Академический Документы
Профессиональный Документы
Культура Документы
MUESTRA
6.1
6.2
Los estudios de simulacin pueden realizarse por alguno de los siguientes propsitos:
1. Para determinar las caractersticas (media, varianza, mnimo, mximo, etc.) de ciertas
variables para condiciones iniciales dadas., valor de los parmetros, y configuraciones del
modelo para analizar y comprender el comportamiento de un sistema existente o para
predecir el comportamiento de un sistema futuro en la etapa de diseo del sistema.
2. Para comparar las caractersticas (media, varianza, mnimo, mximo, etc.) de ciertas
variables bajo varias condiciones de datos iniciales, valor de los parmetros, y
configuracin del modelo. La manipulacin de estos factores y la comparacin de sus
efectos para cada escenario simulado puede resultar en determinar las condiciones bajo
las cuales el sistema opera satisfactoriamente. El ltimo intento del analista puede ser
mejorar el desempeo de un sistema existente o disear un sistema futuro.
La mayora de los sistemas estudiados con la simulacin son estocsticos. La simulacin por
naturaleza es, por lo tanto, un proceso de muestreo estadstico, un proceso de estimacin y un
proceso de anlisis. Como en el caso de un estudio analtico, la eleccin del tiempo de muestreo y
el tamao de la muestra afectan a la calidad de las estimaciones de los parmetros de la poblacin
para la cual la muestra es tomada. Contradictoriamente, para decidir sobre el tamao de la
muestra, es necesario tener algn conocimiento acerca de los parmetros.
6.3
Sistemas que no terminan: Son aquellos que su operacin no tienen un fin durante un horizonte
de tiempo razonable. Algunos ejemplo de sistemas que no terminan son; una red de comunicacin,
el cuarto de emergencias de un hospital, un centro de computo, una interseccin vial, etc. Adems,
algunos sistemas que aparentemente si terminan actualmente no los son. Una fabrica, por ejemplo,
que cierra al final de cada da y abre el prximo da puede ser correctamente visto como un
sistema que no termina, siempre que se considere el flujo y la posicin de las partes de los
diversos inventarios implicados, ya que la condicin inicial cada da, es la condicin final del da
anterior.
La mayora de los sistemas que no terminan no siempre alcanzan el estado estacionario. El
comportamiento del estado estacionario es tpicamente el inters de la mayora de los estudios de
los sistemas que no terminan.
Sistemas que terminan: Son aquellos que tpicamente inician de un estado inactivo o vaci y
terminan con algunas de estas dos condiciones. La terminacin de tales sistemas ocurre ya sea
despus de cierto lapso de tiempo o en el tiempo de ocurrencia de cierto evento. Un banco que
inicia sus operaciones en la maana con un estado vaci cierra despus de 8 horas es un ejemplo
de un sistema que termina que es controlado por el tiempo Algunos ejemplos de sistemas que
terminan cuya operacin termina cuando un evento acontece son;:una compaa constructora que
ha ganado un contrato para construir un hospital, una armadora de camiones que ha recibido una
orden para construir 5 autobuses, la falla de un instrumento complicado, una batalla entre dos
grupos, etc. Los sistemas que terminan pueden o no alcanzar el estado estacionario (si tienen
alguno) antes de que su operacin termine. Si tienen estado estacionario, entonces en ciertas
situaciones deben ser tratados como sistemas que no terminan. Por ejemplo, si estamos
interesados en encontrar el nmero de asientos que se requieren en un rea de espera de una
esttica, estaremos interesados en conocer si el sistema tiene estado estacionario para basar
nuestra decisin del estado del sistema. Es probable que ocurra que la esttica no alcance el
estado estacionario antes de que llegue la hora de cerrar. En este caso se puede extender la
simulacin ms all del fin natural de la operacin del sistema con el fin de obtener datos
suficientes para propsitos de estimacin
En muchas ocasiones, especialmente cuando su terminacin es controlada por un evento, los
sistemas que terminan no alcanzan el estado estacionario antes de su terminacin. En tales casos
6.4
Intervalos de Confianza
variable son la media x y la desviacin estndar . Si una observacin individual de una variable
aleatoria son denotadas por X1,X2,X3,......Xn para n observaciones ( ejemplo: el tiempo de espera
en el sistema para n entidades), la media y la varianza de la muestra son calculadas usando las
siguientes ecuaciones:
__
X=
x1 + x2 + ..... + xn
n
__
1 n
i x
n 1 i =1
Considerando que las variables aleatorias con independientes una de otra y estn idnticamente
__
Z=
x
__
x
__ =
x
P Z Z Z = 1
2
2
Sustituyendo el valor de Z en la expresin anterior y haciendo algunos arreglos, se deriva para los
intervalos de confianza de la poblacin la siguiente expresin:
Z
__ Z
__
2
P x
x + 2 = 1
n
n
intervalos de confianza y otras aplicaciones relacionadas que usan la anterior relacin estadstica.
Cuando una muestra es menor de que 30, la distribucin t-student deber ser usada.
(t
n 1, / 2
)s
Ejemplo #1 Adems de proveer un ejemplo numrico para los intervalos de confianza, este
ejemplo tambin sirve para demostrar que la independencia de los datos no esta limitada a la
terminacin del sistema. Suponga que una gasolinera esta localizada a un costado de carretera
que conecta las ciudades A y B. El administrador de la gasolinera ordena va telefnica la gasolina
de ambas ciudades. El tiempo entre rdenes para la ciudad A esta uniformemente distribuido entre
5 y 9 horas, y el tiempo entre ordenes para la ciudad B esta uniformemente distribuido entre 10 y
14 horas. El tiempo de traslado de las pipas de gasolina de la ciudad A a la gasolinera esta
normalmente distribuida con media de 7 horas y una desviacin estndar de 0.5 horas, y el tiempo
de traslado de las pipas de gasolina de la ciudad B a la gasolinera esta normalmente distribuida
con media de 12 horas y una desviacin estndar de 2 horas. Considere que inmediatamente
despus de realizar la orden, una pipa es enviada a la gasolinera. Simulando el sistema para el
arribo de 100 pipas a la gasolinera, nos gustara determinar un de intervalo de confianza del 95%
para la media del tiempo entre el arribo de las pipas a la gasolinera. Recuerde que 30 o mas
observaciones independientes son suficientes para justificar el uso de la distribucin normal. Por lo
que una muestra de 100 observaciones es suficiente. El valor de Z de la tabla de la distribucin
normal para 1- /2=1.0.95=0.05. Por lo que un valor de Z de 1.96 que corresponde a 10.05/2=0.975 se obtiene de la tabla para este ejemplo. As, usando los valores de generados
__
simulando el sistema de una media x de 4.37 y una desviacin estndar S de 2.39, tenemos;
4.37
(1.96)(2.39)
(1.96)(2.39)
4.37 +
100
100
3.9 4.83
El intervalo de [3.9, 4.83] es un intervalo de confianza del 95% para el tiempo entre arribos
promedio de las pipas a la gasolinera. Simulando este modelo para un a muestra de tamao
grande demuestra que el hecho de que una muestra de 100 es suficientemente grande, como
resultado de corridas con tamao de muestra mas grandes no existen indicios de variaciones
mayores de los valores de la media y de la desviacin estndar en relacin con los valores
obtenidos con la muestra de tamao 100. No obstante, incrementar el tamao de la muestra
incrementar el valor del denominador en la relacin del intervalo de confianza, y an si la
desviacin estndar permanece sin cambio, un intervalo de confianza menor resultar. Esto
simplemente indica que para un dado nivel de confianza, una muestra de tamao mas grande
provee estimaciones mas ajustadas de los parmetros de la poblacin.
Note en este ejemplo que puede argumentarse que a largo plazo el tiempo entre arribos de las
pipas a la gasolinera es la suma de las tasas promedio de salida de las pipas de las ciudades, y es
independiente del tiempo de viaje de las pipas.( ejemplo, eventualmente cada pipa que abandona
las ciudades llega a la gasolinera independientemente del tiempo de viaje). Este es definitivamente
un argumento legtimo. La siguiente relacin provee el tiempo promedio entre arribos de las pipas a
la gasolinera:
1
= 0.226 Pipas / hora
Tiempo promedio entre arribo a la gasolinera =
+
5 + 9 10 + 14
2 2
Por lo que el tiempo promedio entre arribos a la gasolinera es de
1
= 4.42 Horas
0.226
Ntese que la estimacin de la simulacin para la media anterior basada en una muestra de 100
horas ha sido 4.37 horas, lo cual sustenta el argumento anterior.
Ejemplo #2 Se desea determinar la media o el nmero promedio de clientes que llegan a cortarse
el pelo a una esttica el sbado por la maana. Maric dueo de la esttica, la abre a las 8:00
a.m. y la cierra a las 12:00 p.m. del mismo da. Para determinar el valor exacto para el verdadero
promedio de clientes a los que se les corta el pelo el sbado por la maana, se desea calcular el
promedio basado en el numero de cortes realizados todas las maanas de los sbados en la
esttica. No deseando trabajar mucho, se decide realizar una estimacin de verdadera media ,
trabajando los prximos 12 sbados por la maana registrando el numero de clientes que se cortan
el pelo entre las 8:00 a.m. y las 12:00 p.m.
Numero
cortes
21
16
11
17
de
16
14
15
10
16
11
14
12
10
Media
de
13.67
la
__
muestra x
4.21
Desviacin
estndar de la
muestra s
Considere ahora que los datos del ejemplo de la esttica son independientes y estn normalmente
distribuidos, y 95% de nivel de confianza.
Dado que:
x =13.67 cortes
S= 4.21 cortes
De la tabla de la distribucin t-student, se tiene que tn 1, / 2 = t11,0.025 =2.201. El mitad del ancho es
calculado de la manera siguiente:
ma =
(t11,0.025 ) S
n
(2.201)4.21
= 2.67 cortes
12
Los lmites inferior y superior con un intervalo de confianza del 95% son calculados como sigue:
__
Se puede asegurar con un 95% de confianza que la verdadera pero desconocida media se
encuentra entre 11 y 16.34 cortes (11.00 cortes 16.34).
El ancho del intervalo indica le exactitud del punto estimado. Es deseable tener un intervalo
pequeo con alta confianza (generalmente 90% o mayor). El ancho de intervalo de confianza es
afectado por la variabilidad del sistema y el nmero de observaciones realizadas (tamao de la
muestra). Se puede observar de la ecuacin de la mitad del ancho que, para un dado nivel de
confianza, la mitad del ancho se encoger si (1) el tamao de la muestra n se incrementa o (2) la
variabilidad en el resultado del sistema (desviacin estndar S) es reducida. Dado que se tiene
poco control sobre la variabilidad del sistema, nos resignamos a incrementar el tamao de la
muestra (mas rplicas) para incrementar la exactitud de nuestras estimaciones.
P Z
2
p p
Z = 1
p(1 p)
2
n
__
A diferencia del intervalo de confianza para la media, el intervalo de confianza p puede no ser
__
__
P p Z
2
__
__
__
p(1 p)
p p+ Z
n
2
__
p (1 p )
= 1
n
__
Debido a que el tamao de la muestra en una simulacin es generalmente grande para cumplir
con los requerimientos de la distribucin normal usado para llegar a la anterior ecuacin, el nicos
factores limitantes en el uso de la ecuacin anterior son las condiciones que np>5 y que n(1-p)>5.
Si estas condiciones no son reunidas en un cierto experimento, entonces un intervalo de confianza
mas preciso puede ser construido sobre el numero promedio de xitos (en lugar de la proporcin e
xitos) usando la distribucin Binomial. La proporcin puede ser entonces estimada dividiendo el
estimado del numero total de xitos entre el numero total de pruebas. Muchos libros de estadstica
presentan el proceso para elaborar los intervalos de confianza para variables aleatorias distribuidas
binomialmente.
1 = p(.076 1.96
.076(1 0.76)
.076(1 0.76)
p 0.76 + 1.96
500
500
lo cual produce
0.053 p 0.099
Este intervalo se puede interpretar de la manera siguiente: Se tiene un 95% de confianza de que el
tiempo de produccin para aproximadamente del 5 al 10 por ciento de los productos en 15 menos
das.
__
__
E[ x y ] = x y
__
__
Var[ x y ] = S
2
x
+S
2
y
2
S 2x S y
=
+
nx
ny
__ __
( x y) ( x y )
P Z
Z = 1
2
2
S 2x S y
2
+
nx
ny
esperada del componente bajo la configuracin de diseo sobre la base de 100 replicas para cada
escenario.
La vida del componente bajo el diseo original y el nuevo diseo se denotan por x y y
respectivamente, entonces la siguiente informacin es obtenida para las dos salidas de la
simulacin:
__
x =4.9 Sx=3.47
__
, y y =4.04
Sy=4.18
Note que el tamao de la muestra para ambos escenarios es de 100. Sustituyendo estos valores
en la ecuacin para los intervalos de confianza entre las medias, produce el siguiente intervalo de
confianza:
-0.21 x-y 1.93
este intervalo indica que el diseo original puede tener una mejor confiabilidad.
6.5
La eleccin del tamao de la muestra depende del grado de precisin que se espere del resultado.
Este grado de precisin esta representado por el intervalo de confianza, esto es, la caracterstica
de un intervalo de confianza deseado puede conducir a la determinacin del propio tamao.
Paradjicamente, para encontrar los parmetros de la poblacin necesarios para el tamao de la
muestra, el modelo debe ser primero simulado. En otras palabras, para encontrar el tamao de la
muestra (que afecta la longitud de la simulacin) dados el deseado intervalo y nivel de confianza,
primero se debe simular el modelo para una longitud de corrida arbitraria para estimar la desviacin
estndar de la variable aleatoria. El valor de la desviacin estndar es requerido en la relacin del
intervalo de confianza. El valor del tamao de la muestra es entonces calculado usando estas
estimaciones iniciales de la desviacin estndar y la amplitud deseada del intervalo de confianza.
P [ x - d x + d ]= 1 -
d = Z /2
S
n
n=
( S Z /2 )2
d
Note que la desviacin estndar de la poblacin debe de ser conocida para determinar el tamao
de la muestra: En raros ocasiones y para ciertas variables en el modelo la informacin sobre la
desviacin estndar puede ser obtenida usando datos histricos. En la mayora de las ocasiones,
sin embargo, no hay datos histricos aplicables disponibles. Como se menciono previamente, la
alternativa es correr el modelo para una muestra de tamao arbitrario elegida. El producto de esta
simulacin piloto puede proveer un estimado (tal ves uno burdo) de el valor de la desviacin
estndar para la variable en cuestin. Este estimado puede entonces ser usado en la ecuacin
anterior para l calculo del tamao de la muestra
Debe ser notado que el tamao de la muestra puede ser estimado independientemente de la
desviacin estndar de la poblacin si el tamao del intervalo de confianza es expresado en
trminos del nmero de la desviacin estndar de la poblacin de la variable aleatoria. Por
ejemplo, si se desea que d sea 2/10 de la desviacin estndar de la poblacin, entonces
substituyendo el valor de d en la ecuacin del tamao de la muestra produce lo siguiente;
n=
( S Z /2 )2
(2S /10 )2
n = 25Z 2 / 2
Note que los clculos del tamao de la muestra anterior requieren nicamente el valor de la
variable estndar normal para un dado nivel de confianza. Sin embargo, debido a que d esta
expresado en trminos de una desviacin estndar desconocida, el tamao actual del intervalo de
confianza no es conocido en este caso.
Ejemplo #5 Basado en el problema #1, suponga que una estacin de gasolina esta localizada en
la autopista que conecta dos ciudades A y B. El administrador de la estacin ordena de gasolina
desde las dos ciudades. El intervalo de tiempo entre las rdenes a la ciudad A se distribuye
uniformemente entre 5 y 9 horas. El intervalo entre rdenes a la ciudad B esta uniformemente
distribuido entre 10 y 14 horas. El tiempo del viaje de los camiones de gasolina desde la ciudad A
se distribuye normalmente con media de 7 horas y una desviacin estndar de .5 de hora. El
tiempo del viaje de los camiones de gasolina desde la cuidad B se distribuye normalmente con
media de 12 horas y una desviacin estndar de 2 horas.
Asuma que inmediatamente despus de que se realiza la orden de gasolina, un camin es enviado
a la estacin de gasolina. Se desea estimar el tiempo promedio entre arribos de los camiones a la
estacin de gasolina tal que la probabilidad sea 0.95 de que nuestras estimaciones este dentro de
.1 hora de la media de la poblacin. Para obtener una estimacin para la desviacin estndar de la
poblacin usada en la formula del tamao de la muestra, se tomar el resultado de una simulacin
realizada como una prueba piloto con una muestra de 100, como se especific es este ejemplo.
De acuerdo al resultado de la simulacin piloto, se obtuvo un a desviacin estndar del tiempo del
sistema de 2.39 horas.
2
(2.39) (1.96)]
[
n=
= 2194
(0.1 ) 2
media de la muestra x que se calcule este fuera por a lo mximo 2.0 cortes de pelo (d=2.0) de la
verdadera media . Basado en muestra inicial de 12 observaciones, se sabe que S=4.21 cortes.
Ahora se calcula n como sigue:
Dado que:
S= 4.21 cortes
De la ltima fila de la tabla t-student, se encuentra que Z 0.025 = t ,0.025 =1.96. Usando la ecuacin
previa para n se obtiene que;
( t ) s (1.96 ) 4.21
n = 0.025 =
= 17.02 observaciones
2.0
d
'
numero de repeticiones necesarias para obtener un punto de estimacin x con cierto porcentaje
de error, se requiere nicamente cambiar el denominador de la ecuacin usada anteriormente.
Obtenindose la siguiente ecuacin
(Z ) s
n = / 2 __
dr x
(1 + dr )
donde dr denota la desviacin relativa (error relativo). La parte dr/(1+dr) del denominador es un
__
ajuste requerido para obtener el valor deseado dr debido que se usa x para estimar . ( ver el
captulo 6 de Law y Kelton para detalles). Lo interesante de este enfoque es que podemos
seleccionar un porcentaje deseado sin tener conocimiento previo de la magnitud del valor de .
Como un ejemplo, digamos que despus de registrar el numero de cortes de pelo en la esttica en
12 sbados (n=12 repeticiones del experimento), se desea determinar el numero aproximado
requerido para estimar el numero promedio de cortes de pelo realizados por da con un porcentaje
de desviacin (error) de 17.24 por ciento y un nivel de confianza del 95%. Se aplica la ecuacin
usando una la media y la desviacin estndar de la muestra de la tabla dada
Dado que:
2/n =
dr = 0.1714
__
x =13.67 cortes
S= 4.21 cortes
2
(Z ) s
(1.96 ) 4.21 = 17.02 observaciones
n = / 2 __ =
dr x 0.1714 13.67
(1 + dr ) (1 + 0.1714)
Por esto n
18 observaciones
La nica ventaje real de estimar el nmero de repeticiones por adelantado es que puede ahorrar
tiempo con respecto al enfoque de prueba y error de verificar de forma repetida el mitad del ancho
y volver a realizar repeticiones hasta que el nivel de confianza requerido es alcanzado.
P [ p - d p p + d ]= 1 -
d = Z /2
p( 1- p )
n
Resolviendo la ecuacin anterior para n produce la siguiente formula para el tamao de muestra;
n= Z
/2
p ( 1- p )
d
Note que en la anterior ecuacin debe ser conocida p promedio para calcular el tamao de la
muestra. Una corrida de simulacin piloto de una longitud arbitraria puede proveer de nueva cuenta
una estimacin para este parmetro. Un enfoque ms confiable, sin embargo, es tomar ventaja del
hecho de que valor mximo posible de este termino en el tamao de:
p ( 1- p )
es 0.25, cuando p promedio es igual a 0.5. Sustituyendo el mximo valor de este trmino en el
tamao de la muestra provee la siguiente ecuacin, la cual generalmente produce un tamao de
muestra que es mayor de lo necesario;
2
n = Z 2/2
4d
Ejemplo #7 Basado en el ejemplo #1 para una red de actividades la cual representa las
actividades
requeridas para hacer una unidad de un producto, considere que se desea
determinar la proporcin de productos que son producidos en 15 das o menos tal que la
probabilidad es 0.95 que la estimacin este dentro de 0.03 de la actual proporcin de las unidades
del producto.
