Академический Документы
Профессиональный Документы
Культура Документы
n
valores
i
p
Pgina: 1
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Chi Cuadrado Chi Cuadrado
El estadstico ser
o sea
Asumiendo que O
i
E
i
tiene una distribucin Normal
Se puede demostrar que la distribucin del estadstico es aproximadamente
Chi Cuadrado con k-s-1 grados de libertad
S = n de parmetros de la distribucin
Se establece que las frecuencias E
i
> = 5 para la validez del test.
Evaluacin de la Bondad del ajuste Test Chi Cuadrado
,
_
k
i i
i i
E
E O
1
2
2
0
,
_
k
i i
i
i
p
p
n
O
1
2
2
0
16
Pgina: 15
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Chi Cuadrado Chi Cuadrado
Test de Hiptesis
- H
0
: la variable aleatoria X pertenece a la distribucin asumida con los
parmetros estimados.
- H
1
: la variable aleatoria no pertenece a la distribucin
El Valor crtico es mediante el cual se rechaza la
hiptesis nula si con un nivel de significacin de
Evaluacin de la Bondad del ajuste Test Chi Cuadrado
2
1 , s k
0
2
>
,ks1
2
Pgina: 16
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Otros Otros tests tests de la bondad de ajuste de la bondad de ajuste
Test de Hiptesis
- H
0
:
Donde:
Evaluacin de la Bondad del ajuste Test Kolmogorov-Smirnov
n
i
X F
n
x X
x F
X X X
i
i
n
, ) (
max
) ( ) (
sup
max max
>
'
1
]
1
1
]
1
n i
n i
i
n i
n
d
n
i
X F X F
n
i
x F x F D
observado valor X F
i
. ) (
) (
Tiene que tenerse en cuenta al efectuar estos tests el tamao de la muestra. Los tests de
bondad no van a rechazar ninguna distribucin si los datos son pocos y van a rechazar todas
si los datos son muchos. El rechazo o no rechazo es solo una pieza de la evidencia.
17
32. Como se analiza la serie de evolucin temporal de una variable?
Se analiza en funcin de:
Estacionalidad (perodo) Comportamiento peridico.
Tendencia (pendiente) Comportamiento lineal con pendiente.
Perodo abierto/cclico (perodo) se deben analizar los comportamientos
repetitivos
Irregularidades (variables aleatorias con promedio y varianza) outliers.
33. En que casos es esperable que aparezca una distribucin de Poisson? Porque?
La distribucin de Poisson modela el nmero de eventos independientes que ocurren en una
cantidad de tiempo o espacio fija. Por ejemplo el nmero de clientes que arriban a una tienda
durante 1 hora o el nmero de defectos encontrados en 30 metros cuadrados de una hoja de
metal.
34. En que casos es esperable que aparezca una distribucin de Gauss? Por que?
La distribucin Normal modela la distribucin de un proceso que puede ser pensado como la
suma de un numero de procesos que lo componen. Por ejemplo, el tiempo para ensamblar un
producto tiene distribucin normal. Esto es porque es la suma de los tiempos requeridos para
cada operacin de ensamble.
Es importante notar que la distribucin norma admite valores negativos, los cuales pueden ser
imposibles para procesos con tiempos.
35. Cmo puede establecerse si la variable se encuentra en rgimen estable?
Se puede establecer que la variable se encuentra en rgimen estable si no presenta su serie de
evolucin temporal ninguna tendencia, corrida, estacionalidad, perodo cclico o
irregularidades.
18
19
20
36. Cmo puede establecerse si dos o ms variables estn relacionadas?
Si las variables de entrada de un modelo de simulacin estn relacionadas, dicha
relacin debe ser determinada y tenida en cuenta en el momento de plantear el modelo. Hay
que tener en cuenta adems si la relacin se mantiene o si se da en un intervalo.
Dos maneras de determinar la dependencia entre variables son: la covarianza y la
correlacin. Sean X
1
y X
2
dos variables aleatorias y
i
= E(X
i
) y
i
=Var(X
i
) la media y la
varianza de X
i
respectivamente, la covarianza y la correlacin dan una medida de la relacin
lineal entre las variables mencionadas.
