Introducción a la simulación de sistemas discretos

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Introducción a la simulación de sistemas discretos"

Transcripción

1 Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer

2 Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas utlzadas para mtar o smular el fucoameto de dsttos tpos de stalacoes o procesos. A la stalacó o proceso que se pretede estudar se le deoma sstema y para poderlo aalzar se realza ua sere de supuestos sobre su fucoameto. Estos supuestos, que ormalmete se expresa medate relacoes matemátcas o relacoes lógcas, costtuye u modelo del sstema. Este modelo se utlza para compreder y prever el comportameto del sstema real. S las relacoes matemátcas o lógcas que comprede el modelo so secllas, etoces será posble utlzar u procedmeto aalítco para obteer ua solucó o respuesta exacta sobre las característcas de terés del sstema aalzado. No obstate, s las relacoes so complejas, puede ocurrr que o se pueda evaluar aalítcamete el problema. E este caso, será ecesaro acudr a la smulacó del sstema, evaluado umércamete el modelo y aalzado los datos obtedos para estmar las característcas de dcho sstema... Sstemas, modelos y smulacó U sstema se puede defr como u cojuto de elemetos udos por relacoes de teraccó o terdepedeca. E el ámbto de los sstemas productvos estos elemetos ormalmete tee u objetvo comú. Los elemetos que forma parte del sstema vee codcoados por el objetvo del estudo que se pretede realzar, ya que u sstema defdo para u estudo determado puede ser ua parte de u sstema más amplo defdo para otro estudo partcular. Por ejemplo, s se quere determar cuál es el úmero más adecuado de operaros y máquas e la seccó de mecazado de ua empresa que tee ua determada cartera de peddos, estos elemetos será los que forme parte del sstema a aalzar, metras que, s lo que se desea es estudar la capacdad productva de la empresa, los elemetos mecoados aterormete sólo será ua parte del sstema. A ellos habrá que añadr motaje, embalaje, almaceaje, etc. Se puede realzar las sguetes defcoes: Atrbuto: propedad de u elemeto del sstema. Actvdad: todo proceso que provoque u cambo e el sstema. El estado del sstema e u state de tempo determado se puede defr como la descrpcó de todos los elemetos, atrbutos y actvdades e dcho state. Por ejemplo, el estado de ua ofca bacara e u state se podría defr medate el úmero de cajeros e él, el úmero de cletes, el state de llegada de cada clete y el tpo de operacó que desea - -

3 Itroduccó a la smulacó de sstemas dscretos realzar cada uo. Este cojuto costturía las varables de estado del sstema. Tpos de sstemas Evdetemete, las característcas del sstema real que se desea estudar va a codcoar el tpo de smulacó que se va a desarrollar. Por lo tato, covee hacer ua clasfcacó de los sstemas e base a los aspectos que va a codcoar su aálss posteror. Así, es útl realzar ua clasfcacó de los sstemas atededo a tres aspectos fudametales: Sstemas estátcos y sstemas dámcos. U sstema se cosdera estátco cuado sus varables de estado o camba a lo largo del tempo, es decr, cuado el tempo o juega gú papel e sus propedades. Por el cotraro, e u sstema dámco los valores que toma todas o alguas de sus varables de accó evolucoa a lo largo del tempo. Sstemas determstas y sstemas estocástcos. S u sstema o tee gú compoete co característcas probablstas (es decr, aleatoras) se cosdera determsta. E este caso, el comportameto del sstema está determado ua vez que se haya defdo las codcoes cales y las relacoes que exste etre sus compoetes. Por el cotraro, u sstema o determsta o estocástco tee algú elemeto que se comporta de forma aleatora, o estado predetermado su comportameto e fucó de las codcoes cales y de las relacoes etre sus compoetes. E este caso, el sstema sólo se podrá estudar e térmos probablstas, cosguedo, e el mejor de los casos, coocer sus respuestas posbles co sus probabldades asocadas. Sstemas cotuos y sstemas dscretos. E u sstema cotuo las varables de estado camba de forma cotua a lo largo del tempo, metras que e uo dscreto camba statáeamete de valor e certos states de tempo. E u sstema de ua certa complejdad puede ocurrr que exsta smultáeamete varables de estado cotuas y dscretas. E este caso, depededo de la predomaca de ua y otras y del objetvo del estudo que se pretede realzar, se cosderará el sstema como perteecete a uo de los dos tpos. Tpos de modelos Para estudar u sstema, la forma más medata sería expermetar sobre él. S embargo, esto puede ser desacosejable, e cluso mposble, por dversos motvos: Puede ocurrr que el sstema o exsta y lo que se preteda sea su dseño. Puede ser mposble expermetar co el sstema real; por ejemplo, s se desea estudar u sstema facero, bursátl,... Puede ser ecoómcamete vable la expermetacó sobre el sstema real. La expermetacó sobre el sstema real puede collevar uos plazos de tempo muy dlatados. Es el caso, por ejemplo, de certos sstemas socales o bológcos

4 Itroduccó a la smulacó de sstemas dscretos E cualquera de los casos aterores se hace ecesara la costruccó de u modelo del sstema que refleje felmete las característcas destacadas del sstema a aalzar y la expermetacó sobre dcho modelo. S se realza adecuadamete la costruccó del modelo y el dseño de los expermetos, los resultados obtedos permtrá ferr cuál sería el comportameto del sstema a aalzar. El esquema sguete muestra las dferetes formas que se puede utlzar para aalzar u sstema: SISTEMA EPERIMENTACIÓN CON EL SISTEMA REAL EPERIMENTACIÓN CON UN MODELO DEL SISTEMA MODELO FÍSICO MODELO MATEMÁTICO SOLUCIÓN ANALÍTICA Fg.. Tpos de modelos SIMULACIÓN NUMÉRICA Los modelos físcos está formados por ua estructura materal que tee uas característcas, e cuato al objeto del estudo, smlares a las del sstema real. Ejemplos de modelos físcos puede ser las maquetas a escala y també los modelos aalógcos que, s teer la msma estructura físca que el sstema real, tee u comportameto smlar co respecto a alguas varables de estado. Por ejemplo, para estudar ua red de dstrbucó de agua e ua cudad, se puede costrur u crcuto eléctrco co la msma estructura y establecer aalogías etre la tesdad eléctrca del modelo y el caudal, la ressteca eléctrca de los dsttos tramos y la pérdda de presó. De este modo, se puede prever el comportameto de la red de dstrbucó realzado expermetos e, cluso, modfcado el modelo eléctrco s ecesdad de actuar sobre el sstema real, lo que mplcaría, evdetemete, uos costes muy elevados y u deteroro e el servco prestado a los cletes. U modelo matemátco represeta el sstema por medo de relacoes lógcas y cuattatvas etre sus varables de estado. Tato el valor de las varables como sus relacoes se puede modfcar para estudar cómo reaccoa el modelo y, por tato, cómo reaccoaría el sstema real ate dchos cambos. Auque e casos putuales se ha desarrollado modelos - 4 -

