You are on page 1of 27

Modulo Estadstica

Elaborado por ISAAC MONROY CANAZA Por Optimizacin de los Recursos Captulo 1: Definiciones de Estadstica Escasos
1. Temas en este captulo. a. Estadsticas i. Medidas de tendencia central ii. Medidas de variabilidad iii. Otras medidas de un conjunto de datos

Por Una Buena Optimizacin de los Recursos Escasos

b. Otras estadsticas i. Simulacin de mtodos de muestreo 1. Monte Carlo de muestreo 2. Latina hipercubo de muestreo c. Intervalos de confianza i. La media de intervalo de confianza ii. Intervalo de confianza de la desviacin estndar iii. Intervalo de confianza de percentiles iv. Generacin de nmeros aleatorios v. Mtrica de capacidad de proceso
Cp Pp Cpk-lower Ppk-lower Cpk-upper PpkCpk Ppk Cpm Ppm Z-LSL Z-USL Zst Zst-total Zlt Zlt-total p(N/C)-below p(N/C)-above p(N/C)-total PPM-below PPM-above PPM-total LSL USL Target Z-score shift

Captulo 2: Ecuaciones y Mtodos


1. Frmulas de distribuciones de probabilidad

Por Una Buena Optimizacin de los Recursos Escasos

a. Distribucin beta b. Beta PERT distribucin c. Distribucin binomial d. Distribucin uniforme discreta e. Distribucin exponencial f. Distribucin gamma g. Distribucin geomtrica h. Hypergeometric distribucin i. Logstica de distribucin j. Distribucin logartmica normal k. Mxima extrema de distribucin l. Mnima extrema de distribucin m. Distribucin binomial negativa n. Distribucin normal o. Distribucin de Pareto p. Poisson distribucin q. Distribucin t de Student r. Distribucin triangular s. Distribucin uniforme t. Distribucin de Weibull u. S, sin distribucin v. Distribucin personalizada w. Comentarios adicionales x. Distribucin de mtodos de montaje
Por Una Buena Optimizacin de los Recursos Escasos

Captulo 3: Parmetros de distribucin


3. Distribucin de parmetros por defecto 3.1 Beta 3.2 Beta PERT 3.3 Binomial 3.4 Costumbre 3.5 Uniforme discreta 3.6 Exponencial 3.7 Gamma 3.8 Geomtrico 3.9 Hypergeometric 3.10 Logstica 3.11 Lognormal 3.12 Valor mximo de la extrema 3.13 Valor mnimo de la extrema 3.14 Binomial negativa 3.15 Normal 3.16 Pareto 3.17 Poisson 3.18 T de Student 3.19 Triangular 3.20 Uniforme 3.21 Weibull 3.22 S-No.............................................................................................................

Captulo 1

Definiciones de Estadstica
Este captulo proporciona las frmulas para los siguientes tipos de estadsticas: Medidas de tendencia central Medidas de variabilidad

Por Una Buena Optimizacin de los Recursos Escasos

Otras medidas de un conjunto de datos Otras estadsticas

Tambin se describe la metodologa y estadsticas de: Simulacin de mtodos de muestreo Los intervalos de confianza generacin de nmeros aleatorios Proceso de capacidad mtrica

Captulo 1
Estadsticas
1.1. Medidas de tendencia central

Las medidas de tendencia central para un conjunto de datos son la media, mediana y modo.
Por Una Buena Optimizacin de los Recursos Escasos

1.1.1.

Media

La media de un conjunto de valores se obtendr por la adicin de los valores y dividir su suma por el nmero de valores. El trmino "promedio" se refiere generalmente a la media. Por ejemplo, 5,2 es la media o promedio de 1, 3, 6, 7 y 9. Frmula: X = 1.1.2.

1 n xi n j =1

Mediana

La mediana es el valor medio en un conjunto de valores ordenados. Por ejemplo, 6 es la mediana de 1, 3, 6, 7 y 9 (recordar que la media es 5,2). Si hay un nmero impar de valores, la mediana se obtendr por la colocacin de valores en orden de menor a mayor y, a continuacin, seleccionando el valor medio. Si hay un nmero par de valores, la mediana es la media de los dos valores medios. 1.1.3. Moda

La moda es el valor que se produce con ms frecuencia en un conjunto de valores. El mayor grado de agregacin se produce en la moda. El salario modal, por ejemplo, es la recibida por el mayor nmero de trabajadores. Los modos de color para un nuevo producto es el preferido por el mayor nmero de consumidores. En una distribucin perfectamente simtrica, como la distribucin normal (la distribucin de la izquierda, abajo), la media, mediana, modo y convergen en un punto. En una distribucin asimtrica o sesgada, como la distribucin logartmica normal, la media, mediana, modo y tienden a extenderse a cabo, como se muestra en la distribucin a la derecha en el siguiente ejemplo:

Por Una Buena Optimizacin de los Recursos Escasos

Valor Esperado
El valor esperado (E(r)) tambin conocido como media o esperanza matemtica, es el promedio ponderado del conjunto de escenarios que se puedan definir para la situacin analizada, ya sean de xito o de fracaso, de acuerdo con la siguiente expresin.

E ( ) = i i r hr
i= 1

Donde: E ( r ) = Valor esperado de las ocurrencias ri = Valor de las ocurrencias i hi = Probabilidad de las diferentes ocurrencias ri Tradicionalmente se ha utilizado el valor monetario esperado para tomar decisiones de inversin para proyectos u oportunidades de negocios, toda vez que existen riesgos asociados a su viabilidad futura. En la relacin anterior se ponderan los valores presentes netos VPN de los diferentes escenarios de xito o fracaso que se consideren, as como la probabilidad de ocurrencia que se consideren, as como la probabilidad de ocurrencia que se tiene para cada uno, en lo que estadstica se conoce como media ponderada. Como resultado se obtiene un valor ms probable de ocurrencia o valor esperado, el cual sirve de gua en el proceso de toma de decisiones.

Riesgo

Por Una Buena Optimizacin de los Recursos Escasos

Es importante diferenciar entre riesgo e incertidumbre. La incertidumbre existe siempre que no se sabe con seguridad lo que ocurrir en el futuro. El riesgo es la incertidumbre que afecta negativamente el bienestar de la gente. Por ejemplo, existe incertidumbre de que maana pueda llover lo cul implica un riesgo para quien no lleve paraguas y una oportunidad para quien necesite rociar su jardn. Como se ve, oportunidad es la incertidumbre que mejora el bienestar de las personas, la cual cambia de una a otra de acuerdo a sus necesidades. Toda situacin riesgosa es incierta, pero puede haber incertidumbre sin riesgo. Desde el punto de vista econmico el riesgo es, como cuando se desea calcular el impacto monetario promedio a lo largo de varios aos que produce un terremoto en una ciudad. Desde el punto financiero, la incertidumbre de un proyecto es una medida de la dispersin de los flujos de caja esperados, o el elemento sorpresa con respecto al retorno esperado, la cual puede ser medida como la desviacin estndar de dichos flujos. La incertidumbre del proyecto o situacin analizada depende de las diferentes posibilidades que puedan tener los escenarios que se consideren.

Medidas de variabilidad
Las medidas de variabilidad de un conjunto de datos son la varianza, desviacin estndar, y Rangos (o rango de anchura).

Varianza
Varianza es una medida de la dispersin, o la propagacin de un conjunto de valores acerca de la media. Cuando los valores estn cerca de la media, la varianza es pequea. Cuando los valores estn muy dispersas en torno a la media, la varianza es mayor.

Formula:

1 n Var = ( iX n 1 i =1

2 ) X

Para calcular la varianza de un conjunto de valores: 1. Encontrar la media o promedio 2. Para cada valor, calcule la diferencia entre el valor y la media. 3. eleve al cuadrado de tales diferencias.

Por Una Buena Optimizacin de los Recursos Escasos

4. Dividir por n-1, donde n es el nmero de diferencias Por ejemplo, supongamos que sus valores son 1, 3, 6, 7 y 9. La media es de 5,2. L 2 La varianza, denotada por X , se calcula de la siguiente:
2 X = [(1-5.2) ^2 + (2-5.2) ^2 + (3-5.2) ^2 + (6-5.2) ^2 + (7-5.2) ^2 + (9-5.2) ^2]/ (5-1)

=40.8/4 = 10.2

Varianza desde el punto de vista financiero.


Entre mayor sea la dispersin de los flujos de caja que se puedan obtener, mayor ser la incertidumbre. La medida de dicha variabilidad es la varianza.

(r )=
2
2

i= 1

[ hi

] E (r )
2

(r ) = Varianza de la ocurrencia E ( r ) = Valor esperado de las ocurrencias ri = Valor de la ocurrencia i hi = Probabilidad de las diferentes ocurrencias i

1.1.4.

Desviacin estndar

La desviacin estndar es la raz cuadrada de la varianza de una distribucin. Al igual que la diferencia, es una medida de dispersin en torno a la media y es til para describir el "promedio" de desviacin. Vase la descripcin de la varianza en la siguiente seccin. Por ejemplo, se puede calcular la desviacin estndar de los valores 1, 3, 6, 7, y 9 por la bsqueda de la raz cuadrada de la varianza que se calcula en el varianza ejemplo en la pgina siguiente.

1 n X = (X n 1 i =1

X) 2

Por Una Buena Optimizacin de los Recursos Escasos

Luego la desviacin estndar del anterior ejemplo es de 10.2 = 3.19

Desviacin Estndar desde punto de vista financiero.


La desviacin estndar de un proyecto puede llegar a ser un valor de gran magnitud cuando existe alta incertidumbre, como ocurre en el caso de considerar los altos valores que pudieran llegar a tener los precios del petrleo de un prospecto exploratorio. Sin embargo la desviacin estndar por si misma como mtrica carece de sentido si no se compara con otra medida o otro factor como el valor esperado, ya que el resultado que se obtiene es un nmero que difcilmente explica por si misma la incertidumbre a la que est asociada en una situacin particular. De ah que se hayan ideado diferentes medidas complementarias para definir el riesgo, tales como el coeficiente de variacin, o el valor en riesgo (VaR), las cuales permiten expresar de una manera ms lgica y clara la incertidumbre y sus dos componentes: Riesgo y Oportunidad. La desviacin estndar es una limitante cuando se desea seleccionar entre varios proyectos los de mayor rentabilidad y menor riesgo, para lo cual se trabaja en un portafolio de proyectos utilizando entre otras mtricas, la desviacin semi- estndar, que es un trmino que no considera toda la incertidumbre del proyecto sino la relacionada con el no cumplimiento de un objetivo estratgico de la empresa, que podra ser por ejemplo la posibilidad de que el VPN sea inferior a cero, o el valor esperado que se ha previsto. En la medicin de la desviacin semi estndar se hace nfasis en los malos resultados, con ello se evita lo que ocurre al optimizar proyectos utilizando la desviacin estndar y se evita penalizar por igual proyectos con malos y buenos resultados esperados.

b =

1 n ( b) 2 ir n ri <b

b = Desviacin Semi Estndar n = Nmero de ocurrencias de las variables aleatorias, cuando la variable se mide a partir de un muestreo. r = Valor esperado de la variable aleatoria b = Limite de control u objetivo estratgico de la variable aleatoria.
1.1.5.

Coeficiente de variabilidad

Por Una Buena Optimizacin de los Recursos Escasos

El coeficiente de variabilidad le proporciona una medicin de cunto su previsin de valores varan en relacin con el valor medio. Dado que este dato es independientes de las previsiones de las unidades, se puede usar para comparar la variabilidad de dos o ms pronsticos, aun cuando el plan de previsiones de escalas diferentes. Por ejemplo, si se comparan las previsiones de un centavo con la previsin de una poblacin en la Bolsa de Nueva York, era de esperarse la variacin media (desviacin estndar) de la moneda de un centavo; el precio de las acciones que aparezcan menor que la variacin de existencias de Bolsa de Nueva York. Sin embargo, si comparamos el coeficiente de variabilidad estadstica de las previsiones para los dos, se dar cuenta de que la del centavo posee la existencia de muestras con la variacin ms significativa en una escala absoluta. El coeficiente de variabilidad normalmente oscila entre un valor mayor que 0 y menor a 1. Podra superar el 1 en un pequeo nmero de casos en los que la desviacin estndar de las previsiones es inusualmente alto. Esta estadstica se calcula dividiendo la desviacin estndar de la media. El coeficiente de variabilidad se calcula dividiendo la desviacin estndar por la media, de la siguiente manera: Coeficiente de variabilidad = X /

Para presentar este en forma de porcentaje, basta con multiplicar el resultado de lo anterior se calcula por 100. Tambin podemos decir que el coeficiente de variacin es la razn entre la desviacin estndar y su valor monetario esperado. Este coeficiente de variacin es de gran utilidad para incorporar la magnitud del valor esperado al calculo de la desviacin estndar, a fin de facilitar la comprensin de la dispersin de los FCL y as permitir comparar proyectos entre s, ya que no tiene sentido comparar desviaciones estndar de proyectos con diferentes valores esperados. 1.1.6.

Rango (tambin rango ancho)

El rango mnimo es el menor nmero en un conjunto de valores, y la gama mximo es el mayor nmero. El rango es la diferencia entre el rango mnimo y el rango mximo. Por ejemplo, si el intervalo mnimo es de 10, y el rango mximo es de 70, entonces, la gama es de 60 aos

Por Una Buena Optimizacin de los Recursos Escasos

Otras medidas de un conjunto de datos


Otras estadsticas tambin describen el comportamiento de un conjunto de datos: la asimetra, la curtosis, y media error estndar.

Asimetra
Una distribucin de valores (una distribucin de frecuencias) se dice que es "desigual", si es no simtrica. Por ejemplo, supongamos que las curvas en el ejemplo de abajo representan la distribucin de los salarios dentro de una gran empresa.

Una curva ilustra la asimetra positiva (sesgada ", a la derecha") donde la mayora de los salarios son cerca del tipo mnimo, aunque algunos son mucho ms altos. Curva B ilustra la asimetra negativa (asimtrica "a la izquierda") donde la mayora de los salarios son cerca del mximo, aunque algunos son mucho ms bajos. Si describir estadsticamente las curvas, la curva A es positiva y podra ser sesgada y tienen un coeficiente de asimetra de 0,5, mientras que la curva B es negativa y desigual podra tener un coeficiente de asimetra -0,5 Una asimetra de valor superior a 1 o inferior a -1 indica una muy desigual distribucin. Un valor entre 0,5 y 1 -0,5 y -1 es moderadamente asimtrica. Un valor entre -0,5 y 0,5 indica que la distribucin es bastante simtrico Mtodo: asimetra se calcula hallando el tercer momento de la media y dividiendo por el cubo de la norma desviacin.

Formula:

1 n 1 ( X i X 3) / s3 n i=

Kurtosis
Kurtosis se refiere a la peakedness de una distribucin. Por ejemplo, una distribucin de valores podra ser perfectamente simtricos, pero posee bien un "pico" o bien un "Plano", como se ilustra a continuacin

Por Una Buena Optimizacin de los Recursos Escasos

Supongamos que las curvas en los ejemplos anteriores representan la distribucin de los salarios dentro de una gran empresa. En una curva que es bastante centrada posee un pico mximo, ya que la mayora de los empleados reciben aproximadamente el mismo salario que reciben muy pocos con altos o bajos salarios. Curva B es plana rematada, lo que indica que los salarios cubren una difusin ms amplia. Describir estadsticamente las curvas, es decir la curva con bastante pico posee un mximo, y una curtosis cuyo valor estara alrededor de 4. Curva B, que es bastante plana, podra tener una curtosis de 2. Una distribucin normal se usa generalmente como el estndar de referencia y tiene un curtosis de 3. Distribucin con una curtosis de valor inferior a 3 se describen como curtosis plana (es decir, plana), y una distribucin con un mayor valor de la curtosis es decir ms de 3 (es decir, lleg a su punto mximo) alto grado de apuntalamiento. Mtodo: Kurtosis, o grado de apuntalamiento, se calcula mediante la bsqueda de el cuarto momento en torno a la media y dividiendo por el cudruple de la desviacin estndar

Formula:

1 n 1 ( X i X4 ) 4/ s n i=
La media de error estndar

1.1.7.

Error estndar de la media estadstica, le permite determinar la exactitud de los resultados de la simulacin y el nmero de ensayos que son necesarios para garantizar un aceptable nivel de error. Esta estadstica le dice cual es la probabilidad de que la media estimada pueda desviarse de la verdad, significa ms que una cantidad especificada. La probabilidad de que la verdadera media de la preedicin, sea la estimacin de la media (ms o menos la media de error estndar) es de aproximadamente el 68%.

Por Una Buena Optimizacin de los Recursos Escasos

Formula:

s n

S = Desviacin Estndar n = Nmero de ensayos El error de estimacin puede ser invertido para mostrar el nmero de los ensayos necesarios para producir un error deseado ( ). s2 2 1.2.

n=

Otras estadsticas

Estas estadsticas describen las relaciones entre los conjuntos de datos (coeficiente de correlacin rango) o de otras mediciones de datos (seguridad, percentil, los intervalos de confianza).

Coeficiente de correlacin
Cuando los valores de dos variables dependen uno del otro en su totalidad o en parte, se consideran las variables correlacionadas. Por ejemplo, una variable "costo de la energa" es probable que muestre una correlacin positiva con una variable llamada "inflacin". Cuando la variable "inflacin" es alta, el "costo de la energa" variable tambin es alto; cuando la variable "inflacin" es baja, el "costo de la energa" variable es bajo. En cambio, "el precio de un producto" y "unidad de venta" puede mostrar correlacin como variables negativas. Por ejemplo, cuando los precios son bajos, las ventas se espera que sean altas; cuando los precios son altos, las ventas se espera que sean bajas. Para la correlacin de pares de variables que tienen una relacin positiva o negativa, puede aumentar la exactitud de sus previsiones en los resultados de la simulacin. El coeficiente de correlacin es un nmero que describe la relacin entre dos variables dependientes. Valores del coeficiente varan entre -1 y 0 de una correlacin negativa y 0 y 1 para una correlacin positiva. Cuanto ms cerca del valor absoluto el coeficiente de correlacin es, esta entre +1 o -1, y las variables estaran ms fuertemente estn relacionadas las variables.

Por Una Buena Optimizacin de los Recursos Escasos

Cuando un aumento de una variable se asocia con un aumento en otras variables, la correlacin es positiva (o directa) y se indica por un coeficiente entre 0 y 1. Cuando un aumento de una variable se asocia con una disminucin de la otra variable, la correlacin es negativa (o inversa) y se indica mediante un coeficiente entre 0 y -1. Un valor de 0 indica que las variables no estn relacionadas entre s. El ejemplo de abajo muestra tres coeficientes de correlacin.

Por ejemplo, suponga que el total de ventas de comida de un hotel, puede estar correlacionado con el precio de la habitacin. Las ventas totales de alimentos tienden a ser ms altos, por ejemplo, en los hoteles con mayores tarifas de habitaciones. Si las ventas de alimentos y tarifas de habitaciones corresponden estrechamente, para diversos hoteles, el coeficiente de correlacin es cercana a 1. Sin embargo, la correlacin puede que no sea perfecta (coeficiente de correlacin <1). Algunas personas pueden comer las comidas fuera del hotel, mientras que otros pueden saltar algunas comidas por completo. Cuando se selecciona un coeficiente de correlacin para describir la relacin entre un par de variables en la simulacin, debe tener en cuenta la proximidad que estas estn relacionadas entre s. Usted nunca debe necesitar de utilizar una correlacin del coeficiente entre 1 o -1. Generalmente, usted debe representar estos tipos de relaciones como las frmulas de la hoja de clculo.

Por Una Buena Optimizacin de los Recursos Escasos

1.2.1.

Rango de correlacin

Un coeficiente de correlacin mide la fuerza de la relacin lineal entre dos variables. Sin embargo, si las dos variables no tienen la misma distribucin de probabilidad, es poco probable que sean relacionadas linealmente. En virtud de esas circunstancias, el coeficiente de correlacin calculado sobre sus valores naturales tiene poco sentido. Si el clculo del coeficiente de correlacin del rango de valores, usando en lugar valores de efectivo, el coeficiente de correlacin es significativo, incluso para las variables con diferentes distribuciones. Determinar rango de valores de la organizacin de los valores reales en orden ascendente y la sustitucin de los valores con sus clasificaciones. Por ejemplo, el efectivo ms bajo, valor tendr de rango 1, el prximo ms bajo valor real tendr un rango de 2, etc. Crystal Ball utiliza un rango de correlacin; correlacionando la hiptesis. La ligera prdida de informacin que se produce utilizando un rango de correlacin; es compensado por un par de ventajas: En primer lugar, la correlacin no es necesario que las hiptesis han de tener similares tipos de distribucin. En efecto, la funcin de correlacin en Crystal Ball es la distribucin independiente. El mtodo de rango de correlacin funciona incluso cuando la distribucin se ha truncado en uno o ambos extremos de su rango. En segundo lugar, los valores generados para cada supuesto no se cambian, son simplemente reorganizado para producir la deseada correlacin. De esta manera, las distribuciones originales de las hiptesis se conservan.

La covarianza y el coeficiente de correlacin


En algunos casos es necesario medir el grado de similitud en el comportamiento de los flujos de caja de dos proyectos, o dos variables en un proceso objeto de anlisis, con el propsito ya sea de diversificar las inversiones de una empresa o de poder representar adecuadamente el comportamiento de las variables y sus interrelaciones. Para ello es til contar con la covarianza, una medida estadstica que refleja el grado de movimiento conjunto de dos variables, la cual se define como:

Cov rarb =

[( r
i =1

ra)( rb rb)] n

Por Una Buena Optimizacin de los Recursos Escasos

Covra rb = Covarianza entre los valores de las variables a y b ra = Valor de la variable a ra = Promedio de la variable a rb = Valor de la variable b rb = Promedio de la variable b n = Nmero de ocurrencias de la variables a y b en los clculos a realizar, si la covarianza que se obtiene da un valor positivo significa que una accin produce retornos pro encima de la media, la otra tiende a hacer lo mismo. Sin embargo, el valor obtenido Es alto bajo? Esto es difcil de definir con la informacin disponible razn por la cual es necesario normalizar el valor de la covarianza mediante el coeficiente de correlacin. Con la covarianza ocurre lo mismo que la desviacin estndar y tiene que ver con la difcil comprensin intuitiva de la cifra obtenida, excepto por l hecho de que sea positivo negativo.

Coeficiente de correlacin en proyectos de inversin


Al usar el coeficiente de correlacin es posible poner lmites a la covarianza al dividirla por la desviacin estndar de las dos series de datos.

ra rb =

Covra rb

a b

Para el caso de una correlacin perfecta ya sea positiva o negativa, si se conoce los valores de una serie de datos, entonces se puede predecir la otra. 1.2.2.

Certeza

El grfico muestra que las previsiones no slo la variedad de resultados diferentes para cada previsin, sino tambin la probabilidad, y la certeza, de obtener resultados dentro de un rango. Certeza es el tanto por ciento de probabilidad de que un determinado valor pronostica caer dentro de un rango especificado. Por defecto, la seguridad vara de menos infinito a ms infinito. La certeza de esta gama es siempre el 100%. Sin embargo, es posible que desee estimar la probabilidad de un plan de previsiones de resultado en la cada de un rango especfico, de decir cero a infinito (que es posible que desee calcular para asegurarse de que usted haga un beneficio). Por ejemplo, considere el plan de previsiones de la siguiente Figura. Si su objetivo era dar un rendimiento mnimo de

Por Una Buena Optimizacin de los Recursos Escasos

$ 2.000.000, es posible elegir una gama de 2.000.000 de pesos a + Infinito. En este caso, la certeza es casi del 75%.

1.2.3.

Percentil

Un percentil es un nmero en una escala de cero a cien que indica el tanto por ciento de una distribucin que sea igual o inferior a un valor (por defecto). Es el Informe de las pruebas estandarizadas, por lo general son los resultados mostrados en los percentiles. As que si usted estuviera 95 en los percentil, lo que significa que el 95% de las personas que tomaron la prueba tienen las mismas puntuaciones o menos. Esto no significa que usted respondi el 95% de la preguntas correctamente. Usted puede tener slo el 20% que respondi correctamente, pero que mejor que tan bueno fue que el 95% de las personas que tomaron la prueba. Crystal Ball calcula los percentiles de las previsiones de los valores mediante una interpolacin algortmica. Este algoritmo se utiliza tanto para los datos continuos y discretos, resultando la posibilidad de contar con nmeros reales como para los percentiles incluso de datos discretos. Si una previsin exacta corresponde a un valor calculado por un percentil, Crystal Ball acepta el percentil. En caso contrario, Crystal Ball interpola proporcionalmente al ms cercano entre los dos valores para calcular el percentil. Los Percentiles de una distribucin normal su aspecto se presenta en el siguiente grafico:

Por Una Buena Optimizacin de los Recursos Escasos

1.3.

Mtodos de muestreo de Simulacin

Durante cada ensayo de una simulacin, Crystal Ball selecciona un valor aleatorio para cada supuesto en el modelo. Crystal Ball selecciona sobre la base de estos valores la toma de muestras en la opcin Ejecutar> Ejecutar Preferencias> La toma de muestras de dilogo. Los dos mtodos de muestreo son: Simulacin Monte Carlo selecciona aleatoriamente cualquier valor vlido de cada supuesto definido por su distribucin. Simulacin Latn Hipercubo. Selecciona al azar los valores, pero los valores aleatorios se extienden uniformemente en cada supuesto de la distribucin que se define. 1.3.1.

Simulacin Monte Carlo

Simulacin de Monte Carlo genera aleatoriamente los valores de las variables inciertas una y otra vez para simular un modelo. Los valores para cada supuesto de distribucin de probabilidad son aleatorios. Los valores tambin son totalmente independientes. En otras palabras, el valor seleccionado al azar para un juicio no tiene ningn efecto sobre el siguiente valor generado al azar. Simulacin de Monte Carlo fue creada de Monte Carlo, Mnaco, donde la atraccin principal son los casinos que contienen juegos de azar. Juegos de azar tales como ruedas de ruleta, dados y mquinas tragamonedas exposicin comportamiento aleatorio. El comportamiento aleatorio en juegos de azar es similar a la forma en que la simulacin Monte Carlo origina los valores de las variables seleccionadas al azar para simular un modelo. Cuando al lanzar un dado, usted sabe que, o bien obtiene un 1, 2, 3, 4, 5 o 6 segn se incremente, pero no sabe para cualquier juicio. Lo mismo sucede con las variables que tienen una conocida gama de valores, cual es un valor seguro para cualquier momento o evento (por ejemplo, las tasas de inters, las necesidades de personal, los precios de las acciones, el inventario, las llamadas telefnicas por minuto).

Por Una Buena Optimizacin de los Recursos Escasos

El Uso de muestreo de Monte Carlo es una aproximacin a la verdadera forma de la distribucin que requiere de un mayor nmero de ensayos de hipercubo Latina. El uso de Monte Carlo muestrea cuando se quiere simular el "mundo real" lo queimplica un escenario para su modelo de hoja de clculo. 1.3.2.

Simulacin de muestreo Latina hipercubo

Hipercubo Latina con la toma de muestras, Crystal Ball divide cada supuesto de distribucin de probabilidad que no se solapan en segmentos, cada uno con la igualdad de probabilidad, como se ilustra a continuacin.

Si bien se est ejecutando una simulacin, Crystal Ball selecciona al azar un valor supuesto de cada segmento de acuerdo con el segmento de la distribucin de probabilidad. Este conjunto de valores constituye la muestra hipercubo Latina. Despus el software Crystal Ball ha cada segmento de la muestra y exactamente una vez, repite el proceso hasta que la simulacin se detiene. La opcin Tamao de la muestra (en Ejecutar Preferencias> La toma de muestras de dilogo) permite un control al nmero de segmentos en la muestra. Latina hipercubo de muestreo es generalmente ms preciso en el clculo estadstico de la simulacin de Monte Carlo, que los mtodos convencionales ya que el muestreo de toda la gama de distribuciones es la muestra ms uniforme y coherente. Con Latina hipercubo de muestreo, no es necesario realizar muchos ensayos para lograr el mismo nivel de precisin estadstico que con el muestreo de Monte Carlo. El gasto adicional que este mtodo se supone; es la memoria adicional necesaria para realizar un seguimiento de los segmentos que han sido incluidos en la muestra mientras se ejecuta la simulacin. (En comparacin con la mayora de los resultados de la simulacin generados de extra es menor). Utilice muestreo de Latina hipercubo cuando se ocupe principalmente de la precisin de la simulacin estadstica. 1.3.3.

Intervalos de confianza

Desde la simulacin de Monte Carlo es una tcnica que utiliza un muestreo aleatorio a estimacin de los resultados del modelo, las estadsticas calculadas sobre estos resultados, como media, desviacin estndar y percentiles, siempre contienen algn tipo de error. Un intervalo de confianza (IC) es un obligado clculo en torno a un dato estadstico que intenta medir el error con un determinado nivel de probabilidad. Por ejemplo, un 95% intervalo de confianza en torno a la media

Por Una Buena Optimizacin de los Recursos Escasos

estadstica se define como un 95% de probabilidad de que la media se incluir dentro del intervalo especificado. Por el contrario, hay un 5% de probabilidad de que la media se encuentre fuera del intervalo. Se muestra grficamente, un intervalo de confianza alrededor de la media y tiene el siguiente aspecto:

Para la mayora de las estadsticas, el intervalo de confianza es simtrico en torno a la estadstica de manera que X = (CImax - media) = (Media - CImin). Esto le permite hacer declaraciones de la confianza como "la media se encuentran en el medio estimado de ms o menos X con un 95% de probabilidad. " Intervalos de confianza son importantes para determinar la exactitud de las estadsticas, y, por tanto, la exactitud de la simulacin. En trminos generales, entre ms ensayos se calculen, se reduce el intervalo de confianza y las estadsticas son ms exactas. La caracterstica de control de Crystal Ball le permite detectar cuando la simulacin especfica la precisin de las variables elegidas alcanza las estadsticas deseadas. Crystal Ball comprueba peridicamente si el intervalo de confianza es inferior a la precisin especificada. Las siguientes secciones describen cmo Crystal Ball calcula el intervalo de confianza para cada estadstica.

Intervalo de Confianza de la media


z= s n

Donde: s = Es la desviacin estndar de la previsin n = Es el nmero de juicios z = z es el valor especificado en el nivel de confianza (en al Ejecutar Preferencias> Juicios ficha).

Intervalo de confianza de la desviacin estndar


z=s k 1 4 *(n 1)

Donde: s = Es la desviacin estndar k = Es la curtosis n = Es el nmero de juicios

Por Una Buena Optimizacin de los Recursos Escasos

z = z es el valor especificado en el nivel de confianza (en Ejecutar Preferencias> Juicios ficha). 1.3.3.1.

Intervalo de confianza de percentiles

Para calcular el intervalo de confianza para los percentiles, en lugar de una frmula matemtica, Crystal Ball se utiliza un mtodo analtico de arranque. 1.4.

Generacin de nmeros aleatorios

Crystal Ball utiliza el generador de nmeros aleatorios que se indican a continuacin como base para todos los generadores no uniforme. Sin valor a partir de semillas, Crystal Ball toma el valor del nmero de milisegundos transcurridos desde Windows comenzado. Mtodo: Generador multiplicativo Congruencial Esta rutina usa la frmula de iteracin:

El generador tiene un plazo de duracin, o 2.147.483.646. Esto significa que el ciclo de azar los nmeros se repiten despus de varios miles de millones de los ensayos. Esta frmula se discuti en detalle en el Modelado y Simulacin de Anlisis y Art. De programacin de computadores, vol. II. 1.5.

Proceso de Capacidad Mtrica

El Crystal Ball su proceso de capacidad mtrico son proporcionados para apoyar y mejorar la calidad de las metodologas como Seis Sigma, DFSS (Diseo para Seis Sigma). Previsiones que aparecen en los grficos cuando al definir una previsin incluye un lmite inferior de especificacin (LSL), lmite superior de especificacin (USL), o ambos. Opcionalmente, un valor objetivo tambin puede ser incluido en la definicin. Las siguientes secciones describen la capacidad mtrica calculada por Crystal Ball. En general, los ndices de capacidad a partir de C (como Cpk) son de corto plazo mientras que los datos a largo plazo equivalentes comenzar con P (como PPK). 1.5.1.

Cp

A corto plazo el ndice de capacidad indica el nivel de calidad de salida, es el plan de previsiones que es potencialmente capaz de producir. Se define como la proporcin de la especificacin anchura de las previsiones. Si un Cp es igual o superior a 1 a continuacin, una a corto plazo 3-sigma de nivel de calidad es posible.

Por Una Buena Optimizacin de los Recursos Escasos

1.5.2.

Pp

Capacidad a largo plazo ndice de nivel de calidad de lo que el plan de previsiones de produccin es potencialmente capaz de producir. Se define como la proporcin de la especificacin anchura de las previsiones de ancho. Si uno Pp. es igual o superior a 1 y, a continuacin, una a corto plazo 3-sigma de nivel de calidad es posible.

Captulo 2
2.

Definicin De Supuestos

En este captulo se definir: Apreciacin global de cmo definir los supuestos los rasgos de los supuestos adicionales los rasgos de Galera de Distribucin Adicionales
Por Una Buena Optimizacin de los Recursos Escasos

Este captulo describir las instrucciones paso a paso para preparar las celdas de los supuestos en Cristal el Ball. Se planea como pueden correrse las simulaciones entre ellas. Este captulo tambin describe todos las maneras como puede usted usar la Galera de Distribuciones, para organizar sus distribuciones favoritas y definir las categoras de distribuciones para compartir con otros. Usted puede planear como desea configurar su modelo de simulacin de acuerdo al problema a solucionar.

Tipos de Supuesto
El software del cristal Ball le permite definir tres tipos de supuestos: 2.1.1. Las Celdas Supuesto de Prediccin: (las variables independientes) Contienen los valores que usted esta definiendo como variables independientes inciertas en el problema, y que usted est intentando resolver. Las celdas de las variables supuestas deben contener los valores numricos simples, no frmulas o el texto.

Por Una Buena Optimizacin de los Recursos Escasos

2.1.2. Las Celdas Definicin de Decisin: Inconstantes contienen los valores que estn dentro de su mando al cambio. Las celdas de decisin inconstantes deben contener los valores numricos simples, no frmulas o texto. stos se usan por algunas de las herramientas del software del cristal como el OptQuest. 2.1.3. Las Celdas De Pronsticos: (las variables dependientes) contienen frmulas que se refieren a uno o ms supuestos y celdas decisin inconstantes. Se configuran las celdas de prediccin de los valores en las variables supuestas, y en las variables de decisin, y otras celdas que realizan el clculo obteniendo un resultado. Por ejemplo, una celda de prediccin podra contener la frmula = C17*C20*C21. Definicin de los supuestos Sobre los supuestos y funciones de distribucin de probabilidad Para cada variable incierta en una simulacin, o supuesto, usted define los posibles valores con una distribucin de probabilidad. El tipo de distribucin usted seleccione depende de las condiciones que rodean la variable. Por ejemplo, algunos tipos de la distribucin comunes se muestran en Figura 2.1.

Figure 2.1 tipos de la distribucin Comunes

Durante una simulacin, el cristal Ball calcula numerosas iteraciones de un modelo de sus los valores repetidamente, escogiendo la distribucin de probabilidad para las variables inciertas y usando esos valores por cada celda de los supuestos. Normalmente, una La simulacin del Cristal Ball, calcula centenares o miles de iteraciones, o ensayos, en slo unos segundos. El valor a usar para cada supuesto para cada ensayo se selecciona al azar de las posibilidades definidas. Porque las distribuciones para las variables independientes son tan importantes a las simulaciones, seleccionando y aplicando la distribucin apropiada; estas son la parte principal a definir en una celda de un supuesto. Definiendo un supuesto Para definir una asuncin, usted debe: Identificar un tipo de la distribucin como se describe en Seleccionando una funcin de probabilidad de distribucin del men del software. El Cristal Ball usa las distribuciones de probabilidad para describir la incertidumbre en las celdas supuestas. De la galera de tipos de la distribucin, usted puede escoge una que es la mejor que describe las variables inciertas en el problema que usted esta intentando resolver.

Por Una Buena Optimizacin de los Recursos Escasos

Usted tambin puede seleccionar un tipo de distribucin encajando una distribucin a los datos. Es decir partiendo de datos histricos donde no se conoce el comportamiento de estos datos. Entre el supuesto como se describe en la prxima seccin, Entrando un supuesto. Entrando en un supuesto Para entrar en un supuesto: Seleccione una celda o un rango de celdas. Celdas de valor selectas o celdas del espacio en blanco slo. Los supuestos no pueden definirse para frmula o las clulas non-numricas. No hay ningn lmite absoluto al nmero de supuestos que usted puede definir para a hoja de clculo. En general, usted debe definir menos de 1000 supuestos, variables de decisin, y pronsticos para la hoja de clculo. 1. escoge Definir> Defina el Supuesto.

Para cada celda o celdas seleccionamos el rango indicado, el Cristal Ball despliega, el dilogo de Galera de Distribucin.

Conceptos Bsicos de Estadstica Para Interpretar los Resultados del Cristal Ball

Por Una Buena Optimizacin de los Recursos Escasos

Por Una Buena Optimizacin de los Recursos Escasos

You might also like