2017

DESARRO DE LA UNIDAD 4
UNIDAD 4
MATERIA: SIMULACION
HORARIO: LUNES Y MIRCOLES DE 9-11
INTEGRANTES:
CUERVO GARCIA LUCERO
DEL ANGEL SONI ALEX ABRAHAM
Contenido
4.5 Muestras definitivas ...................................................................................................................... 3
4.5.1 Estadstica descriptiva ............................................................................................................ 3
4.5.2 Muestra pequeas: Prueba de Kolmogrov- Smirnov para ajuste de una distribucin de
probabilidades continua hipottica (en hoja de clculo o con paquete estadstico) ..................... 3
4.5.3 Muestras grandes: Prueba de karl- Person para ajuste de una distribucin de
probabilidades hipottica, discreta o continua (en hoja de clculo o con un paquete de
estadstico). ..................................................................................................................................... 5
4.5.4 Otras pruebas: Anderson- Darling, prueba G, por ejemplo. .................................................. 6
4.6 Simulacin de los comportamientos ............................................................................................. 8
4.5 Muestras definitivas
4.5.1 Estadstica descriptiva
La estadstica descriptiva es la rama de las Matemticas que recolecta, presenta y caracteriza un
conjunto de datos (por ejemplo, edad de una poblacin, altura de los estudiantes de una escuela,
temperatura en los meses de verano, etc.) con el fin de describir apropiadamente las diversas
caractersticas de ese conjunto.

Al conjunto de los distintos valores numricos que adopta un carcter cuantitativo se llama
variable estadstica.

Las variables pueden ser de dos tipos:

Variables cualitativas o categricas: no se pueden medir numricamente (por ejemplo:

nacionalidad, color de la piel, sexo).

Variables cuantitativas: tienen valor numrico (edad, precio de un producto, ingresos anuales).

Las variables tambin se pueden clasificar en:

Variables unidimensionales: slo recogen informacin sobre una caracterstica (por ejemplo:
edad de los alumnos de una clase).

Variables bidimensionales: recogen informacin sobre dos caractersticas de la poblacin (por

ejemplo: edad y altura de los alumnos de una clase).

Variables pluridimensionales: recogen informacin sobre tres o ms caractersticas (por ejemplo:

edad, altura y peso de los alumnos de una clase). Por su parte, las variables cuantitativas se
pueden clasificar en discretas y continuas:

Discretas: slo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo: nmero de
hermanos (puede ser 1, 2, 3...., etc., pero, por ejemplo, nunca podr ser 3.45).

Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la velocidad
de un vehculo puede ser 90.4 km/h, 94.57 km/h...etc.

4.5.2 Muestra pequeas: Prueba de Kolmogrov- Smirnov para ajuste de una

distribucin de probabilidades continua hipottica (en hoja de clculo o con
paquete estadstico)
Esta prueba se utiliza para contrastar la hiptesis nula de que dos muestras independientes de
tamaos n1 y n2 proceden de la misma poblacin. El contraste se basa en las diferencias entre las
frecuencias relativas acumuladas hasta los mismos puntos de corte correspondientes a las dos
muestras. Si H0 es cierta es de esperar que dichas diferencias sean pequeas.
Cuando la hiptesis alternativa no es direccional el contraste es sensible a cualquier diferencia
existente entre las dos poblaciones, no slo en cuanto a tendencia central, sino tambin en cuanto
a forma, asimetra, etc.

El estadstico de prueba es:

Cuando esta diferencia es significativamente grande se rechaza la hiptesis de que las muestras
proceden de la misma poblacin y la decisin se basa en el valor tipificado del estadstico de
prueba, Z, que tiene distribucin normal tipificada.

Ejemplo:
4.5.3 Muestras grandes: Prueba de karl- Person para ajuste de una
distribucin de probabilidades hipottica, discreta o continua (en hoja de
clculo o con un paquete de estadstico).
El coeficiente de correlacin de Pearson opera con puntuaciones tipificadas (que miden posiciones
relativas) y se define:

El fundamento del coeficiente de Pearson es el siguiente: Cuanto ms intensa sea la concordancia

(en sentido directo o inverso) de las posiciones relativas de los datos en las dos variables, el
producto del numerador toma mayor valor (en sentido absoluto). Si la concordancia es exacta, el
numerador es igual a N (o a -N), y el ndice toma un valor igual a 1 (o -1).

Ejemplo 1 (Mxima covariacin positiva)

Observa que los datos tipificados (expresados como puntuaciones z) en las dos columnas de la
derecha tienen los mismos valores en ambas variables, dado que las posiciones relativas son las
mismas en las variables X e Y.

Si obtenemos los productos de los valores tipificados para cada caso, el resultado es:
El cociente de dividir la suma de productos (5) por N (hay que tener en cuenta que N es el nmero
de casos, NO el nmero de datos) es igual a 1:

4.5.4 Otras pruebas: Anderson- Darling, prueba G, por ejemplo.

Esta prueba es aplicada para evaluar el ajuste a cualquier distribucin de probabilidades. Se basa
en la comparacin de la distribucin de probabilidades acumulada emprica (resultado de los
datos) con la distribucin de probabilidades acumulada terica (definida por H0).
Ho: La variable sigue una distribucin Normal

H1: La variable no sigue una distribucin Normal

Estadsticos de prueba:

Donde n es el nmero de observaciones, F(Y) es la distribucin de probabilidades acumulada

normal con media y varianza especificadas a partir de la muestra y Yi son los datos obtenidos en la
muestra, ordenados de menor a mayor.
Regla de decisin:
Este valor es menor inclusive al valor crtico correspondiente a = 0.1. Por lo tanto, se acepta el
supuesto de normalidad de los datos.
4.6 Simulacin de los comportamientos
Dependiendo del carcter temporal del comportamiento del sistema estudiado, se puede
establecer la siguiente clasificacin:

Simulacin limitada, propia de los sistemas en los que la duracin del periodo de tiempo objeto
de estudio est delimitado por algn tipo de evento. Al comienzo de este periodo, el sistema est
en unas determinadas condiciones iniciales y, por lo tanto, se debe procurar que las condiciones
iniciales del modelo de simulacin sean representativas del sistema real. Por ejemplo, el anlisis
del funcionamiento de una sucursal bancaria, a lo largo de una jornada es un caso de simulacin
limitada.

Simulacin ilimitada, propia de sistemas en los que no existe un horizonte temporal

determinado. A su vez, dentro de esta categora se puede distinguir entre los siguientes casos:

Con rgimen permanente, en los que el comportamiento del sistema se estabiliza pasado un
determinado tiempo. Dependiendo de las condiciones en las que comienza la simulacin, se
atraviesa un periodo transitorio durante el cual se obtienen valores que generalmente no son
representativos del funcionamiento del sistema en condiciones normales.

Con rgimen permanente cclico, en los que el sistema presenta un comportamiento cclico. Si, por
ejemplo, la demanda de un sistema de tipo JIT vara mensualmente, cabe esperar un rgimen
permanente con variaciones cclicas que se repiten cada mes. Sin rgimen permanente, en los
que no se observa ningn tipo de patrn constante a lo largo de la simulacin.