.
Cada bloque describe parte del sistema que depende de pocas,
preferiblemente una, variables de entrada y produce unas pocas variables de
salida. Luego puede describirse al sistema como un todo en trminos de las
interconexiones entre los bloques. En forma correspondiente, se puede
representar grficamente al sistema como un diagrama simple de bloques.
B) RELEVANCIA
El modelo slo debe de incluir los aspectos del sistema relevantes a los
objetivos del estudio. A manera de ejemplo, si el estudio del sistema de la
fbrica pretende comparar los efectos de distintas reglas de operacin en la
eficiencia, no es relevante considerar la contratacin de los empleados como
una actividad.
Aunque la informacin irrelevante en el modelo no perjudica, se debe de excluir
debido a que aumenta la complejidad del modelo y genera ms trabajo en la
solucin del modelo.
c) EXACTITUD
Debe de tenerse en cuenta la exactitud de la informacin que se recabe. Por
ejemplo, en el sistema de la aeronave, la exactitud con que se describe el
movimiento de la misma depende de la representacin de la estructura.
Puede bastar considerar a la estructura como un cuerpo rgido y deducir una
relacin muy simple entre el movimiento de la superficie de control y la
direccin a donde va la aeronave, o puede ser necesario reconocer la
flexibilidad de la estructura y dar cabida a las variaciones en la misma.
El ingeniero responsable de estimar el consumo de combustible se sentir
satisfecho con la representacin simple. En cambio, otro ingeniero,
responsable de tomar en cuenta la comodidad de los pasajeros, necesita tomar
en cuenta las vibraciones, por lo que querr la descripcin detallada de la
estructura.
D) AGREGACIN
Un factor adicional que debe de considerarse es el grado con que pueden
agruparse las distintas entidades individuales en entidades ms grandes.

El gerente general de la fbrica estar satisfecho con la des-cripcin que se ha


dado. Sin embargo, el gerente de control de la produccin querr considerar los
talleres de los departamentos como entidades individuales.
En algunos estudios puede ser necesario construir entidades. Artificiales
mediante el proceso de agregacin. Por ejemplo, por lo general un estudio
econmico o social considera a una poblacin como una cantidad de clases
sociales y realiza un estudio como si cada una de estas fuera una entidad
distinta.
A la representacin de actividades se debe de dar consideraciones semejantes
de agregacin.
Por ejemplo, al estudiar un sistema de defensa con proyectiles, puede no
necesitarse incluir los detalles del cmputo de una trayectoria de proyectiles
para cada disparo. Ser" suficiente con representar el resultado de muchos
disparos mediante una funcin de probabilidad

Distribucin hipergeomtrica
La distribucin hipergeomtrica viene a cubrir esta necesidad de modelizar
procesos de Bernoulli con probabilidades no constantes (sin
reemplazamiento) .
La distribucin hipergeomtrica es especialmente til en todos aquellos casos
en los que se extraigan muestras o se realizan experiencias repetidas sin
devolucin del elemento extrado o sin retornar a la situacin experimental
inicial.
Modeliza , de hecho, situaciones en las que se repite un nmero
determinado de veces una prueba dicotmica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente
prueba uno u otro resultado. Es una distribucin .fundamental en el estudio de
muestras pequeas de poblaciones .pequeas y en el clculo de
probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de
calidad en otros procesos experimentales en los que no es posible retornar a la
situacin de partida.
Propiedades
La funcin de probabilidad de una variable aleatoria con distribucin
hipergeomtrica puede deducirse a travs de razonamientos combinatorios y
es igual a

donde es el tamao de poblacin, es el tamao de la muestra extrada, es


el nmero de elementos en la poblacin original que pertenecen a la categora
deseada y es el nmero de elementos en la muestra que pertenecen a dicha
categora. La notacin
hace referencia al coeficiente binomial, es decir, el
nmero de combinaciones posibles al seleccionar elementos de un total .
El valor esperado de una variable aleatoria X que sigue la distribucin
hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la


binomial a muestreos con reemplazo. En situaciones en las que el nmero
esperado de repeticiones en el muestreo es presumiblemente bajo, puede
aproximarse la primera por la segunda. Esto es as cuando N es grande y el
tamao relativo de la muestra extrada, n/N, es pequeo.

La distribucin Normal

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto


por su aplicacin directa, veremos que muchas variables de inters general

pueden describirse por dicho modelo, como por sus propiedades, que han
permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
crey, por parte de mdicos y bilogos, que todas las variables naturales de
inters seguan este modelo.

Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier
valor real) y (que ha de ser positiva). Por esta razn, a partir de ahora
indicaremos de forma abreviada que una variable X sigue el modelo
Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin
Normal con = 0 y = 1 lo abreviaremos N(0, 1)..

Propiedades del modelo Normal


1. Su esperanza es .
2. Su varianza es 2 y, por tanto, su desviacin tpica es .
3. Es simtrica respecto a su media , como puede apreciarse en la
representacin anterior.
4. Media, moda y mediana coinciden ().
5. Cualquier transformacin lineal de una variable con distribucin Normal
seguir tambin el modelo Normal. Si X ~ N(, ) y definimos Y = aX + b
(con a 0), entonces Y ~ N(a + b, |a|). Es decir, la esperanza de Y
ser a + b y su desviacin tpica, |a|.
6. Cualquier combinacin lineal de variables normales independientes
sigue tambin una distribucin Normal. Es decir, dadas n variables
aleatorias independientes con distribucin Xi ~ N(i, i) para i = 1, 2, ...,
n la combinacin lineal: Y = anXn + an1Xn1+ ... + a1X1 + a0 sigue tambin
el modelo Normal: