Practicas Simulacion-U3 PDF

Ingeniería Industrial Instituto Tecnológico de Aguascalientes Simulación
2017
Prácticas de Simulación – Unidad 3
Mora_House
.
1-1-2017
MC. Jesús Mora Ruiz Página |
MC. Jesús Mora Ruiz Página | i

Índice
Práctica No. 3 ............................................................................................................................................ 1
Competencias: .................................................................................................................................. 1
Marco teórico: ................................................................................................................................... 1
Material y equipo ............................................................................................................................... 1
Metodología ...................................................................................................................................... 1
Método estadístico numérico Monte Carlo ............................................................................................. 1
1. Actividad de aprendizaje práctica. Método Monte Carlo .............................................................. 2
Tratamiento con Excel, práctica 3.1....................................................................................... 2
2. Actividad de aprendizaje práctica. Método Montecarlo ................................................................ 4
Determinación del tipo de distribución de un conjunto de datos ............................................................... 5
3. Actividad de aprendizaje práctica. Prueba Chi-cuadrada ............................................................. 5
4. Actividad de aprendizaje práctica. Prueba de Kolmogorov-Smírnov ............................................. 7
5. Actividad de aprendizaje práctica. Prueba de Anderson-Darling ................................................... 8
Tratamiento con Excel, práctica 3.5..................................................................................... 10
Ajuste de datos con Stat::Tit ............................................................................................................... 10
6. Actividad de aprendizaje práctica. Ajuste de datos con Stat::Fit ................................................. 11
Tratamiento con Stat::Fit (Promodel), práctica 3.6 ........................................................................ 11
7. Actividad de aprendizaje práctica. Ajuste de datos con Stat::Fit ................................................. 12
Tratamiento con Stat::Fit (ProModel), práctica 3.7 ........................................................................ 12
Generación de variables aleatorias ..................................................................................................... 13
Método de la transformada inversa ................................................................................................. 13
8. Actividad de aprendizaje práctica. Distribución uniforme. ...................................................... 13
Tratamiento matemático, práctica 3.8 ...................................................................................... 13
Tratamiento con Excel, práctica 3.8......................................................................................... 13
9. Actividad de aprendizaje práctica. Distribución exponencial. .................................................. 14
Tratamiento matemático, práctica 3.9 ...................................................................................... 14
Tratamiento con Excel, práctica 3.9......................................................................................... 14
10. Actividad de aprendizaje práctica. Distribución de Bernoulli. .............................................. 15
Tratamiento matemático, práctica 3.10 .................................................................................... 15
MC. Jesús Mora Ruiz Página | ii

Tratamiento con Excel, práctica 3.10 ....................................................................................... 15

Método de convolución .................................................................................................................. 16
11. Actividad de aprendizaje práctica. Distribución de Erlang. ................................................. 16
12. Actividad de aprendizaje práctica. Distribución Normal...................................................... 16
13. Actividad de aprendizaje práctica. Distribución Binomial.................................................... 17
Método de composición ................................................................................................................. 18
14. Actividad de aprendizaje práctica. Distribución Triangular. ................................................ 18
15. Actividad de aprendizaje práctica. Resumen. ................................................................... 19
Actividades complementarias ............................................................................................................. 20
Actividad complementaria 3.1Co ..................................................................................................... 20
Reporte de la practica ........................................................................................................................ 21
Sugerencias.................................................................................................................................. 22
MC. Jesús Mora Ruiz Página | iii

Práctica No. 3
Construcción de Modelos de Simulación
Docente: MC. Jesús Mora Ruiz Ingeniería Industrial-2017a
Competencias:
 Conceptualiza las etapas de un proyecto de simulación.
 Diseña la metodología para elaborar el proyecto integrador de simulación.
 Establece propuestas del proyecto integrador de simulación y logra la aceptación (de una sola).
 Define diversas medidas del desempeño del sistema a simular.
Marco teórico:
Un modelo de simulación permite lograr un mejor entendimiento de prácticamente cualquier sistema. Para
ello resulta Indispensable obtener la mejor aproximación a la realidad, lo cual se consigue componiendo el
modelo a base de variables aleatorias que interactúen entre sí. Pero, ¿cómo podemos determinar qué tipo de distri-
bución tiene una variable aleatoria? ¿Cómo podemos usarla en el modelo, una vez que conocemos su distribución
asociada? En este capítulo comentaremos los métodos y herramientas que pueden dar contestación a estas
interrogantes clave para la generación del modelo.
Podemos decir que las variables aleatorias son aquellas que tienen un comportamiento probabilístico en la
realidad. Por ejemplo, el número de dientes que llegan cada hora a u n banco depende del momento del día, del
día de la semana y de otros factores; por lo general, la afluencia de clientes será mayor al mediodía que muy
temprano por la mañana; la demanda será más alta el viernes que el miércoles; habrá más clientes un día de pago
que un día normal, etc. Dadas estas características, las variables aleatorias deben cumplir reglas de distribución
de probabilidad como éstas:
 La suma de las probabilidades asociadas a todos los valores posibles de la variable aleatoria x es uno.
 La probabilidad de que un posible valor de la variable x se presente siempre es mayor que o igual a
cero.
 El valor esperado de la distribución de la variable aleatoria es la media de la misma la cual a su vez
estima la verdadera media de la población.
 Si la distribución de probabilidad asociada a una variable aleatoria está definida por más de un pará-
metro, dichos parámetros pueden obtenerse mediante un estimador no sesgado. Por ejemplo, la varianza
de la población 2 puede ser estimada usando la varianza de una muestra que es s2. De la misma manera, la
desviación estándar de la población, δ, puede estimarse mediante la desviación estándar de la muestra s.
Material y equipo
 Libreta u hojas blancas de papel bond
 Lápiz. Sacapuntas. Borrador.
 Laptop o pc y los programas necesarios para el desarrollo de la práctica.
Metodología
Forme un equipo de trabajo de dos integrantes. Para poder realizar una buena simulación es necesario entender
los conceptos básicos que componen lo que se va a simular. Lea cuidadosamente el marco teórico correspondiente
a esta práctica. Realice un ensayo y mapa mental de cada uno de los temas. Realice todas las simulaciones en al
menos dos programas especializados diferentes (opcional) y compare los resultados.
Método estadístico numérico Monte Carlo
El método de Monte Carlo es un método no determinista o estadístico numérico, usado para aproximar expresiones
matemáticas complejas y costosas de evaluar con exactitud. El método se llamó así en referencia al Casino de
Monte Carlo (Principado de Mónaco).
MC. Jesús Mora Ruiz Página | 1

El uso de los métodos de Monte Carlo como herramienta de investigación, proviene del trabajo realizado en el
desarrollo de la bomba atómica durante la Segunda Guerra Mundial en el Laboratorio Nacional de Los Álamos en
EE. UU.
El método de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemáticos
posibilitando la realización de experimentos con muestreos de números pseudoaleatorios en una computadora.
El método es aplicable a cualquier tipo de problema, ya sea estocástico o determinista.
A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional
para producir una solución aproximada, el método de Monte Carlo tiene un error absoluto de la estimación que
decrece como en virtud del teorema del límite central.
√
1. Actividad de aprendizaje práctica. Método Monte Carlo

Tratamiento con Excel, práctica 3.1
En Excel abrimos un nuevo archivo y le daremos el nombre de: Eq-x_AAP_U3.XLS. y a la hoja 1 la nombraremos
práctica_3-1.
En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas diarias realizadas
a un sistema de información empresarial (EIS) residente en un servidor central.
La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días que se
producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.
Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado, en este caso, la
probabilidad de un determinado número de consultas (así, p.e., la probabilidad de que se den 3 consultas en un
día sería de 0,30), por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable
aleatoria discreta (la variable aleatoria es el número de consultas al EIS, que sólo puede tomar valores enteros
entre 0 y 5).
Supongamos que queremos conocer el número esperado (o medio) de consultas por día. La respuesta a esta
pregunta es fácil si recurrimos a la teoría de la probabilidad:
Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS, sabemos que:
Por otra parte, también podemos usar simulación de Monte Carlo para estimar el número esperado de consultas
diarias (en este caso se ha podido obtener el valor exacto usando teoría de probabilidad, pero ello no siempre será
factible).
Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta, será posible usar la
columna de frecuencias relativas acumuladas para obtener los llamados intervalos de números aleatorios aso-
ciados a cada suceso. En este caso, los intervalos obtenidos son:
0,00, 0,05) para el suceso 0 [0,35, 0,65) para el suceso 3
[0,05, 0,15) para el suceso 1 [0,65, 0,85) para el suceso 4

[0,15, 0,35) para el suceso 2 [0,85, 1,00) para el suceso 5

El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas. En él, se aprecia
claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa.
Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uni-
forme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado, obtenido de forma aleatoria y según
la distribución de probabilidad anterior, estará asociado a un suceso. Así, por ejemplo, si el ordenador nos propor-
ciona el número pseudo-aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas al EIS.
Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):
Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma podemos obtener
un listado completo de números pseudo-aleatorios:
A continuación, podemos usar la función SI de Excel para asignar un suceso a cada uno de los números pseudo-
aleatorios generados (como veremos, otra forma de hacer esta asignación será usando la función BUSCARV):
Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:
Finalmente, usando la función PROMEDIO será posible calcular la media de los valores de la columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor real anteriormente
calculado vía la definición teórica de la media. Sin embargo, debido a la componente aleatoria intrínseca al modelo,
normalmente obtendremos valores “cercanos” al valor real, siendo dichos valores diferentes unos de otros (cada
simulación proporcionará sus propios resultados). Se puede comprobar este hecho pulsando repetidamente sobre
la función F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos
valores para la columna H y la casilla I1).
Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una formada por 10,
los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor real. Por el
contrario, es de esperar que si hubiésemos usado 1.000 (o mejor aún 10.000) observaciones, los valores que
obtendríamos en la casilla I1 estarían todos muy cercanos al valor real.
2. Actividad de aprendizaje práctica. Método Montecarlo
En Excel abrimos un nuevo archivo y le daremos el nombre de: Eq-x_AAP_U3.XLS. y a la hoja 2 la nombraremos
práctica_3-2.
Veamos un ejemplo algo más complejo del uso de Excel para construir modelos de simulación MC cuando las
variables aleatorias sean discretas:
Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para decidir sobre el número
de licencias de un determinado sistema operativo que conviene adquirir las licencias se suministrarán con los
ordenadores que se vendan durante el próximo trimestre, y es lógico pensar que en pocos meses habrá un nuevo
sistema operativo en el mercado de características superiores. Cada licencia de sistema operativo le cuesta al
almacén un total de 75 Euros, mientras que el precio al que la vende es de 100 Euros. Cuando salga al mercado
la nueva versión del sistema operativo, el almacén podrá devolver al distribuidor las licencias sobrantes, obteniendo
a cambio un total de 25 Euros por cada una. Basándose en los datos históricos de los últimos meses, los respon-
sables del almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo que a las
ventas de licencias del nuevo sistema operativo se refiere:
Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En la casilla H2 usaremos
la función ALEATORIO para generar el valor pseudo-aleatorio que determinará el suceso resultante; en la celda I2
usamos la función BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-aleatorio obte-
nido, notar que usamos también la función MIN, ya que en ningún caso podremos vender más licencias que las
disponibles. El resto de fórmulas son bastante claras:
En la imagen anterior se muestra cómo construir el modelo con una observación (iteración). A fin de generar nuevas
observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia abajo (tantas casillas como iteraciones
deseemos realizar):

Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los beneficios sin más
que hallar la media de las 100 observaciones que acabamos de realizar. Asimismo, usaremos las funciones DES-
VEST e INTERVALO.CONFIANZA para hallar, respectivamente, la desviación estándar de la muestra obtenida y
el intervalo de confianza (a un nivel del 95%) para el valor esperado:
La apariencia final de nuestro modelo será:
Determinación del tipo de distribución de un conjunto de datos

3. Actividad de aprendizaje práctica. Prueba Chi-cuadrada
Éstos son los datos del número de automóviles que entran a una gasolinera cada hora;
14 7 13 16 16 13 14 17 15 16
13 15 10 15 16 14 12 17 14 12
13 20 8 17 19 11 12 17 9 18
20 10 18 15 13 16 24 18 16 18
12 14 20 15 10 13 21 23 15 18
Determinar la distribución de probabilidad con un nivel de significancia α de 5 %

El histograma (vea la figura 3.1) de los n =50 datos, consi-

derando m = 11 intervalos, la media muestral de 15.04 y la
varianza muestral de 13.14, permiten establecer la siguiente
hipótesis:
Hα: Poisson (λ = 15) automóviles/hora
Hi: Otra distribución
Comenzamos por calcular la probabilidad de cada intervalo
a partir de la función, de probabilidad de Poisson: Figura 3.1 Histograma de frecuencia de la llegada de
automóviles a la gasolinera.
X = 0, 1, 2, … X = 0, 1, 2, …
! !
Por ejemplo, para el intervalo 8-9. 8,9
! !
0.0519
Enseguida calculamos la frecuencia esperada en cada intervalo, multiplicando la probabilidad p(x) por el total de
datos de la muestra: , 50 Y luego estimamos el estadístico de prueba:
A partir de los cálculos anteriores se obtiene la tabla 3.1.

Tabla 3.1 Cálculos para la prueba Ch i-cuadrada. El valor del estadístico de prueba:
c = - 1.7848
comparado con el valor de tablas crítico:
. , = 18,307
indica que no podemos rechazar la hipótesis de
que la variable aleatoria se comporta de
acuerdo con una distribución de Poisson,
con una media de 15 automóviles/hora.

En Excel abrimos un nuevo archivo y lo nombraremos: Eq-x_AAP_U3.XLS. a la hoja 3 la nombraremos prác-
tica_3-3. Realice los cálculos necesarios para conocer el resultado.

4. Actividad de aprendizaje práctica. Prueba de Kolmogorov-Smírnov

Un estudio del comportamiento del tiempo entre roturas de cierto filamento, medido en Minutos/rotura, se mues-
tra a continuación:
4.33 1.61 2.16 2.88 0.70 0.44 1.59 2.15 8.59 7.36
9.97 7.86 5.49 0.98 4.52 2.12 4.44 0.82 6.96 3.04
2.81 14.39 3.44 9.92 4.38 8.04 2.18 6.19 4.48 9.66
4.34 1.76 2.30 5.24 11.65 10.92 12.16 6.60 0.85 4.82
1.36 3.33 6.58 1.45 8.42 3.69 2.4 4 0.28 1.90 2.89
Determinar la distribución de probabilidad con un nivel de significancia α de 5 por ciento. El histograma (vea la
figura) de los n = 50 datos con m = 8 intervalos, la media muestral de 4.7336 y la varianza muestral de 12.1991
permiten estimar un parámetro de forma de 1.38 y un parámetro de escala de 5.19, y establecer la hipótesis:
H0: Weibull (α = 1.38, β= 5.19) minutos/rotura
H1: Otra distribución
Iniciamos el procedimiento calculando la probabilidad
observada en cada intervalo:
Para después calcular la probabilidad observada acumu-

lada hasta el intervalo i.
Posteriormente calculamos la probabilidad esperada

acumulada de cada intervalo PEAi a partir de la función
de probabilidad acumulada de Weibull: Figura 3.2 Histograma de frecuencias del tiempo entre roturas.
Por ejemplo, para el intervalo con el límite superior de 8.
Por último, calculamos el estadístico de prueba
A partir de los cálculos anteriores se obtiene la tabla 3.2:

Tabla 3.2 Cálculos para la prueba de Kolmogorov-Smirnov.
El valor del estadístico de prueba, c = 0.0375, comparado con el valor de tablas crítico, D0.05, 50= 0,1923, indica que
no podemos rechazar la hipótesis de que la variable aleatoria se comporta de acuerdo con una distribución de
Weibull con parámetro de escala 5.19 y parámetro de forma 1.38.


En Excel abrimos un nuevo archivo y lo nombraremos: Eq-x_AAP_U3.XLS. a la hoja 4 la nombraremos práctica_3-
4. Realice los cálculos necesarios para conocer el resultado.
5. Actividad de aprendizaje práctica. Prueba de Anderson-Darling

Los siguientes son los datos de un estudio del tiempo de atención a los dientes en una florería, medido en minu-
tos/cliente:
9.400 8.620 9.346 13.323 7.112 13.466 5.764 8.974 9.831 10.056
7.445 6.619 9.260 6.775 8.306 5.633 8.860 13.944 8.952 9.355
10.489 6.306 12.685 11.078 6.957 9.532 9.192 11.731 11.350 14.389
12.553 8.045 9.829 11.804 9.274 12.190 10.270 14.751 9.237 6.515
12.397 8.453 9.628 13.838 9.935 7.827 9.269 8.690 11.515 8.527
Determinar la distribución de probabilidad con un nivel
de significancia α de 5 por ciento. El histograma (vea
la figura 3.5) dé los n = 50 datos, considerando m=
10 Intervalos, la media muestral de 9.786 y la va-
rianza muestral de 5.414 permiten establecerla si-
guiente hipótesis nula:
H0: Normal (μ = 10, = 2.0) minutos cliente
En la tabla se muestran los resultados de los cálculos
Figura 3.5 Histograma de frecuencias del tiempo de servicio en década uno de los pasos del procedimiento siguiente:
la florería
• En la columna C1 se ordenaron los. datos Yi i = 1, 2, …, 30 en forma ascendente.

• En la columna C2 se organizaron los datos Y30+1+ I i = 1, 2, ..., 30 en forma descendente.
• En la columna C3 se calcula la variable auxiliar 2i-1 i = 1, 2, ..., 30 del estadístico de prueba.
• En las columnas C4 y C5 se calcula la probabilidad esperada acumulada para cada número Yi: PEA(Yi) de la
columna C1, y el complemento de la probabilidad esperada acumulada para cada número Y n+1-i: 1– PEA(Yn+1-i)
de la columna C2 a partir de la función de probabilidad propuesta, que en este ejemplo es una normal (10,2).
Tomando, por ejemplo, el renglón i = 7 con Y7 = 7.8266 do la columna C1 y Y24 = 10.0562 de la columna C2,
y estandarizando ambos valores:

Se encuentra la probabilidad acumulada en la tabla normal estándar. De esta forma tenemos una PEA7 =
0.1385 para z = -1.0867 y, para z = 0.0285 una PEA24 = 0.5112 y 1 – PEA24 = 0.4888. En las columnas C6, C7 y
C8 se desglosan los cálculos del estadístico de prueba:
Una vez calculado el estadístico de prueba es necesario ajustarlo de acuerdo con la tabla 3.3. En este caso, como
tenemos n 5 no se requiere ajuste. Por último, al comparar el estadístico de prueba 2.825724 con el valor
crítico de la prueba con el nivel de significancia seleccionado, . , 2.492 (vea la tabla 3.3, en donde se dan
los valores críticos de a), se rechaza la hipótesis Ho.
Tabla 3.4 Cálculos de la hipótesis inicial en la prueba de Anderson - Darling.
Nota: Solo se muestra una parte de la tabla

Replanteando una nueva hipótesis:
H0: Normal (μ = 9.604, = 2.0) minutos/cliente
En la tabla 3.5 se presenta el resumen de resultados de cada uno de los pasos del procedimiento; la modificación se
ve reflejada en los cálculos de las probabilidades esperadas acumuladas. Por ejemplo, para el renglón i = 7 tenemos
ahora:
Con estos valores se encuentra la probabilidad esperada acumulada en la tabla normal estándar: z=0.8887 le
corresponde PEA7 =0.18707,y a z=0.2261 PEA24=0.5894 y 1 - PEA24 = 0.4106. Calculando de nuevo el esta-
dístico de prueba:

Una vez calculado el estadístico de prueba, es necesario ajustarlo de acuerdo con la tabla 3.3 En este caso,
como tenemos n 5, no se requiere ajuste. Por último, al comparar el estadístico de prueba = 1.3516 con el
valor crítico con el nivel de significancia seleccionado, 0.05,30 = 2.492 (tabla 3.3 de valores críticos de ), vemos
que no se puede rechazar la hipótesis H0.
Tabla 3.5 Cálculos de la segunda hipótesis en la prueba de Anderson-Darling
Nota: Solo se muestra una parte de la tabla