5 Itroduccó a la smulacó de sstemas dscretos físcos, para el estudo de los sstemas productvos se utlza e la gra mayoría de las ocasoes modelos matemátcos. Ua vez que se ha costrudo u modelo matemátco que represeta el sstema a estudar, se debe aalzar cómo utlzar este modelo para resolver las pregutas plateadas sobre el sstema. S el modelo matemátco es sufcetemete secllo se podrá resolver aalítcamete, obteedo ua solucó exacta a dchas pregutas. S el modelo es excesvamete complejo o abordable, habrá que recurrr a su smulacó, que cosste e proporcoar ua sere de valores a determadas varables de estado y calcular cuál es el valor resultate para el resto de las varables. De este modo, se obtee ua represetacó o muestra de las posbles respuestas de modelo (y, por tato, del sstema que represeta) ate dsttas codcoes de partda..3. Necesdad de la smulacó Ya se ha dcado aterormete que se recurre a la smulacó cuado el modelo matemátco que represeta el sstema a estudar es excesvamete complejo o resulta abordable por o estar desarrollados métodos aalítcos para su resolucó. La fuete de complejdad puede teer báscamete dos causas: E los sstemas cotuos es frecuete que uas varables de estado represete la tasa o velocdad de cambo de otras varables de estado. La formulacó matemátca de estos modelos lleva a la aparcó de ecuacoes dferecales que dca las relacoes aterormete mecoadas. S el sstema tee ua certa complejdad, puede ocurrr que las ecuacoes dferecales sea o leales y, por tato, de dfícl o mposble resolucó aalítca. E los sstemas dscretos puede aparecer feómeos aleatoros que sólo se puede represetar e térmos probablstas. E este caso, la formulacó matemátca del modelo mplca relacoes dode aparece fucoes de dstrbucó o de desdad de probabldad, que dfculta o mpde su resolucó aalítca. Como ya se ha dcado, la catalogacó de u sstema como cotuo o dscreto depede del objetvo del estudo y de las varables de estado predomates. Esto quere decr que u msmo sstema puede teer certas varables de estado cotuas y otras dscretas. Por lo tato, o es frecuete ecotrar modelos e los que coexste ecuacoes dferecales complejas co varables aleatoras, lo que, evdetemete, complca aú más la resolucó aalítca..4. Campos de aplcacó La smulacó de modelos de sstemas reales, al mplcar la resolucó umérca de los sstemas de ecuacoes plateados y, como cosecueca, la realzacó de u úmero muy elevado de cálculos, requere ecesaramete el empleo de ordeadores. El aumeto de la capacdad de los ordeadores - 5 -

6 Itroduccó a la smulacó de sstemas dscretos que se ha producdo e los últmos años, así como el desarrollo de dsttos paquetes de software dseñados específcamete para la smulacó, cada vez más potetes y de utlzacó más seclla, ha hecho que la smulacó se haya geeralzado para el estudo de sstemas de muy dstta aturaleza. S hacer ua recoplacó exhaustva, se puede destacar la utlzacó cada vez más extedda de la smulacó e el estudo de: Sstemas de espera. Tráfco de comucacoes: correos, teléfoos, redes formátcas... Dseño de stalacoes, talleres, líeas de motaje... Determacó de reglas de programacó de la produccó. Dseño de platllas, asgacó de trabajadores a puestos de trabajo... Localzacó de stalacoes (almacees, vehículos, equpos de matemeto...) Aálss de proyectos. Reglas de gestó de vetaros. Aálss de versoes..5. Fases e u estudo de smulacó E la fgura se dca las fases fudametales de que costa u estudo de smulacó: DEFINICIÓN DE OBJETIVOS Y DEL SISTEMA valdacó MODELO CONCEPTUAL verfcacó MODELO COMUNICATIVO MODELO INFORMÁTICO valdacó EPLOTACIÓN. DISEÑO DE EPERIMENTOS credbldad DOCUMENTACIÓN. IMPLANTACIÓN RESULTADOS Fg.. Etapas de u estudo de smulacó Defcó de objetvos y del sstema. E prmer lugar, se debe especfcar claramete los objetvos que se pretede alcazar co el estudo de smulacó. Se debe traducr los objetvos cualtatvos a térmos cuattatvos, establecer las pregutas que debe ser cotestadas, las hpótess a cotrastar, y los efectos a estmar. També es ecesaro - 6 -

7 Itroduccó a la smulacó de sstemas dscretos troducr los crteros de evaluacó de los resultados y realzar ua estmacó de los medos humaos y materales para llevar a cabo dcho estudo. Es ecesaro, además, defr los elemetos que va a formar parte del sstema objeto de estudo; muy probablemete, el sstema sea u sstema de otro más amplo co el que teractúa. Elaboracó del modelo coceptual. El modelo coceptual es u modelo lógco y matemátco del sstema real, dseñado de acuerdo co los objetvos que se pretede alcazar co el estudo. E la costruccó del modelo es acosejable ecotrar u equlbro etre la secllez del propo modelo y el realsmo co que represeta al sstema real. Muchos autores acoseja comezar co u modelo relatvamete secllo, que posterormete se pueda sofstcar s es ecesaro. U modelo debe teer úcamete el grado ecesaro de detalle que refleje la eseca del fucoameto del sstema bajo el puto de vsta del propósto para el que se utlza dcho modelo. E la mayoría de los casos o es ecesaro que exsta ua correspodeca buívoca etre los elemetos del modelo y los del sstema. E esta fase es ecesaro estmar los valores de las costates y los parámetros, determar los valores cales de las dferetes varables y, s es posble, recoger datos hstórcos para la valdacó del modelo. Valdacó. Ua vez defdo el modelo coceptual, será ecesaro valdarlo, es decr, comprobar s refleja felmete las característcas del sstema que represeta. E esta fase puede ser de gra ayuda las tervecoes y opoes de persoas que coozca co sufcete profuddad el sstema. Elaboracó del modelo comucatvo. Lo más comú es que los resposables del sstema y los resposables últmos del estudo de smulacó sea dferetes de los programadores que después realzará el modelo formátco. Por eso es ecesaro elaborar algú tpo de modelo que permta que la comucacó etre los dseñadores y los programadores sea efcaz y efcete. Los dagramas de flujos, e los que se represeta los dferetes evetos so especalmete útles. Datos Etrada maual Proceso Decsó Iforme Avace de la smulacó - 7 -

8 Itroduccó a la smulacó de sstemas dscretos Fg. 3. Modelo comucatvo. Elemetos más frecuetemete utlzados. Costruccó y verfcacó de modelo formátco. Ua vez costrudo y valdado el modelo es el mometo de seleccoar el leguaje de ordeador que se va a utlzar para su programacó. E fucó de las característcas del modelo se puede optar por u leguaje de propósto geeral, como FORTRAN, PASCAL o C, o be u leguaje desarrollado especalmete para la smulacó, como GPSS, SIMSCRIPT, SLAM o SIMAN. Por otra parte, e los últmos años se ha desarrollado paquetes de software co capacdades gráfcas de amacó, especalmete útles e el dseño de sstemas productvos y logístcos, ya que permte vsualzar a lo largo del tempo los movmetos y estados de máquas, pezas, vehículos, trasportadores, etc. Etre estos paquetes se ecuetra CINEMA, WITNESS o TAYLOR. Valdacó. El modelo ateror se debe valdar medate la ejecucó de ua sere de expermetos ploto, e los que los resultados obtedos cocda co los prevsbles ate determadas codcoes cales. Por otra parte, s el sstema modelado es smlar a alguo ya exstete, se puede cotrastar el fucoameto del modelo co el del sstema real. Explotacó y dseño de expermetos. De acuerdo co los objetvos de la smulacó, se debe defr los expermetos a realzar. Para cada uo de ellos es ecesaro determar las codcoes cales, la logtud de la smulacó, el úmero de repetcoes y los resultados que se debe regstrar. Para aalzar los resultados de los dsttos expermetos se utlza téccas estadístcas. Los aálss típcos puede ser el establecmeto de límtes de cofaza para los valores obtedos de certas varables de estado o la comparacó y determacó del mejor de los resultados obtedos e la smulacó de varas alteratvas. Elaboracó de la documetacó e mplatacó de los resultados. Ya que los modelos de smulacó, a meudo, se utlza para más de ua aplcacó, es mportate o sólo el programa de ordeador, so també los supuestos bajo los cuales se ha costrudo el modelo. Es de destacar que, cuato mejor documetado y más verosíml sea u modelo de smulacó, más probabldad tedrá de ser utlzado, se drá que es más creíble..6. Vetajas de la smulacó Ya se ha cometado prevamete que la smulacó es ua técca cada vez más utlzada e el estudo de sstemas complejos. Etre los argumetos a favor de la utlzacó de la smulacó se ecuetra los sguetes: La mayoría de los sstemas complejos reales co elemetos estocástcos o se puede descrbr co sufcete precsó medate u modelo matemátco que se pueda resolver aalítcamete. Por lo tato, co frecueca la smulacó es el úco método posble de estudo de dchos sstemas. La smulacó permte estmar el comportameto de u sstema exstete bajo u cojuto prevsto de codcoes operatvas

9 Itroduccó a la smulacó de sstemas dscretos Medate la smulacó se puede comparar dseños alteratvos (o polítcas de operacó alteratvas para u determado dseño) para especfcar cuál es el que cumple de forma más adecuada co los objetvos formulados. E la smulacó se puede teer u cotrol mucho mejor sobre las codcoes del expermeto que s se realzase sobre el propo sstema. La smulacó permte estudar u sstema cuya evolucó es muy dlatada e el tempo (por ejemplo, u sstema ecoómco) e u perodo de tempo reducdo. Alteratvamete, també permte estudar de forma detallada la evolucó de u sstema e u corto perodo de tempo..7. Icoveetes de la smulacó La smulacó o sólo colleva vetajas, so que puede producr alguos coveetes. Etre ellos se ecuetra: Cada ejecucó de u modelo estocástco de smulacó da como resultado úcamete ua estmacó de las característcas o comportameto del modelo para u cojuto partcular de parámetros de etrada. Por lo tato, o bastará co la ejecucó del modelo ua sola vez, so que habrá que realzar ua sere de repetcoes para obteer ua muestra represetatva del fucoameto del sstema. E cosecueca, la decsó herete a la formulacó del problema deberá tomarse e base a dcha muestra y s el coocmeto de todas las posbles respuestas del modelo. Esto o ocurre s se puede resolver el modelo aalítcamete, ya que e este caso, se coocerá todas las respuestas del modelo. Por cosguete, s se dspoe de u modelo aalítco váldo que se pueda desarrollar s ua gra dfcultad, será preferble a u modelo de smulacó. Los modelos de smulacó, por regla geeral, cosume ua catdad elevada de recursos téccos y humaos durate u tempo prologado. La gra catdad de formacó que proporcoa los modelos de smulacó, así como la capacdad de persuasó que tee alguos paquetes co amacó gráfca, hace que, a meudo, se cofíe e exceso e los resultados que proporcoa. S u modelo de smulacó o proporcoa ua represetacó válda del sstema real, la formacó que sumstra puede o ser válda o, cluso, puede coducr a decsoes erróeas..8. Prcpales errores cometdos e la smulacó La expereca demuestra que exste ua sere de errores e los que frecuetemete se curre al realzar u estudo de smulacó. Etre ellos se puede destacar: No defr correctamete los objetvos del estudo. Fjar u vel de detalle adecuado e el modelo. Tratar el estudo de smulacó como s fuese prcpalmete u ejercco complcado de programacó

10 Itroduccó a la smulacó de sstemas dscretos Utlzar u software de smulacó comercal que o pueda reflejar de forma adecuada la lógca de fucoameto del modelo. Utlzar de forma adecuada la amacó. Determar de forma adecuada las fuetes de aleatoredad e el sstema real. Emplear fucoes de dstrbucó de probabldad dsttas a las correspodetes a los feómeos reales que se quere smular. Aalzar los datos resultates de la smulacó cosderado, e las fórmulas estadístcas utlzadas, que todos los valores so depedetes. Realzar u úmero de repetcoes meor del ecesaro y cosderar sgfcatvos los resultados obtedos..9. Smulacó de sstemas dscretos Es evdete que los sstemas productvos evolucoa a lo largo del tempo y, por lo tato, debe cosderarse dámcos. Por otra parte, auque determados sstemas productvos puede ser cosderados cotuos (por ejemplo, reactores químcos), la mayoría de los sstemas productvos tee característcas de sstemas dscretos, ya que los cambos de estado (recepcó de materas prmas, co y falzacó de la fabrcacó de lotes, etradas y saldas del almacé,...) se produce e states de tempo determados y separados etre sí. Por este motvo, estas otas se cetra e la smulacó de sstemas dámcos y dscretos. Mecasmos de avace del tempo Debdo a la aturaleza dámca de los modelos represetatvos de los sstemas productvos y logístcos, será ecesaro, durate la smulacó, llevar u regstro del valor actual del tempo smulado metras se desarrolla el expermeto de smulacó, así como u mecasmo para hacer avazar este tempo de u valor a otro. A la varable que determa el tempo actual e u expermeto de smulacó se le suele deomar reloj. Cuado se utlza u leguaje de ordeador de propósto geeral para realzar la smulacó, o se defe explíctamete las udades (horas, mutos,...) co las que va a trabajar el reloj, so que la udad de tempo correspode a la udad utlzada para las varables de etrada. Por otra parte, o suele exstr gua correspodeca etre la udad de tempo elegda y el tempo de ordeador ecesaro para ejecutar u expermeto de smulacó. Hstórcamete, se ha utlzado dos mecasmos dsttos para hacer avazar el tempo e la smulacó: tervalos de tempo varables e tervalos de tempo fjos. Itervalos de tempo varables Es el método más utlzado. Cosste e calzar el reloj a cero y determar los states de ocurreca de los sucesos de cada tpo más cercaos e el tempo. A cotuacó, se cremeta el tempo de reloj para hacerlo cocdr co el state de ocurreca del suceso más próxmo de - -

11 Itroduccó a la smulacó de sstemas dscretos etre todos los sucesos futuros. E este state se actualza las varables de estado del sstema (ya que se ha producdo u suceso y, por lo tato, se ha producdo u cambo de estado), se regstra los valores de terés para el expermeto y se determa los uevos states de ocurreca de los sucesos futuros (s es ecesaro). Ua vez realzadas las operacoes aterores, se vuelve a cremetar el tempo hasta el state de ocurreca del suceso más próxmo y se repte el proceso. Los pasos aterores se repte hasta que se alcace algua codcó determada o se llegue al tempo de smulacó fjado. E resume, el tempo avaza sempre desde u state e que se ha producdo u suceso hasta el próxmo state e que se va a producr u uevo suceso. Debdo a ello, los avaces e tempo o tee por qué teer la msma logtud. Es esquema sguete muestra la orgazacó de u expermeto de smulacó realzado bajo el efoque de tervalos de tempos varables. co Ruta de calzacó. Poer el reloj a cero. Icalzar el estado del sstema y las estadístcas 3. Icalzar la lsta de sucesos Programa prcpal. Llamar a la ruta de calzacó. Llamar a la ruta de tempo. Llamar a la ruta del suceso Ruta suceso. Determar el próxmo suceso. Avazar el reloj Ruta suceso. Actualzar el estado del sstema. Actualzar estadístcas 3. Geerar sucesos futuros y actualzar la lsta Lbrería de rutas Geerar varables aleatoras Ha termado la smulacó? NO SI Geerador de formes. Calcular resultados de terés. Escrbr formes f Fg. 4. Flujograma de la smulacó co tervalos de tempo varables Auque, como ya se ha dcado, la smulacó de sstemas dámcos e tempo dscreto se ha utlzado e ua gra catdad de aplcacoes, la mayoría de los modelos tee uos compoetes e comú, que so los sguetes: Estado del sstema: cojuto de varables de estado ecesaras para descrbr el sstema e u state determado de tempo. Reloj: varable que recoge el valor actual del tempo smulado. - -

12 Itroduccó a la smulacó de sstemas dscretos Lsta de sucesos: lsta que recoge el sguete state e que va a ocurrr cada tpo de suceso. Estadístcas: varables utlzadas para almacear formacó estadístca sobre el fucoameto del modelo. Ruta de calzacó: subprograma para calzar el modelo de smulacó e el state cero. Ruta de tempo: subprograma que determa el sguete suceso de la lsta de sucesos y avaza el reloj al state e que este suceso se produce. Ruta de sucesos: subprograma que actualza el estado del sstema cuado ocurre u tpo partcular de suceso (exste ua ruta de sucesos para cada tpo de sucesos). Lbrería de rutas: cojuto de programas utlzados para geerar observacoes aleatoras de las dstrbucoes de probabldad correspodetes a los sucesos aleatoros del modelo. Geerador de formes: subprograma que, a partr de las estadístcas, calcula las estmacoes de las meddas de fucoameto del modelo y produce u forme cuado ha termado la smulacó. Programa prcpal: subprograma que llama a la ruta de tempo para determar la ocurreca del próxmo suceso y trasfere el cotrol a la ruta de sucesos correspodete para actualzar adecuadamete el estado del sstema. També chequea la termacó del expermeto y llama al geerador de formes cuado el expermeto ha termado. Itervalos de tempo fjos Bajo este efoque, el reloj avaza e cremetos de exactamete Δt udades de tempo. Después de cada actualzacó del reloj, hay que realzar u chequeo para determar s ha ocurrdo algú suceso durate el tervalo Δt medatamete ateror. S ha ocurrdo uo o más sucesos e dcho tervalo, se cosdera que se ha producdo al fal del tervalo y el estado del sstema (y las estadístcas) se debe actualzar de acuerdo co este supuesto. Este procedmeto tee dos desvetajas prcpales; ua de ellas es debda a los errores que se comete al cosderar que los sucesos se produce al fal del perodo, y la otra es que s se produce dos o más sucesos e u Δt, ha de tomarse la decsó del orde e el cual se ha producdo s la realdad o permte cosderarlos smultáeos. Estos dos problemas se puede palar s se reduce la logtud del cremeto elemetal de tempo cosderado. S embargo, ua dsmucó de Δt colleva evtablemete u aumeto del tempo de ejecucó del modelo e el ordeador. Debdo a las cosderacoes aterores, el procedmeto de cremetos de tempo fjos o se suele emplear e modelos e los cuales los tervalos de tempo etre sucesos puede varar de forma cosderable. - -

13 Itroduccó a la smulacó de sstemas dscretos. Repaso de estadístca.. Itroduccó Los feómeos que so típcamete objeto de estudo so de carácter estocástco, por lo que la smulacó está muy lgada a la estadístca. E partcular, y como se dca e la fgura 5, a lo largo del desarrollo de u estudo de smulacó, la estadístca aparece de la sguete maera. Valdacó SISTEMA REAL Aálss de resultados Geeracó de varables aleatoras CONFIGURACIÓN MODELO... Test de ajuste CONFIGURACIÓN k Fg. 5. La smulacó y la estadístca Expermetacó E prmer lugar, se debe tratar de forma adecuada los datos hstórcos correspodetes a las varables de etrada para poder caracterzar de forma adecuada su comportameto. Ua vez hecho lo ateror, es ecesaro geerar valores de las varables de etrada coforme a la caracterzacó del comportameto ateror. Se debe estudar de forma adecuada el valor de las varables de salda para o extraer coclusoes erróeas o o represetatvas del comportameto del sstema. Se debe poder comparar de forma fable que los resultados que ofrece el modelo so parecdos a los que ofrece la realdad, para garatzar que el modelo represeta de forma adecuada la realdad. Es ecesaro dspoer de ua metodología que permta estudar cofguracoes alteratvas del sstema. E geeral, també puede ser teresate aalzar los factores que codcoa el comportameto de u sstema (dseño de expermetos, superfces de respuesta)

14 Itroduccó a la smulacó de sstemas dscretos.. Varables aleatoras Varables aleatoras Ua de las característcas más otables de la smulacó es la exsteca de feómeos o determstas que se debe represetar medate varables aleatoras. De ua varable determsta se sabe co certeza el valor que toma. Por el cotraro, de ua varable aleatora o se sabe co certeza el valor que toma, pero se cooce que puede tomar valores detro de u determado rago, de tal maera que exste ua determada probabldad de que la varable tome u determado valor detro de dcho rago o se cooce la probabldad de que dcha varable tome u valor determado o uo meor que dcho valor. De acuerdo co el tpo de valores que toma ua determada varable aleatora, se puede dferecar etre: Cotuas. Por ejemplo, la dstrbucó ormal, o la dstrbucó expoecal. Dscretas. Por ejemplo, la dstrbucó de Posso, o la dstrbucó bomal. Segú el orge de los datos, se puede dstgur etre varables: Empírcas, e la que la probabldad asgada a cada posble valor de la varable aleatora se formula a partr de observacoes del propo sstema objeto de estudo. Teórcas, dode la probabldad ateror se formula e térmos aalítcos y o procede de gú cojuto de observacoes de u sstema real. Fucó de dstrbucó, fucó de probabldad y fucó de desdad Para ua determada varable aleatora, se puede ofrecer dos tpos de fucoes para caracterzar el comportameto de dcha varable aleatora: Acumulada. Dada ua varable aleatora, la fucó de dstrbucó acumulada,, coocda como fucó de dstrbucó, relacoa cada posble valor de la varable aleatora co la probabldad de que dcha varable aleatora tome u valor meor o gual que aquél. Es decr: F( x) p( x) Putual. Segú se trate de ua varable dscreta o cotua, se habla de fucó de probabldad o de fucó de desdad, respectvamete. La fucó de dstrbucó de ua determada varable aleatora dscreta ofrece la probabldad de que la varable tome u determado valor, es decr: f ( x) p( x) Por su parte, dada ua varable aleatora cotua, se defe la fucó de desdad f (x) de la sguete maera:. f ( x), x - 4 -