2
n = Z 2/2
4d
( 1.96 )
n=
= 1067
4( 0.03 ) 2
Este calculo indica que al menos 1067 entidades deben ser especificadas para reunir las
especificaciones para los intervalos de confianza sobre la proporcin de las unidades de los
productos.
P ( x - y ) - d x - y ( x + y )+ d = 1 -
Comparando la anterior relacin con la de la de los intervalos de confianza para la diferencia entre
medias, se obtiene la ecuacin siguiente;
n = Z /2
S x+S y
nx
ny
Usando el mismo tamao en ambas muestras, se obtiene la siguiente ecuacin para la simulacin
del tamao de muestra;
n=
/2
(S
d
2
x
2
+S
2
y
Por lo anterior, la simulacin para uno de los dos escenarios de modelacin debera generar
estimaciones de las medias basados en el anterior tamao de muestra que resulta de las
caractersticas deseadas del intervalo de confianza.
Como se discuti en el caso del intervalo de confianza para diferencias entre medias, usar la
misma corriente de nmeros aleatorios y el mismo tamao de muestra para las corridas de la
simulacin piloto de los dos escenarios (se intenta proveer estimaciones para las desviaciones
estndar) es preferible en el anterior proceso.
Ejemplo #8 Basado en el ejemplo #3, suponga que se desea determinar el tamao de la muestra
para los dos escenarios de simulacin para el problema que a continuacin se describe.
Asmase que el tamao de la muestra ser tan grande que permita un intervalo de confianza de un
95% con una amplitud de 0.5 de ao (d=0.25) para la diferencia entre las dos medias de la vida del
instrumento. Dados los valores de la desviacin estndar para una corrida piloto, la cual se baso
en 100 observaciones para cada uno de los dos escenarios, as;
Esto significa que cada escenario debe ser al menos simulado 503 repeticiones para proveer la
amplitud deseada para el intervalo de confianza sobre la diferencia entre la vida de las medias.
6.6
Problemas Propuestos
Problema 1
Se desea estimar el peso promedio de los sacos que son llenados por un nuevo instrumento en
una industria. Se conoce que el peso de un saco que se llena con este instrumento es una variable
aleatoria con distribucin normal. Si se supone que la desviacin tpica del peso es de 0,5 kg.
Determine el tamao de muestra aleatoria necesaria para determinar una probabilidad igual a 0,95
de que el estimado y el parmetro se diferencien modularmente en menos de 0,1 kg.
Problema 2
De una poblacin de 1 176 adolescentes de una ciudad X se desea conocer la aceptacin por los
programas humorsticos televisivos y para ello se desea tomar una muestra por lo que se necesita
saber la cantidad de adolescentes que deben entrevistar para tener una informacin adecuada con
error estndar menor de 0.015 al 90 % de confiabilidad.
Problema 3
La altura de los jvenes andaluces se distribuye segn una ley normal de media desconocida y
varianza 25 cm2. Se ha seleccionado una muestra aleatoria y con una confianza del 95% se ha
construido un intervalo para la media poblacional cuya amplitud es de 2.45 cm.
a. Cul ha sido el tamao de la muestra seleccionada?
b. Determine el lmite superior y el inferior del intervalo de confianza si la muestra tomada dio
una altura media de 170 cm.
Problema 4
Un fabricante de reproductores de discos compactos utiliza un conjunto de pruebas amplias para
evaluar la funcin elctrica de su producto. Todos los reproductores de discos compactos deben
pasar todas las pruebas antes de venderse. Una muestra aleatoria de 500 reproductores tiene
como resultado 15 que fallan en una o ms pruebas. Encuentre un intervalo de confianza de 90%
para la proporcin de los reproductores de discos compactos de la poblacin que no pasan todas
las pruebas.