Ajuste de datos con Stat::Tit

La herramienta Stat::Fit de ProModel se utiliza para analizar y determinar el tipo de distribución de probabilidad
de un conjunto de datos. Esta utilería permite comparar los resultados entre varias distribuciones analizadas me-
diante una calificación. Entre sus procedimientos emplea las pruebas Chi-cuadrada, dé Kolmogov-Smirnov y de
Anderson-Darling. Además calcula los parámetros apropiados para cada tipo de distribución, e incluye información
estadística adicional como media, moda, valor mínimo, valor máximo y varianza, entre otros datos.).

6. Actividad de aprendizaje práctica. Ajuste de datos con Stat::Fit

Los datos del número de automóviles que entran a una gasolinera por hora son:
14 7 13 16 16 13 14 17 15 16
13 15 10 15 16 14 12 17 14 12
13 20 8 17 19 11 12 17 9 18
20 10 18 15 13 16 24 18 16 18
12 14 20 15 10 13 21 23 15 18
Determinar la distribución de probabilidad con un nivel de significancia de 5 por ciento.
Tratamiento con Stat::Fit (Promodel), práctica 3.6
Abra el programa ProModel e inicie
Stat::Fit. Después de introducir estos datos
en Stat::Fit, despliegue el menú Statistics y
seleccione el comando Descriptive. Ense-
guida aparecerá una nueva ventana con el
nombre de Descriptive Statistics en donde
se muestra el resumen estadístico de la va-
riable (vea la figura 3.8).
Guarde el archivo con del nombre Eq-
x_AAP_U3_3-6.sfp (Nota: recuerde que lo
tiene que entregar con el reporte de la prác-
tica).
Para determinar el tipo de distribución de
probabilidad de los datos, seleccione el co-
mando AutoFlt del menú Fit en Ia panta-
lla principal de Stat: :Fit. A continuación, se
desplegará un cuadro diálogo similar al
que se ilustra en la figura 3.9, en el cual se Figura 3.8 Ventana de resultados de Stat::Fit.
tiene que seleccionar el tipo de distribu-
ción que se desea probar,si dicha distri-
bución es no acotada en ambos extremos
(unbounded), o si el límite inferior está
acotado: en este último caso se puede
aceptar la propuesta de que la cota del lí-
mite inferior sea el dato más pequeño de la
muestra (lower bound), o seleccionar ex-
plícitamente otro valor como límite inferior
(assigned bound) Para este ejemplo se-
leccionamos una distribución de tipo dis-
creto: discrete dtstributions, ya que los
datos de la variable aleatoria [automóvi-
les/hora] tienen esa característica.
Figura 3.9 Ventana de Auto::Fit (Selección de la variable).
Seleccione discree distributions y haga clic en el botón OK para que el proceso de ajuste se lleve a cabo. El resultado
se desplegará en la ventana Automatic Fitting, donde se describen las distribuciones de probabilidad analizadas,
su posición de acuerdo con el ajuste, y sí los datos siguen o no alguna de las distribuciones. En la figura 3.10 se
observa el resultado del análisis de ajuste del ejemplo, el cual nos indica que no se puede rechazar la hipótesis de
que los datos provengan de cualquiera de dos distribuciones, Binomial, con N = 104 y p = 0.145, o de Poisson, con

media 15.0 (esta última coincide con el resultado que obtuvimos en la práctica 3.3 mediante la prueba de bondad
ríe ajuste Chi-cuadrada).
Haga click en cualquiera

de las distribuciones
Figura 3.10 Ventana de resultados del análisis de la variable aleatoria.
Haga clic con el ratón en cualquiera de las dos distribuciones (vea la figura 3.10); enseguida se desplegará el histo-
grama que se ilustra en la figura 3.11, presentándole un histograma: las barras azules representan la frecuencia
observada de los datos; la línea roja indica la frecuencia esperada de la distribución teórica.
Figura 3.11 Histograma teórico y real de la variable aleatoria.
El formato del histograma puede ser modificado mediante el comando Graphícs style del menú Graphícs
(esta opción solamente está disponible cuando se tiene activa la ventana Comparlson Graph; vea la figura 3.11).
7. Actividad de aprendizaje práctica. Ajuste de datos con Stat::Fit
Éstos son los datos de un estudio del tiempo de atención a los clientes en una florería, medido en minutos/cliente:
9.400 8.620 9.346 13.323 7.112 13.466 5.764 8.974 9.831 10.056
7.445 6.619 9.260 6.775 8.306 5.633 8.860 13.944 8.952 9.355
10.489 6.306 12.685 11.078 6.957 9.532 9.192 11.731 11.350 14.389
12.553 8.045 9.829 11.804 9.274 12.190 10.270 14.751 9.237 6.515
12.397 8.453 9.628 13.838 9.935 7.827 9.269 8.690 11.515 8.527
Determine la distribución de probabilidad con un nivel de significancia de 5 por ciento.
Tratamiento con Stat::Fit (ProModel), práctica 3.7
Guarde el archivo con del nombre Eq-x_AAP_U3_3-7.sfp (Nota: recuerde que lo tiene que entregar con el reporte de la prác-
tica).
Dadas las características de la variable aleatoria a analizar, al desplegarse el cuadro de diálogo Auto::Fit, debemos
activar la opción continuous distributions.
El resumen de resultados que se ilustra en la figura 3.12 indica que la muestra puede provenir de cualquiera de
las cuatro distribuciones listadas, resultado que coincide con el análisis ejemplificado previamente en la prueba
de Anderson-Darling acerca de la normalidad de los datos.

En la ventana Comparíson Graph puede compararse la forma de la distribución normal (verde) y lognormal (roja)
propuestas por Stat: :Fit, y la diferencia respecto del histograma de frecuencias de la muestra.
Figura 3.12 Resumen del análisis de la variable aleatoria
Generación de variables aleatorias

Método de la transformada inversa
8. Actividad de aprendizaje práctica. Distribución uniforme.
La temperatura de una estufa se comporta uniformemente dentro del rango de 95 a 100 °C. La lista de
números pseudoaleatorios y la ecuación xi = 95 + 5ri nos permiten modelar el comportamiento de la variable
aleatoria que simula la temperatura de la estufa.
Tratamiento matemático, práctica 3.8
X i = temperatura de una estufa, en °C
X i ~ U(95,100)
Xi > 0
1. Método de transformada inversa
2.
| |
3.
→ →
4. (Desarrollo en Excel)


9. Actividad de aprendizaje práctica. Distribución exponencial.

Los datos históricos del tiempo de servicio en la caja de un banco se comportan de forma exponencial con media
de 3 minutos/cliente.
Una lista de números pseudoaleatorios ri ~ U(0,1) y la ecuación generadora exponencial xi = -3ln(1 - ri) nos permiten
simular el comportamiento de la variable aleatoria
X i = tiempo de atención al cliente, en min
Xi ~ E ( = 3)
Xi > 0
1. 0
2. → →
3. → 1 → 1 → 1
1 → 1 → 1

10. Actividad de aprendizaje práctica. Distribución de Bernoulli.

Los datos históricos sobre la frecuencia de paros de cierta máquina muestran que existe una probabilidad de 0.2
de que ésta falle (x = 1), y de 0.8 de que no falle (x = 0) en un día determinado. Generar una secuencia aleatoria
que simule este comportamiento.
A partir de la distribución de probabilidad de la variable aleatoria de Bernoulli con media 0.8.
P(x) = (0.2)*(0.8) para x = 0, 1
Se calculan las probabilidades puntuales y las acumuladas para x - 0 y x -1, y se obtienen los datos ilustrados en
la tabla 3.8.
Tabla 3.8 Cálculo de las probabilidades acumulada de las fallas de la máquina
La regla para generar esa variable aleatoria estaría dada por:

∈ 0 0.5 0
∈ 0.8 1 1
Con una lista de numeros pseudoaleatorios r¡~ U(0,1) y la regla anterior es posible simular el comportamiento de las
fallas de la máquina a lo largo del tiempo, considerando que:
 si el número pseudoaleatorio es menor que 0.3, la máquina no fallará, y
 si el número pseudoaleatorio es mayor que 0.3, ocurrirá la falla (vea la tabla 3.9).
Tabla 3.9 Simulación de las fallas de la máquina


Método de convolución
11. Actividad de aprendizaje práctica. Distribución de Erlang.
El tiempo de proceso de cierta pieza sigue una distribución 3-Erlang con media 1/λ de 8 minutos/pieza. Una
lista de números pseudoaleatorios ri ~ U(0, 1) y la ecuación de generación de números Erlang permite obtener
la tabla 3.14, que indica el comportamiento dela variable aleatoria.
∏ 1 → 1 1 1
Tabla 3.14 Simulación del tiempo de proceso para la práctica 3.11.

12. Actividad de aprendizaje práctica. Distribución Normal.

El volumen de líquido de un refresco sigue una distribución normal con media de 12 onzas y desviación estándar de
0.4 onzas. Generar 5 variables aleatorias con esta distribución para simular el proceso de llenado.
∑ 6 ∑ 6 0.4 12


13. Actividad de aprendizaje práctica. Distribución Binomial.

Al inspeccionar lotes de tamaño con N = 5, la probabilidad de que una pieza sea defectuosa es 0.03. Simular el
proceso de inspección para determinar el número de piezas defectuosas por lote.
Este proceso sigue una distribución binomial con N = 5 y p = 0.03, y será simulado mediante la generación de variables
aleatorias de Bernoulli con p =0.03, de acuerdo con el procedimiento señalado en la sección anterior, donde BEi = 0
representa una pieza en buen estado y BEi = 1 una pieza defectuosa.
0 ∈ 0 0.97
⋯
1 ∈ 0.97 1


Método de composición
El método de composición (conocido también como método mixto) permite generar variables aleatorias x cuando
éstas provienen de una función de densidad f(x) que puede expresarse como la combinación convexa de m distri-
buciones de probabilidad fi(x). Entonces, la combinación convexa se puede expresar como:
1 ∈
∑ donde:
0 ∉
14. Actividad de aprendizaje práctica. Distribución Triangular.
Generar una muestra de 5 variables aleatorias con distribución triangular a partir de los parámetros: valor mínimo 5
moda 10 y valor máximo 20.
1
Al sustituir a = 5, c = 10 y b = 20 obtenemos
5
5 5
15
5
20 10 1
15
Al generar una secuencia de números pseudoaleatorios se obtiene la secuencia de variables triangulares que se
lista en la tabla 3.17.
Tabla 3.17 Simulación de variables aleatorias triangulares


15. Actividad de aprendizaje práctica. Resumen.

Utilizando una hoja de cálculo de Excel, genere 100 variables aleatorias
a) exponencialmente distribuidas con  = 3.
b) normalmente distribuidas con media 10 y varianza 4.
c) uniformemente distribuidas con límite inferior igual a 10 y límite superior igual a 30.
d) triangularmente distribuidas con límite inferior = 5, valor más probable = 10 y límite superior = 15.
e) con distribución binomial y parámetros N = 5, p = 0.3, q = 0.7,
f) con distribución de Poisson, con  = 3.

Actividades complementarias
Actividad complementaria 3.1Co
Determine, con un nivel de confianza de 90%, qué tipo de distribución siguen los datos; utilice la prueba de Anderson-
Darling. Compruebe con Stat::Fit.
198.912 193.496 198.169 186.553 186.699 189.485 197.916 184.548 176.613 194.666
186.720 175.625 193.319 208.652 180.861 189.234 179.564 200.401 206.452 185.913
185.615 191.500 191.643 201.017 187.908 180.002 192.118 200.353 197.755 190.210
191.445 184.243 185.089 194.686 188.845 194.979 203.149 202.014 179.576 181.175
203.231 192.099 177.140 172.582 188.939 183.386 180.174 195.355 193.626 206.255
Plantee de la siguiente manera los resultados:

I. HIPÓTESIS
H0: Los datos siguen una distribución normal (μ=190.598, =8.66076).
H1: Los datos siguen otra distribución.
II. ESTADÍSTICO DE PRUEBA
III. REGLA DE DECISIÓN para P_valor ≤ 0.10
IV. CALCULAR ES ESTADÍSTICO DE PRUEBA
Elabore el reporte en un archivo de Word (debe contener: portada, índice, desarrollo y conclusiones). El nombre del
archivo: Eq-x_AAPC_U3.DOC y debe de contener como imagen todos los datos obtenidos para la solución del
problema obtenidas en el Stat:Fit, más los cuatro puntos anteriores y las conclusiones particulares por problema y
al final las conclusiones generales.
Determine, con un nivel de confianza de 90%, qué tipo de distribución siguen los datos. Emplee la prueba Chi-
cuadrada y compruebe con Stat::Fit.
17.264 18.129 15.235 15.281 16.162 18.089 14.601 12.091 17.516 12.258
14.938 17.223 19.787 13.435 16.082 13.025 18.482 19.439 15.032 10.816
16.751 16.805 18.580 15.663 13.163 16.930 18.475 18.064 16.390 15.989
14.257 14.772 17.520 15.959 17.579 18.917 18.737 13.028 13.534 14.233
17.264 11.779 16.766 14.504 17.239 12.777 15.501 17.047 11.436 16.925

Utilice la prueba de Kolmogorov-Smirnov para determinar, con un nivel de confianza de 90%, qué tipo de distribución
siguen los datos. Compruebe con Stat::Fit.
2.865 4.419 3.681 6.502 1.141 2.773 2.299 4.589 7.142 1.783
2.336 2.201 1.186 3.610 0.753 2.653 3.574 3.588 3.128 3.100
3.420 1.123 3.264 2.219 1.962 2.915 4.282 4.835 3.057 1.000
1.242 3.725 4.317 1.694 3.286 3.698 3.208 1.628 3.704 1.020
2.819 3.470 3.158 2.194 1.524 2.105 2.806 4.819 1.946 3.197


5 3 2 4 6 4 3 2 2 0
3 2 4 6 2 8 6 3 3 3
11 5 9 3 7 4 7 2 7 3
4 7 7 3 3 4 8 4 2 7
5 7 3 7 0 4 5 7 5 11

10 9 8 10 9 8 13 10 16 13
14 15 11 6 12 10 5 10 9 12
8 7 8 9 10 8 10 5 3 13
9 12 15 7 5 9 14 12 11 10
7 9 13 10 11 6 9 10 15 7

