SEP DGEST

NOMBRE DE LA MATERIA:
Simulacin
Clave de la materia:
Dc61
HORARIO:
Lunes Mircoles 09:00/11:00
NOMBRE DEL DOCENTE:
Ing. Oscar A. Garizurieta Castillo

NOMBRE DE LOS INTEGRANTES DEL EQUIPO:

Martnez Barajas Miriam
Zambrano Rosas Karla Madeleine
De la Cruz Mote Miguel ngel
Reyna Rodrguez Jorge Eduardo 14500184

1
Indice:

4.5.1 ESTADSTICA DESCRIPTIVA Pag 3

4.5.2 PRUEBA DE KOLMOGOROV-SMIRNOV Pag 4

4.5.3 MUESTRAS GRANDES: PRUEBA DE KARL-PEARSON PARA AJUSTE DE UNA DISTRIBUCIN DE

PROBABILIDADES HIPOTTICA, DISCRETA O CONTINA (EN HOJA DE CLCULO O CON PAQUETE
ESTADSTICO) . Pag 6

4.5.4 OTRAS PRUEBAS: ANDERSON-DARLING, PRUEBA G, POR EJEMPLO. Pag 6

4.6 SIMULACIN DE LOS COMPORTAMIENTOS ALEATORIOS DEL PROYECTO Y SU

VERIFICACIN . Pag 7

2
4.5.1 ESTADSTICA DESCRIPTIVA

Procedimientos que sirven para presentar datos cuantitativos de manera resumida revelando las
caractersticas (promedio y desviacin por ejemplo) de una distribucin de datos.

La informacin que proporciona la estadstica descriptiva con frecuencia puede trasmitirse fcil y eficazmente
por una variedad de mtodos grficos tales como: los grficos de tendencia (trazo de una caracterstica de
inters sobre un periodo); los grficos de dispersin (relacin entre dos variables, una sobre el eje Y y la otra
sobre el eje X); los histogramas (distribucin de los valores de una caracterstica).

Otros mtodos grficos que ayudan a la interpretacin y anlisis de datos son: los grficos de barras,
grficos con escalas especiales (como los de probabilidad) y grficos que involucran dimensiones y variables
mltiples.

Los mtodos grficos son tiles para resumir y presentar datos complejos o relaciones entre datos de una
manera eficaz, particularmente para un pblico no especializado.

Algunos usos

Resumir y caracterizar datos. Normalmente es el paso inicial en el anlisis cuantitativo de datos y

frecuentemente constituye el primer paso hacia el uso de otros procedimientos estadsticos.

Las caractersticas de los datos de muestra pueden servir como base para hacer inferencias respecto a las
caractersticas de las poblaciones de las que se extrajo la muestra.

Algunos beneficios

Modo relativamente sencillo y eficiente para resumir y caracterizar datos.

Ofrece una manera conveniente de presentar la informacin. En particular, los mtodos grficos son una
manera muy eficaz de presentar datos, y de comunicar la informacin.

La estadstica descriptiva es potencialmente aplicable a todas las situaciones que involucran el uso de datos.
Puede ayudar al anlisis e interpretacin de los datos y es una valiosa ayuda en la toma de decisiones.

Limitaciones y precauciones

Las estadsticas descriptivas proporcionan mediciones cuantitativas de las caractersticas (tales como el
promedio y la desviacin estndar) de datos de muestra. Sin embargo estas mediciones estn sujetas a las
limitaciones del tamao de muestra y el mtodo de muestreo utilizado.

Ejemplos de aplicacin

describir el comportamiento de algn parmetro de proceso, tal como la temperatura de una cmara;

caracterizar el tiempo de entrega o el tiempo de respuesta en un servicio;

resumir datos de encuestas a clientes, tales como la satisfaccin del cliente;

visualizar la distribucin de una caracterstica de un proceso mediante un histograma, frente a los lmites de
especificacin para esa caracterstica;

visualizar el resultado del desempeo de un producto en un perodo por mediante un grfico de tendencia.

3
 4.5.2 PRUEBA DE KOLMOGOROV-SMIRNOV

La prueba de bondad de ajuste de Kolmogorov-Smirnov es una alternativa para probar que una muestra
proviene de una distribucin continua (normal). Esta prueba se basa en la comparacin entre la funcin
distribucin acumulada de una distribucin terica con la funcin distribucin acumulada de la muestra.

Si las funciones de distribucin acumulada teorica y muestral no son significativamente diferentes, entonces
decimos que la muestra proviene de la distribucin cuya funcin distribucin acumulada es F t(x). Sin embargo,
si las diferencias entre las funciones distribucin acumuladas son muy grandes como para que no sean
debidas solamente al azar, rechazamos Ho

Los pasos a seguir en la prueba de bondad de ajuste de Kolmogorov-Smirnov son los siguientes:

Plantear la hiptesis: Ho: Fm(X)=Ft(X) para todo X E R; Ha: Fm(X)=Ft(X), por lo menos para un X.
Calcular todos los valores Fm(X) de la muestra X1,X2,.,Xn.
Determinar la desviacin maxima, que est dada por el supremo de los valores absolutos de las
diferencias entre los valores de la funcin acumulada terica y de la muestra.
Escoger un nivel de significacin
De acuerdo al resultado se toma la decisin
Las suposiciones en la prueba de bondad de ajuste de Kolmogorov-Smirnov son:
1. Muestras Aleatorias
2. La poblacin deber ser continua en la variable observada
3. La prueba no es validad si se tiene que estimar uno o mas parmetros usando los datos de la
muestra.

4
TABLA DE KOLMOGOROV-SMIRNOV

5
 4.5.3 MUESTRAS GRANDES: PRUEBA DE KARL-PEARSON PARA AJUSTE
DE UNA DISTRIBUCIN DE PROBABILIDADES HIPOTTICA, DISCRETA O
CONTINA (EN HOJA DE CLCULO O CON PAQUETE ESTADSTICO)
Esta contenido en una memoria de 1900 y lo introduce para dar una medida del ajuste entre una distribucin
de probabilidad y una muestra. La idea es, dada la muestra (x1, ..., xn) y la distribucin f(x|) construir el
estadstico

Que se distribuye 2 k1 , si la muestra proviene de la distribucin. Donde se supone realizada una particin
de k elementos en el recorrido de la distribucin, con lo que los valores yi, las frecuencias observadas de los
xi en el elemento i de la particin, pueden suponerse con distribucin 3 multinomial, e yi son las frecuencias
observadas bajo la hiptesis de que la distribucin de la muestra es f(x|). El procedimiento sera generalizado
a los problemas de homogeneidad y a las tablas de contingencia, por el propio K. Pearson y por sus
discpulos, Edgeworth y Yule, hasta culminar en los trabajos posteriores de Fisher. Informacin relevante de
esta evolucin, puede verse en Stigler (1986), el desarrollo de los mtodos puede verse en Gmez Villegas
(2005).

4.5.4 OTRAS PRUEBAS: ANDERSON-DARLING, PRUEBA G, POR EJEMPLO.

El estadstico Anderson-Darling mide qu tan bien siguen los datos una distribucin especfica. Para un
conjunto de datos y distribucin en particular, mientras mejor se ajuste la distribucin a los datos, menor ser
este estadstico. Por ejemplo, usted puede utilizar el estadstico de Anderson-Darling para determinar si los
datos satisfacen el supuesto de normalidad para una prueba t.

Las hiptesis para la prueba de Anderson-Darling son:

H0: Los datos siguen una distribucin especificada

H1: Los datos no siguen una distribucin especificada

Utilice el valor p correspondiente (si est disponible) para probar si los datos provienen de la distribucin
elegida. Si el valor p es menor que un nivel de significancia elegido (por lo general 0.05 o 0.10), entonces
rechace la hiptesis nula de que los datos provienen de esa distribucin. Minitab no siempre muestra un
valor p para la prueba de Anderson-Darling, porque este no existe matemticamente para ciertos casos.

Tambin puede utilizar el estadstico de Anderson-Darling para comparar el ajuste de varias distribuciones con
el fin de determinar cul es la mejor. Sin embargo, para concluir que una distribucin es la mejor, el estadstico
de Anderson-Darling debe ser sustancialmente menor que los dems. Cuando los estadsticos estn cercanos
entre s, se deben usar criterios adicionales, como las grficas de probabilidad, para elegir entre ellos.

6
 Ejemplo
de

comparacin de distribuciones

Estas grficas de probabilidad son para los mismos datos. Tanto la distribucin normal como la distribucin de
Weibull de 3 parmetros ofrecen un ajuste adecuado a los datos.

Minitab calcula el estadstico de Anderson-Darling usando la distancia al cuadrado ponderada entre la lnea
ajustada de la grfica de probabilidad (con base en la distribucin elegida y usando el mtodo de estimacin
de mxima verosimilitud o las estimaciones de mnimos cuadrados) y la funcin de paso no paramtrica. El
clculo tiene mayor ponderacin en las colas de la distribucin.

4.6 SIMULACIN DE LOS COMPORTAMIENTOS ALEATORIOS DEL

PROYECTO Y SU VERIFICACIN.

En la figura se indican las fases fundamentales de que consta un estudio de simulacin:

7
La simulacin es una tcnica cada vez ms utilizada en el estudio de sistemas complejos. Entre los
argumentos a favor de la utilizacin de la simulacin se encuentran los siguientes:

La mayora de los sistemas complejos reales con elementos estocsticos no se pueden describir con
suficiente precisin mediante un modelo matemtico que se pueda resolver analticamente. Por lo tanto, con
frecuencia la simulacin es el nico mtodo posible de estudio de dichos sistemas.

La simulacin permite estimar el comportamiento de un sistema existente bajo un conjunto previsto de

condiciones operativas.

Mediante la simulacin se pueden comparar diseos alternativos (o polticas de operacin alternativas para
un determinado diseo) para especificar cul es el que cumple de forma ms adecuada con los objetivos
formulados.

En la simulacin se puede tener un control mucho mejor sobre las condiciones del experimento que si se
realizase sobre el propio sistema.

La simulacin permite estudiar un sistema cuya evolucin es muy dilatada en el tiempo (por ejemplo, un
sistema econmico) en un periodo de tiempo reducido. Alternativamente, tambin permite estudiar de forma
detallada la evolucin de un sistema en un corto periodo de tiempo.

La experiencia demuestra que existe una serie de errores en los que frecuentemente se incurre al realizar un
estudio de simulacin. Entre ellos se pueden destacar: Simulacin de sistemas discretos No definir
correctamente los objetivos del estudio.

8
 Fijar un nivel de detalle inadecuado en el modelo.

Tratar el estudio de simulacin como si fuese principalmente un ejercicio complicado de programacin.

Utilizar un software de simulacin comercial que no pueda reflejar de forma adecuada la lgica de
funcionamiento del modelo.

Utilizar de forma inadecuada la animacin.

Determinar de forma inadecuada las fuentes de aleatoriedad en el sistema real.

Emplear funciones de distribucin de probabilidad distintas a las correspondientes a los fenmenos reales
que se quieren simular.

Analizar los datos resultantes de la simulacin considerando, en las frmulas estadsticas utilizadas, que
todos los valores son independientes.

Realizar un nmero de repeticiones menor del necesario y considerar significativos los resultados obtenidos.