Problema 5
En una muestra de 400 pilas tipo B fabricadas por la Compaa Dura por Siempre, se
encontraron 20 defectuosas. Si la proporcin p de pilas defectuosas en esa muestra se usa para
estimar P, que vendr a ser la proporcin verdadera de todas las pilas defectuosas tipo B
fabricadas por la Dura por Siempre, encuentre el mximo error de estimacin tal que se pueda
tener un 95% de confianza en que P dista menos de de p.
Problema 6
En un estudio de 300 accidentes de automvil en una ciudad especfica, 60 tuvieron
consecuencias fatales. Con base en esta muestra, construya un intervalo del 90% de confianza
para aproximar la proporcin de todos los accidentes automovilsticos que en esa ciudad tienen
consecuencias fatales.
Problema 7
Se lleva a cabo un experimento en que se comparan dos tipos de motores, A y B. Se mide el
rendimiento en millas por galn de gasolina. Se realizan 50 experimentos con el motor tipo A y 75
con el motor tipo B. La gasolina que se utiliza y las dems condiciones se mantienen constantes. El
rendimiento promedio de gasolina para el motor A es de 36 millas por galn y el promedio para el
motor B es 24 millas por galn. Encuentre un intervalo de confianza de 96% sobre la diferencia
promedio real para los motores A y B. Suponga que las desviaciones estndar poblacionales son 6
y 8 para los motores A y B respectivamente.
Problema 8
Una compaa de taxis trata de decidir si comprar neumticos de la marca A o de la B para su
flotilla de taxis. Para estimar la diferencia de las dos marcas, se lleva a cabo un experimento
utilizando 12 de cada marca. Los neumticos se utilizan hasta que se desgastan, dando como
resultado promedio para la marca A 36,300 kilmetros y para la marca B 38,100 kilmetros.
Calcule un intervalo de confianza de 95% para la diferencia promedio de las dos marcas, si se
sabe que las poblaciones se distribuyen de forma aproximadamente normal con desviacin
estndar de 5000 kilmetros para la marca A y 6100 kilmetros para la marca B.
Problema 9
En una muestra aleatoria de 500 familias que tienen televisores en la ciudad de Hamilton, Canad,
se encuentra que 340 estn suscritas a HBO. Qu tan grande se requiere que sea una muestra si
se quiere tener 95% de confianza de que la estimacin de P est dentro de 0.02?
Problema 10
Una legisladora estatal desea encuestar a los residentes de su distrito para conocer qu proporcin
del electorado conoce la opinin de ella, respecto al uso de fondos estatales para pagar abortos.
Qu tamao de muestra se necesita si se requiere un confianza del 95% y un error mximo de
estimacin de 0.10?
Problema 11
Problema 13
El fabricante de una patente mdica sostiene que la misma tiene un 90% de efectividad en el alivio
de una alergia, por un periodo de 8 hrs. En una muestra de 300 individuos que tenan alergia, la
medicina suministrada alivi a 240 personas. Determinar si la aseveracin del fabricante es
correcta.
Investigaciones:
Obtenga al menos 2 documentos de las referencias bibliogrficas listadas que tratan con la
validacin y la verificacin y escriba un ensayo corto comparando y contrastando las diversas
filosofas y enfoques al tpico de validacin y verificacin.
Compare y contraste los diferentes lenguajes de simulacin en sus capacidades para ayudar al
modelador el la siempre ardua tarea de depuracin y verificacin..
Referencias Bibliogrficas
A. M. Law and D. W. Kelton. Simulation Modeling and Analysis. Industrial Engineering and
Management Science. McGraw-Hill Inc., 2nd edition, 1991.
B. Concebs, Discrete Systems Simulation, Mc Graw-Hill, 1994
Banks, J., Carson, J.S., II, and Goldsman, D., "Discrete-Event Computer Simulation," Handbook of
Statistical Methods for Engineers and Physical Scientists, 2nd ed., (H.M. Wadsworth, Ed.),
McGraw-Hill, New York, 1998.