Determine, con un nivel de confianza de 90%, qué tipo de distribución siguen los datos. Emplee la prueba Chi-
cuadrada y compruebe con Stat::Fit.
2 1 2 0 1 1 2 1 0 1
1 2 2 1 0 0 0 0 1 1
1 1 0 2 2 0 0 2 1 0
2 0 0 1 2 1 0 0 2 2
1 2 0 0 1 1 0 0 2 0
Reporte de la practica
A. Se entregará un archivo en Word (además deberá entregar los archivos generados para obtener los re-
sultados de la práctica), y debe de incluir lo siguiente:
1. Portada. (debe de contener: nombre de la materia, no. de equipo, número y nombre de la práctica,
nombres de los integrantes del equipo, nombre del docente, fecha).
2. Competencias. (los objetivos y /o competencias de la práctica).
3. Introducción. (breve descripción de las actividades prácticas que realizó, porqué, paraqué, cómo y
en donde las realizó).
4. Desarrollo de la práctica. (debe describir detalladamente como realizó la práctica: datos que pro-
cesó o procesos, pruebas realizadas).
5. Resultados de la práctica. (resultados obtenidos, adjunte evidencias de los resultados obtenidos).
6. Conclusiones. (debe de contener conclusiones generales y personales de cada integrante del
equipo, sobre lo logrado con las competencias y los temas en general y en particular).
7. Observaciones. (Hacer referencias a cualquier aspecto que considere relevante para usted en el
desarrollo de la práctica).
8. Bibliografía. (Indique los libros y otros materiales como sitios web que consultó para el desarrollo de
la práctica).
B. Se deben entregar todos los archivos de otros programas que sirvan de apoyo para la realización de la
práctica.
C. La práctica se entregará después de cinco días hábiles después del primer día de inicio de la misma.

Sugerencias
 Realice inicialmente todos los análisis en la libreta o en hojas en blanco, haga representaciones de todo lo que
se pide.
 Analice como representar los elementos de cada uno de los ejercicios.
 Compare sus respuestas con otros equipos para analizar la manera en que cada uno realiza la abstracción de
la información.

Practicas Simulacion-U3 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Practicas Simulacion-U3 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Ingeniería Industrial Instituto Tecnológico de Aguascalientes Simulación

MC. Jesús Mora Ruiz Página | i

MC. Jesús Mora Ruiz Página | ii

Tratamiento con Excel, práctica 3.10 ....................................................................................... 15

MC. Jesús Mora Ruiz Página | iii

MC. Jesús Mora Ruiz Página | 1

1. Actividad de aprendizaje práctica. Método Monte Carlo

MC. Jesús Mora Ruiz Página | 2

[0,15, 0,35) para el suceso 2 [0,85, 1,00) para el suceso 5

Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:

MC. Jesús Mora Ruiz Página | 3

MC. Jesús Mora Ruiz Página | 4

La apariencia final de nuestro modelo será:

Determinación del tipo de distribución de un conjunto de datos

Determinar la distribución de probabilidad con un nivel de significancia α de 5 %

MC. Jesús Mora Ruiz Página | 5

El histograma (vea la figura 3.1) de los n =50 datos, consi-

A partir de los cálculos anteriores se obtiene la tabla 3.1.

Tratamiento con Excel, práctica 3.3

MC. Jesús Mora Ruiz Página | 6

4. Actividad de aprendizaje práctica. Prueba de Kolmogorov-Smírnov

Para después calcular la probabilidad observada acumu-

Posteriormente calculamos la probabilidad esperada

Por ejemplo, para el intervalo con el límite superior de 8.

Por último, calculamos el estadístico de prueba

A partir de los cálculos anteriores se obtiene la tabla 3.2:

MC. Jesús Mora Ruiz Página | 7

Tratamiento con Excel, práctica 3.4

5. Actividad de aprendizaje práctica. Prueba de Anderson-Darling

• En la columna C1 se ordenaron los. datos Yi i = 1, 2, …, 30 en forma ascendente.

MC. Jesús Mora Ruiz Página | 8

Nota: Solo se muestra una parte de la tabla

MC. Jesús Mora Ruiz Página | 9

Nota: Solo se muestra una parte de la tabla

Tratamiento con Excel, práctica 3.5

Ajuste de datos con Stat::Tit

MC. Jesús Mora Ruiz Página | 10

6. Actividad de aprendizaje práctica. Ajuste de datos con Stat::Fit

MC. Jesús Mora Ruiz Página | 11

Haga click en cualquiera

Figura 3.10 Ventana de resultados del análisis de la variable aleatoria.

Figura 3.11 Histograma teórico y real de la variable aleatoria.

MC. Jesús Mora Ruiz Página | 12

Figura 3.12 Resumen del análisis de la variable aleatoria

Generación de variables aleatorias

Tratamiento con Excel, práctica 3.8

MC. Jesús Mora Ruiz Página | 13

9. Actividad de aprendizaje práctica. Distribución exponencial.

MC. Jesús Mora Ruiz Página | 14

10. Actividad de aprendizaje práctica. Distribución de Bernoulli.

La regla para generar esa variable aleatoria estaría dada por:

Tratamiento con Excel, práctica 3.10

MC. Jesús Mora Ruiz Página | 15

Tratamiento con Excel, práctica 3.11

12. Actividad de aprendizaje práctica. Distribución Normal.

MC. Jesús Mora Ruiz Página | 16

Tratamiento con Excel, práctica 3.12

13. Actividad de aprendizaje práctica. Distribución Binomial.

Tratamiento con Excel, práctica 3.13

MC. Jesús Mora Ruiz Página | 17

Tratamiento con Excel, práctica 3.14

MC. Jesús Mora Ruiz Página | 18

15. Actividad de aprendizaje práctica. Resumen.