15 Itroduccó a la smulacó de sstemas dscretos. f ( x) dx x 3. p( x) f ( t) dt Para el caso de las varables dscretas, la relacó etre la fucó de dstrbucó y la fucó de probabldad es la sguete: F ( x) p( x ) x < x E la fgura 6 se muestra u ejemplo de las gráfcas de las fucoes de dstrbucó y de probabldad de ua varable aleatora dscreta y la relacó etre las msmas Fg. 6. Fucó de probabldad y fucó de dstrbucó de ua varable aleatora dscreta E el caso de las varables aleatoras cotuas, la relacó etre la fucó de dstrbucó y la fucó de desdad es la sguete: f ( t) F( x) x dt E la fgura 7 se muestra u ejemplo de las gráfcas de las fucoes de dstrbucó y de probabldad de ua varable aleatora cotua y la relacó etre las msmas

16 Itroduccó a la smulacó de sstemas dscretos Fg. 7. Fucó de probabldad y fucó de desdad de ua varable aleatora dscreta.3. Meda y varaza Exste dferetes parámetros que resulta teresates para caracterzar varables aleatoras. E partcular, se preseta a cotuacó los dos más otables: la meda o esperaza matemátca, que permte caracterzar la tedeca cetral de la varable y la varaza que permte caracterzar la dspersó de los valores alrededor de la meda. La defcó es lgeramete dstta, segú se trate de ua varable dscreta o ua varable cotua. E partcular, la esperaza matemátca, E(x) se defe como: E ( ) xf ( x) dx, s la varable es cotua E ( ) x f ( x ), s es dscreta La varaza, var(), se defe de la sguete maera: ( ) x E( ) ( x E( )) var( ) f ( x) dx, s la varable es cotua var( ) f ( ), s es dscreta x.4. Varables aleatoras más comúmete utlzadas A cotuacó, presetamos las dstrbucoes de probabldad más comúmete empleadas e la smulacó, así como u lstado de las propedades más relevates de cada ua de ellas

17 Itroduccó a la smulacó de sstemas dscretos E prmer lugar, se dca alguas de las posbles aplcacoes de las dstrbucoes, y se defe las fucoes de desdad y de dstrbucó. Después, se descrbe los parámetros de cada dstrbucó, cluyedo sus posbles valores, y el rago al que las varables aleatoras asocadas puede perteecer y, falmete, se cluye las expresoes de la meda (valor esperado) y de la varaza. Dstrbucoes cotuas más frecuetemete utlzadas Uforme Expoecal Gamma Webull Normal Normal-logarítmca Beta Tragular Uforme, U (a,b) Utlzada como ua prmera aproxmacó a ua varable que varía aparetemete de forma uforme etre dos valores, a y b. La U(,) es la base para la geeracó de varables aleatoras. f(x) b a s a x b /(b-a) e otro caso a b Rago: [a,b] Meda: (a+b)/ Varaza: (b-a) / s x<a F(x) x a b a s a x b a b s b<x - 7 -

18 Itroduccó a la smulacó de sstemas dscretos Expoecal, Exp (β) Represeta, por ejemplo, el tempo etre llegadas de cletes a u sstema que sucede a ua tasa costate, o el tempo trascurrdo etre fallos de ua máqua. Rago: [, ) Meda: β Varaza: β Ej: f(x) co β f(x) e β x β s x F(x) e x β s x e otro caso e otro caso. Gamma (, β) Represeta el tempo para completar ua tarea, como por ejemplo, el tempo de servco a cletes o de reparacó de ua máqua

19 Itroduccó a la smulacó de sstemas dscretos Rago: [, ), β postvos Meda: β Varaza: β Gamma (,) F de dstrbucó: s < o tee forma cerrada, s es u etero postvo: f(x) β x e Γ ( ) x β s x> F(x) e x/ β j (x β ) j! j s x> e otro caso e otro caso Webull (, β) Represeta, por ejemplo, el tempo para completar ua tarea o el tempo hasta el fallo de ua máqua. Rago: [, ), β postvos Meda: β Γ Varaza: β Γ Γ Webull (,) f(x) β x (x β ) e s x> e otro caso F(x) e (x/ β ) s x> e otro caso - 9 -

20 Itroduccó a la smulacó de sstemas dscretos Normal ( μ, σ ) Represeta errores de dsttos tpos, o catdades que so la suma de u gra úmero de otras catdades. Rago: (-, ) μo acotada y σ postva Meda: μ Varaza: σ f ( x) πσ e ( xμ ) σ Normal (,) Normal-logarítmca (μ, σ ) Represeta, etre otros, el tempo para realzar ua tarea, o catdades que so el producto de u gra úmero de otras catdades. - -

21 Itroduccó a la smulacó de sstemas dscretos Rago: [, ) μo acotada y σ postva Meda: e Varaza: μ +σ / e μ + σ ( e σ ) f(x) x (l x μ ) σ πσ e s x> e otro caso LN (, σ ) Beta (, ) Se utlza para el modelado aproxmado e auseca de datos, o para represetar la dstrbucó del º de defectuosos e u lote, o el tempo para completar ua tarea. Beta (, ), postvos Rago: [,] Meda: Varaza: + ( + ) ( + + ) f(x) x ( x) B(, ) s x> e otro caso - -

22 Itroduccó a la smulacó de sstemas dscretos Tragular (a, b, c) Utlzada como ua prmera aproxmacó a ua varable e auseca de datos. /(b-a) Rago: [a,b] Meda: (a+b+c)/3 Varaza: (a + b +c -ab-ac-bc)/8 a c b x<a f(x) (x a) (b a)(c a) (b x) (b a)(b c) s a x c s c< x b F(x) (x a) (b a)(c a) (b x) (b a)(b c) s a x c s c< x b e otro caso s b<x Dstrbucoes dscretas más frecuetemete utlzadas Beroull Uforme dscreta Bomal Posso E este documeto hablaremos sólo de las dstrbucoes uforme dscreta y de la Posso. Uforme dscreta (, j) Se emplea, por ejemplo, para el modelado aproxmado e auseca de datos que aparetemete varía etre dos valores extremos. - -

23 Itroduccó a la smulacó de sstemas dscretos Rago:{,+,...j} /(j-+) Meda: (+j)/ Varaza: ((j-+) -)/ j f(x) j + s x {, +,...,j } e otro caso F(x) s x< x + j + s x j s j x Posso (λ) Represeta el úmero de evetos que ocurre e u tervalo de tempo cuado los evetos ocurre a ua tasa costate, como por ejemplo el úmero de pezas fabrcadas a la hora. f(x) x! Rago: {,,...} Meda: λ Varaza: λ e λ λ x s x {,,..} e otro caso F(x) s x< λ x λ e s x?!.5. Ajuste de datos. Test de la χ E ocasoes, como se dscutrá más adelate, se dspoe de u cojuto de datos hstórcos correspodetes a ua varable de etrada del modelo a partr de los cuales se desea geerar u úmero lmtado de valores para almetar u modelo de smulacó. Para ello, ua alteratva teresate es detfcar ua dstrbucó estadístca que se ajuste de maera adecuada - 3 -

24 Itroduccó a la smulacó de sstemas dscretos al cojuto de datos hstórcos y, ua vez detfcada, geerar valores de dcha dstrbucó. També se puede utlzar los test de ajuste para cofrmar que u cojuto de valores obtedos medate algú geerador se dstrbuye, efectvamete, como se desea que lo haga. Exste varas alteratvas para realzar ajustes. Los test más utlzados so los sguetes: Test de la χ, que se explca co detalle a cotuacó. Test de Kolomgorov-Smrov, que compara la fucó de dstrbucó empírca co la fucó de dstrbucó teórca para la que se está realzado el test de ajuste. Test de Aderso-Darlg, que es ua varate del ateror. El procedmeto más exteddo para realzar el proceso ateror es el test de la χ cuadrado. Co este test es posble comprobar s u cojuto de observacoes so ua muestra depedete de ua dstrbucó. Para ello, es ecesaro segur los sguetes pasos: Comprobacó de la depedeca de las observacoes Formulacó de la hpótess de cotraste Determacó del estadístco de cotraste Comprobacó de la depedeca de las observacoes Dadas las observacoes, es ecesaro comprobar, e prmer lugar, que se trata de u cojuto de observacoes depedetes, para lo cual puede ser sufcete ua comprobacó de carácter gráfco. S se represeta los pares de putos ( x, x + ) co, se puede aprecar gráfcamete s exste algú tpo de relacó etre ua observacó y la medatamete ateror o o. Por ejemplo, s se obtee ua gráfca como la de la zquerda de la fgura 8, se obtee ua ube de putos sufcetemete dspersa como para garatzar la depedeca de las observacoes. E el caso de la gráfca de la derecha, claramete, las observacoes está relacoadas lealmete. x x 5 5 Fg. 8. Nubes de putos correspodetes a observacoes o correlacoadas (zquerda) y a observacoes lealmete correlacoadas (derecha) - 4 -

25 Itroduccó a la smulacó de sstemas dscretos Formulacó de la hpótess de cotraste A partr de las observacoes es ecesaro realzar ua hpótess co respecto a la fucó de dstrbucó que se puede ajustar de forma adecuada. Para formular dcha hpótess, se realza ua represetacó gráfca de las observacoes. E cocreto, se dvde el rago de valores de las observacoes e u cojuto sufcetemete grade de tervalos y se costruye u hstograma dode cada barra represeta la frecueca relatva de observacoes que perteece a cada tervalo. A partr del hstograma, se puede formular hpótess sobre la posble dstrbucó. Por ejemplo, la fgura 9 podría correspoder a ua dstrbucó expoecal, metras que la fgura podría correspoder a ua dstrbucó Beta. Frecueca relatva Fg. 9. Hstograma de u cojuto de observacoes Frecueca relatva Fg.. Hstograma de u cojuto de observacoes Ua vez seleccoada la fucó de dstrbucó, es ecesaro caracterzarla, lo que sgfca estmar los parámetros de la msma. Por ejemplo, s a partr del hstograma parece probable que se trata de ua dstrbucó expoecal, será ecesaro estmar el parámetro β, s se trata de ua beta, será ecesaro estmar y

26 Itroduccó a la smulacó de sstemas dscretos Exste dversos métodos para la estmacó de parámetros. A cotuacó se preseta el método del estmador máxmo verosíml. S se supoe que u cojuto de datos provee de ua determada varable aleatora cotua, cuya fucó de desdad es f θ (x), dode θ es el parámetro de la dstrbucó, el estmador máxmo verosíml de u cojuto de observacoes x,, x es aquél que hace mímo el valor de la fucó máxmo verosíml, Γ(θ), que se defe de la sguete maera: Γ ( θ ) fθ ( x ) fθ ( x ) fθ ( x ) fθ ( x ) De forma aáloga, s se trata de ua varable aleatora dscreta cuya fucó de probabldad es p, la fucó toma la forma: Γ θ ( θ ) pθ ( x ) pθ ( x ) pθ ( x ) pθ ( x ) La forma de obteer el estmador máxmo verosíml, por lo tato, cosste e costrur la fucó máxmo verosíml, e gualar a cero su dervada co respecto al parámetro. De esta maera, se puede obteer los estmadores máxmo verosímles de las sguetes fucoes. FUNCIONES Uforme, U (a,b) Expoecal, Exp (β ) Webull (, β ) Normal (μ, σ ) Normal-logarítmca (μ, σ ) Uforme dscreta (,j) Posso (λ ) ˆ ESTIMADORES MÁIMO VEROSÍMILES â μ ˆ m l ( 6 ) ( l ) π î m k k bˆ β ˆ () ˆ λ l μ ˆ () σ ˆ σˆ ( ) ĵ max I I ( x β ˆ max k (l x ˆ x()) k x ( )) ˆ Tabla. Estmadores máxmo verosímles de los parámetros de las fucoes de alguas varables aleatoras Falmete, se formula la hpótess ula, H, que se pretede cotrastar: Los datos x,, x so valores depedetes e détcamete dstrbudos correspodetes a ua varable aleatora co ua fucó de desdad f(x) de parámetros, β

27 Itroduccó a la smulacó de sstemas dscretos Determacó del estadístco de cotraste Ua vez obtedo el parámetro de la fucó de dstrbucó, se costruye el estadístco de cotraste. Para ello se dvde el rago de valores de las observacoes e u cojuto de k tervalos de tal maera que la probabldad de que ua observacó perteezca a u determado tervalo sea /k, es decr, se trata de que los tervalos sea equprobables. E geeral, la probabldad de que ua observacó caga e u determado tervalo será p y, s es posble, se tratará de que p p k,, j j / Ua vez obtedos los tervalos, se calcula el estadístco de cotraste, χ,que vee dado por la sguete expresó: exp Dode: χ exp k j ( O E ) E O represeta el úmero de observacoes reales que perteece a dcho tervalo E represeta al úmero teórco de observacoes que debería perteecer a dcho tervalo y, por lo tato, es gual a p N es el úmero total de observacoes Por otro lado, se calcula el valor de estadístco teórco, χ ( c, ) k, dode c es el úmero de parámetros estmados, es decr, el valor para el cual, la probabldad de que ua dstrbucó χ co k-c grados de lbertad tome dcho valor o uo meor sea.. S se cumple que χ exp > χ ( k c, ), se rechaza la hpótess ula, e caso cotraro, o hay evdeca estadístca para rechazarla..6. Itervalos de cofaza Debdo al carácter estocástco de las varables de etrada de los modelos de smulacó, es atural, que las varables de salda sea, gualmete, varables aleatoras, de maera, que e dferetes ejecucoes del modelo se obtedrá dferetes valores para cada ua de las varables. U valor especalmete teresate es el de la meda de dchas varables. Co el cálculo de u tervalo de cofaza para la meda de ua determada varable de salda, se obtee u tervalo del que se pude afrmar que la meda de la varable de salda está coteda e él co ua determada probabldad. La formacó que ofrece dcho tervalo será tato mayor cuato meor sea su ampltud y cuato mayor sea la probabldad de que, efectvamete, cotega a la meda. Sea la varable aleatora [ ( ) μ] Z σ / - 7 -