Covarianza entre X
1
y X
2
(para variables discretas)
Cov (X
1
y X
2
) = E[(X
1
-
1
)(X
2
-
2
)] = E(X
1
X
2
) -
1
2
Caractersticas de la covarianza:
- Puede tomar valores desde + a -
- Covarianza bastante positiva indica una fuerte relacin positiva entre las variables
(valores grandes de X
1
tienden a ocurrir con valores grandes de X
2
).
- Covarianza bastante negativa indica una fuerte relacin negativa entre las variables.
- Covarianza cercana a 0 indica que las variables no estn fuertemente relacionadas.
- Defecto su valor depende crticamente de las unidades de medicin.
Correlacin entre X
1
y X
2
= Cov (X
1
y X
2
)/
1
2
Caractersticas de la correlacin:
- Es independiente de las unidades de medicin.
- Puede tomar valores desde + 1 a - 1
21
- menor que 1 en valor absuluto indica slo que la relacin no es completamente
lineal, pero todava puede haber una fuerte relacin no lineal.
- = 0 no implica que X
1
y X
2
sean independientes sino slo que hay completa
ausencia de relacin lineal. (X
1
y X
2
son no correlacionadas)
- = 1 indica la relacin positiva ms fuerte.
- = -1 indica la relacin negativa ms fuerte.
37. Dada una distribucin de probabilidades, cmo puede generarse una muestra
artificial?
La simulacin de un modelo en el que se hayan definido variables aleatorias requiere
contar con secuencias de valores de dichas variables. La forma ms directa de resolver tal
necesidad consistira en utilizar secuencias obtenidas de datos histricos. Sin embargo, se
requieren en general, para la simulacin, ms valores de los que se disponen en los datos
histricos; adems, las condiciones en las que se producen los valores en la realidad pueden
ser distintas y menos generales a las que se han definido para el estudio. Por ello, es
conveniente siempre que sea factible, obtener primero las distribuciones de probabilidad de
las variables y luego, mediante procedimientos estadsticos, generar muestras artificiales
(valores necesarios en base a dichas distribuciones).
La generacin de las muestras artificiales se realiza con el mtodo de la
transformacin inversa pues este puede ser utilizado para casi todas las distribuciones usuales
en forma eficiente.
Para este mtodo se requiere obtener valores de una variable continua x con una
funcin de probabilidad acumulada
x
dx x f x F ) ( ) ( (f(x): funcin de densidad de
probabilidad) o valores de una variable discreta z con probabilidad acumulada
z
z p x F
0
) ( ) (
(p(z): probabilidad del valor z).
Dichos valores constituyen una muestra sobre una determinada poblacin terica
definida por su distribucin de probabilidad.
El mtodo se basa en realizar la transformacin de un nmero aleatorio uniforme a un
valor particular de la variable en consideracin.
Dado un nmero aleatorio uniforme r e igualando la funcin de probabilidad
aculumada
) (x F r
se obtiene un valor x de la variable haciendo ) (
1
r F x
. Para efectuar
esta transformacin se requiere que la funcin F
-1
pueda ser obtenida explcitamente a partir
de la F.
Para una variable discreta con probabilidad acumulada F(x) el mtodo se aplica
calculando, para un valor de r, el valor de la variable x que surge de F(x-1)< r < F(x).
Generaci n de valores aleatorios uniformes (r)
Una variable continua x sigue una distribucin uniforme cuando su funcin de
densidad de probabilidad est dada por
a b
x f
1
) ( para axb y f(x) = 0 de otra forma. Su
22
funcin de probabilidad acumulada es
a b
a x
x F
,
_
S t
n
n
El problema es que tanto S como t dependen de n.
El mtodo de resolucin es iterativo. Dado un S, lo que hago es tirar un valor de n y saco su t
correspondiente. Con esta t vuelvo a calcular n
infinito
y de nuevo el t. Repito esto hasta que n se
estabilice.