28 Itroduccó a la smulacó de sstemas dscretos y F(z) su fucó de dstrbucó para ua muestra de tamaño ; es decr: F (z)p (Z z) el teorema cetral del límte dce que, s es sufcetemete grade, etoces la varable aleatora Z sgue ua fucó de dstrbucó Normal [,], depedetemete de la dstrbucó que tega la varable aleatora. Vsto de otro modo, para ua tamaño de muestra,, elevado, la muestra de la meda, () sgue aproxmadamete ua dstrbucó Normal, co meda μ y varaza σ /. La dfcultad de utlzar los resultados aterores provee de que, ormalmete, la varaza σ es descoocda. S embargo, como la varaza de la muestra S () coverge haca σ cuado aumeta, el teorema cetral del límte sgue sedo certo s se susttuye σ por S () e la expresó de Z y, por tato, [ ( ) μ] S ( ) sgue ua dstrbucó N[,]. Por lo tato, acudedo a las tablas de la dstrbucó Normal se puede establecer u tervalo de cofaza para el valor obtedo de la meda. Es decr, s se establece u tervalo de cofaza de (-a) para μ, etoces: P z ( ) μ z S ( ) P( ( ) z ( ) μ ( ) + z S S ( ) ) Dcho de otro modo, exste ua probabldad de (-a) de que μ esté compreddo etre los valores: ( ) ± z S ( ) Cuado el úmero de observacoes o es sufcetemete elevado, el teorema cetral del límte o se puede aplcar. E este caso, s se cosdera que las varables sgue ua dstrbucó Normal, etoces la varable [ ( ) μ] t S ( ) - 8 -

29 Itroduccó a la smulacó de sstemas dscretos Sgue ua dstrbucó t de Studet co - grados de lbertad. E este caso, el procedmeto de establecer u tervalo de cofaza para el valor de la meda será smlar al caso ateror, salvo que habrá que utlzar las tablas de la dstrbucó t. E la lteratura sobre el tema se cosdera que u valor de 3 ya permte aplcar el teorema cetral del límte..7. Comparacó de alteratvas Ua vez vsto el procedmeto para evaluar los resultados de u expermeto de smulacó, se está e dsposcó de comparar dos o más alteratvas (es decr, los resultados de la smulacó de dos o más sstemas alteratvos) y seleccoar la mejor de ellas. Se puede dar tres casos dsttos: Comparacó de dos alteratvas. Comparacó de varas alteratvas co ua de refereca. Comparacó de varas alteratvas y seleccó de la mejor de ellas. Comparacó de dos alteratvas Supogamos que se ha realzado repetcoes del expermeto de smulacó para cada ua de las dos alteratvas que se desea comparar. Sea:,,,, 3 3,...,,..., los resultados obtedos para las alteratvas y respectvamete, y μ y μ las medas de sus varables correspodetes. Se puede defr la varable Z como la dfereca etre los valores de la alteratva y de la alteratva, es decr: Z j j j para j,,3 Estos valores de Z j so varables aleatoras depedetes y está détcamete dstrbudas. A partr de la varable Z se puede costrur u tervalo de cofaza para la varable ξ μ μ, es decr, para la dfereca de las medas de las varables estudadas. Para ello, e prmer lugar habrá que calcular la meda y la varaza de Z : Z( ) j Z j - 9 -

30 Itroduccó a la smulacó de sstemas dscretos Var [ Z( ) ] j [ Z Z( ) ] j ( ) Del msmo modo que se vo e el apartado ateror, se obtee u tervalo de cofaza de aproxmadamete (-) medate la expresó: Z( ) ± t. Var[ Z( )] Su terpretacó es la sguete: la comparacó es sgfcatva s el tervalo o cotee a y, por el cotraro, o es sgfcatva s el tervalo cotee a. Comparacó de varas alteratvas co ua de refereca Sea la alteratva de refereca o base y, 3, k el resto de alteratvas que se quere comparar co ella. Es evdete que, utlzado reteradamete el procedmeto descrto e el apartado ateror, se puede realzar la comparacó por separado de cada ua de las alteratvas,3, k co la. Esto mplca la comparacó de k- parejas de alteratvas. Ua opcó al método ateror cosste e fjar smultáeamete tervalos de cofaza, a u vel global de (-a) para las k- comparacoes. Para ello es ecesaro aplcar la desgualdad de Boferro, que dce que hay que costrur tervalos dvduales para las dferetes comparacoes de las medas ( μ μ, μ3 μ,, μ k μ) co u vel. k Ua vez costrudos los k- tervalos de cofaza dvduales, s gú tervalo de cofaza para las dferecas de las medas ( μ μ) cotee el valor, etoces se puede decr que todas las alteratvas dfere de la co u vel global de sgfcaca de (-a). S u tervalo de cofaza para ( μ μ) cotee el valor de, se puede decr que o exste dfereca sgfcatva de la alteratva co respecto a la alteratva. Seleccó de la mejor de k alteratvas Supogamos que se ha realzado repetcoes del expermeto de smulacó para cada ua de las k alteratvas que se desea comparar. Sea k,,, k,,, 3 3, k 3,, k - 3 -

31 Itroduccó a la smulacó de sstemas dscretos los resultados obtedos para las alteratvas,, k respectvamete, y μ, μ, μ k las medas de sus varables correspodetes, es decr, μ E ). ( j S el objetvo de la seleccó es hallar la alteratva que proporcoe u resultado meor, y se deoma μ al -ésmo valor más pequeño de los μ, es decr: μ μ μ el proceso de seleccó cosstrá e hallar precsamete μ. La aleatoredad herete a los valores j obtedos hace que o se pueda teer la absoluta segurdad de que la seleccó efectuada sea la correcta. S embargo, sí se puede especfcar de atemao la probabldad de que la seleccó que se haga sea la correcta. S los dos valores más pequeños obtedos e las estmacoes de las medas de los expermetos, μ y μ, está muy cercaos, carecerá de mportaca la seleccó erróea de μ e vez de μ. Por lo tato, será coveete utlzar u método de seleccó que evte hacer u úmero muy elevado de teracoes para resolver ua dfereca poco mportate. De acuerdo co las cosderacoes aterores, el objetvo del problema será seleccoar ua alteratva que, co ua probabldad míma P cumpla la codcó μ μ d. El procedmeto que se dca a cotuacó tee la propedad de que, co ua probabldad de, al meos P, la respuesta esperada de la alteratva seleccoada o será mayor que μ + d. Esto quere decr que exste ua proteccó (co ua probabldad de, al meos P ) cotra la seleccó de ua alteratva cuya meda sea ua catdad d peor que la del mejor de los sstemas. El procedmeto precsa la especfcacó por parte del aalsta de los valores de P y d e mplca u muestreo e dos etapas para cada uo de los k sstemas aalzados. k Prmera etapa Cosste e realzar u úmero fjo de repetcoes o replcacoes para cada alteratva y utlzar los resultados obtedos para estmar cuátas repetcoes más hay que efectuar e la seguda etapa. Es ecesaro asumr que los valores j está ormalmete dstrbudos, pero o que los valores de σ Var( j ) sea coocdos, que los valores de σ sea guales para dferetes alteratvas. Se hace, por tato, replcacoes de cada ua de las k alteratvas y se defe las medas y las varazas de la prmera etapa del sguete modo: - 3 -