O sino puedo resolverlo en forma aproximada:
-Reemplazo t por z, correspondiente al valor crtico de la normal
-Suponer que S se mantendr para muestra ms largas
- Obtener
2
2 / 1
h
,
_
S z
n
donde S= desvo estndar del n
0
inicial de n
0
de rplicas
Una aproximacin
2
0
h
,
_
h
n n
o
donde h
o
es el half width del n
o
inicial de repeticiones.
Vemos que n crece cuadrticamente conforme h decrece.
47. Qu diferencias existen entre la simulacin con terminacin y sin terminacin?
Cmo se determinan en cada caso los elementos que conforman la muestre?
Ejemplifique.
Simulacin con terminacin:
Tienen un tiempo establecido de finalizacin para su corrida
Corto plazo
Los datos estadsticos se calculan dentro del perodo de tiempo natural del sistema.
Generalmente analizados mediante Repeticiones Independientes
o Realiza corridas independientes (repeticiones) de la simulacin, todas en
condiciones idnticas.
o La muestra de cada corrida se asume con distribucin aproximadamente
normal.
o Para estimar M y S se vale de n corridas utilizando condiciones iniciales y
generacin de nmeros aleatorios independientes.
n
Y Y
t
n
t i
1
,
_
( )
1
2
1
n
Y Y
S
t
n
t
Ejemplo: Tiempo promedio de espera de los clientes en un banco durante el transcurso de 1
da.
26
Simulacin sin terminacin (Sistemas de estado estable)
No tienen un tiempo de duracin definido, el horizonte de tiempo puede ser infinito.
Largo plazo
Condiciones iniciales de simulacin
o Vaco: No hay identidades en el momento 0.
o Condiciones ms representativas del sistema simulado.
o No se toman datos en un perodo inicial (perodo de estabilizacin) se
toman a partir de Ymw + 1.
Implica que se desperdician datos se soluciona con el mtodo de la media Batch.
o Se realiza una corrida larga
o Se eliminan los datos correspondientes al perodo de estabilizacin.
o Se dividen las observaciones en grupos batch mayores que 30
o Las medias de cada grupo se consideran independientes y su media se
aproxima a una normal.
o Se calculan M y S igual q antes, pero sobre las medias de los intervalos, no
sobre los datos originales.
Ejemplo: lnea de ensamblado contnuo.
48. Cmo se determina el tamao de la corrida si se desea verificar que un nuevo
mtodo de trabajo es superior al mtodo que actualmente se aplica en el sistema real?
Comparamos 2 mtodos (MET1 y MET2). MET1 es el que se viene usando y queremos
cambiarlo por MET2 que supuestamente es mejor. Cmo sabemos si es mejor??
H0) La muestra MET2 pertenece a la misma poblacin que MET1 su media se ubica
dentro del intervalo de confianza de la distribucin muestral (la que tenemos originalmente y
que sacamos con MET1. Es normal por ser distribucin de medias y con un cierto nivel de
confianza se estableces LS y LI para la media)
N
Z M
N
Z M
LS LI
n n
+ < <
< <
Mn: media de la muestra
: Nivel de confianza
De no conocerse el puede utilizarse S con la distribucin t de student.
Si la media de MET2 resulta ser superior a LS, se rechaza la H0 y puede asegurarse que
MET2 pertenece a otra poblacin mejor que MET1.
2
2
2
,
_
>
>
n n
n
M M
Z
N
LS M
27
49. Que mtodos de reduccin de varianza conoce? Para qu sirven?
Tcnicas de Reduccin de varianza
Muestro Estatificado
Mtodo de nmeros aleatorios complementarios
No se para qu sirven......alguien sabe???
50. Cmo puede optimizarse un resultado en un modelo de simulacin? Como se opera?
El resultado de una simulacin Y se encuentra relacionado con variables independientes x1,
x2,, xk, llamadas variables de diseo y usualmente sujetas a control. La verdadera relacin
entre las mismas se representa mediante un modelo de simulacin, que consiste en aproximar
esa relacin mediante una funcin matemtica. Puede usarse:
Regresin lineal simple
Regresin lineal mltiple
La calidad de la regresin deber verificarse (bondad de ajuste).
Una vez verificada la relacin podemos optimizar controlando las variables x.
28