32 Itroduccó a la smulacó de sstemas dscretos S () ( ) ( ) j j j [ j j () ( ) ] para,, k A cotuacó, se calcula el úmero total de repetcoes, ecesaro realzar para cada alteratva medate la expresó: N max o h +, ( ) S ( ) d N t, que es dode: x dca el meor úmero etero que es mayor o gual al úmero real x. h se obtee de la tabla sguete, y depede de k, P y : P k k 3 k 4 k 5 k 6 k 7 k 8 k 9 k Tabla. Seguda etapa Para cada alteratva, se realza N repetcoes más y se halla sus medas: ( ) ( N ) Nt j j + N A cotuacó se defe los sguetes pesos: N W + N hl S W W ( N )( d ) ( ),, k Por últmo, se defe las medas poderadas de las muestras como: ( N ) W ( ) ( ) ( ) ( N ) + W para - 3 -

33 Itroduccó a la smulacó de sstemas dscretos y se seleccoa la alteratva co u valor meor de N ). Es de destacar que, e la lteratura sobre el tema, se recomeda que el úmero de repetcoes e la prmera etapa,, sea como mímo, ya que, s o es así, se obtee ua defcete estmacó de la varaza de la varable. E el setdo opuesto, s toma u valor muy elevado, se puede realzar más repetcoes de las ecesaras para algua alteratva, co el cosguete coste de tempo y recursos que ello mplca. ( 3. Dseño de u modelo de smulacó 3.. Itroduccó E el apartado.5 se ha presetado las fases de u estudo de smulacó completo. E este capítulo se descrbe co mayor detalle alguas de estas fases o alguas cosderacoes ecesaras e alguas de las fases. 3.. Formulacó del problema y modelo coceptual Al realzar u estudo de smulacó es ecesaro defr el sstema (es el cojuto de elemetos que se va a clur e el modelo y, por exclusó, lo que queda fuera del modelo) y los objetvos que se pretede cosegur co el estudo. Estas tareas so especalmete mportates por las sguetes razoes: E prmer lugar, para que el vel de detalle del modelo sea el adecuado. No covee que el detalle sea ta pobre que o se poga de mafesto los feómeos relevates del sstema, pero tampoco es teresate que el vel de detalle sea mayor del ecesaro. E el prmer caso, auque el desarrollo pueda ser o muy costoso, los resultados será poco fables y el modelo útl. E el segudo, el vel de detalle puede o aportar formacó adcoal teresate, mplcará cas co toda segurdad u tempo total de desarrollo mayor y, falmete, se traducrá e u modelo formátco más leto. E segudo lugar, la defcó clara de los objetvos y la defcó precsa del problema faclta la geeracó de alteratvas potecalmete más teresates y evta el estudo de alteratvas meos atractvas. Falmete, permte establecer las varables de salda adecuadas, para evaluar de forma correcta la efcaca y la efceca del sstema e dferetes crcustacas, además de facltar que su estudo e térmos estadístcos sea el adecuado. E la elaboracó del modelo coceptual (y para su posteror clusó e el modelo formátco), debe quedar claramete defdos los parámetros de dseño y las varables tato de etrada como de salda

34 Itroduccó a la smulacó de sstemas dscretos Varable de etrada. Las varables de etrada so aquellas que correspode a feómeos del sstema real sobre las que o se tee gú cotrol. Por ejemplo, el úmero de cletes que llega a ua gasolera, el producto que demada, el volume de demada de u producto, etc. Parámetro de dseño. Los parámetros de dseño represeta aquellas característcas del sstema sobre las que se tee cotrol y que determa la cofguracó del sstema. Puede ser parámetros de dseño, el úmero de surtdores que se dedca a cada producto e ua gasolera, el úmero de operaros que se desta a certo cojuto de operacoes, la máqua que se emplea para realzar ua determada operacó. Depededo de la aturaleza del estudo, u determado feómeo puede ser ua varable de etrada o u parámetro de dseño. Por ejemplo, durate la fase de dseño de ua líea de motaje, el tempo de operacó de ua determada máqua puede ser u parámetro de dseño, ya que e el estudo se cosdera dferetes tpos de máqua, cada ua de ellas co u tempo de operacó dstta. S, e cambo, el estudo de la smulacó se refere a la defcó de puestos de trabajo y asgacó de resposabldades a operaros e ua líea ya motada y s posbldad de operacó a corto plazo, el tempo de operacó de las máquas se cosderará varables de etrada del modelo. Varable de salda. Falmete, a partr de las varables de etrada y de los parámetros de dseño del modelo y de las relacoes que se establece etre dferetes elemetos del modelo, se obtee valores para las varables de salda, que so aquellas que, geeralmete, permte caracterzar el sstema para ua determada cofguracó y que está estrechamete lgadas a los objetvos del estudo. Por ejemplo, el tempo total de espera e ua ofca de atecó puede ser ua varable de salda. Igualmete, la produccó dara de ua plata puede ser ua varable de salda Recogda, aálss y geeracó de datos de etrada Para smular el comportameto de u determado sstema se ecesta almetar el modelo co dferetes valores de las varables de etrada (por ejemplo, los tempos de llegada etre cletes a u baco, el úmero de pezas de cada peddo que llega a ua plata de produccó, etc.) E ocasoes, o se dspoe de datos hstórcos de las varables de etrada (porque o se ha recoplado, porque o ha exstdo la oportudad de recogerlos, etc.) Cuado esto ocurre, covee almetar el modelo co algua dstrbucó teórca de la que es razoable que tee algú parecdo co la realdad. Por supuesto, los resultados será tato más fables cuato más acertada sea la eleccó. S, e cambo, se dspoe de datos hstórcos, exste tres alteratvas: Almetar el modelo co los datos hstórcos tal y como se ha recogdo. Esta alteratva es teresate desde el puto de vsta de la valdacó del modelo, es decr, para cofrmar que el modelo represeta de forma adecuada el sstema estudado. Efectvamete, s se dspoe de u cojuto de valores para las varables de etrada del modelo y de los

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl

Más detalles

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL EL PROGRAMA ESTADÍSTICO SPSS . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El

Más detalles

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA SILABUS DE CABLEADO ESTRUCTURADO I. INFORMACION GENERAL CARRERA PROFESIONAL : ELECTRONICA INDUSTRIAL MODULO PROFESIONAL : SISTEMAS DE CONTROL DE PROCESOS INDUSTRIALES Y COMUNICACIONES. UNIDAD DIDACTICA

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

Estudio de eventos extremos enfocado a seguros y finanzas

Estudio de eventos extremos enfocado a seguros y finanzas Cuestoes Ecoómcas Vol. 0 No :3004 Estudo de evetos extremos efocado a seguros y fazas KLEVER MEJÍA ADRIANA UQUILLAS * Resume Muchos campos de la ceca modera y la geería tee que ldar co evetos que so poco

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO RESOLUCIÓN OENO 0/005 GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO LA ASAMBLEA GENERAL, Vsto el artículo, párrafo

Más detalles

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles