UNIDAD IV.

LENGUAJES DE SIMULACIN
TEMARIO
4.1 Lenguaje de simulacin y simuladores
4.2 Aprendizaje y uso del lenguaje de simulacin o un simulador
4.3 Casos prcticos de simulacin
4.3.1 Problemas con lineas de espera
4.3.2 Problemas con sistemas de inventario
4.4 Validacin de un simulador
4.4.1 Pruebas parametricas (Validacin del modelo, pruebas de hipotesis y
pruebas de estimacin).
4.4.2 Pruebas no parametricas

1.)LENGUAJE DE SIMULACION Y SIMULADORES

En un principio, los programas de simulacin se elaboraban utilizando algn

lenguaje de propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A
partir de la dcada de 1960 hacen su aparicin los lenguajes especficos
para simulacin como GPSS, GASP, SIMSCRIPT, SLAM. En la ltima dcada
del siglo pasado la aparicin de las interfaces grficas revolucionaron el
campo de las aplicaciones en esta rea, y ocasionaron el nacimiento de los
simuladores.
En lo prctico, es importante utilizar la aplicacin que mejor se adece al
tipo de sistema a simular, ya que de la seleccin del lenguaje o simulador
depender el tiempo de desarrollo del modelo de simulacin. Las opciones
van desde las hojas de clculo, lenguajes de tipo general (como Visual
Basic, C++ o Fortan), lenguajes especficos de simulacin (como GPSS,
SLAM, SIMAN, SIMSCRIPT, GAS y SSED), hasta simuladores especficamente
desarrollados para diferentes objetivos (como SIMPROCESS, ProModel,
Witness, Taylor II y Cristal Ball).

2.)APRENDIZAJE Y USO LENGUAJE DE SIMULACINO SIMULADOR

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin

de simulaciones de sistemas complejos del mundo real. Los lenguajes de
simulacin son similares a los lenguajes de programacin de alto nivel pero
estn especialmente preparados para determinadas aplicaciones de la

simulacin. As suelen venir acompaados de una metodologa de

programacin apoyada por un sistema de smbolos propios para la
descripcin del modelo por ejemplo mediante diagramas de flujo u otras
herramientas que simplifican notablemente la modelizacin y facilitan la
posterior depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las

caractersticas necesarias para la programacin de un modelo de
simulacin, lo que redunda en una reduccin significativa del esfuerzo
requerido para programar el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de
simulacin. Los bloques bsicos de construccin del lenguaje son mucho
ms afines a los propsitos de la simulacin que los de un lenguaje de tipo
general.
Los modelos de simulacin son mucho ms fcilmente modificables.
Proporcionan muchos de ellos una asignacin dinmica de memoria durante
la ejecucin,.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuracin de errores sintcticos y de otro tipo de
errores, la generacin de escenarios, la manipulacin on-line de los
modelos, etc.
Son muy conocidos y en uso actualmente
Aprendizaje lleva cierto tiempo
Simuladores de alto nivel
Muy fciles de usar por su interface grfica
Restringidos a las reas de manufactura y comunicaciones
Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS,

DYSAC, DSL , GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL( Continuous
System Simulation Language) , CSMP, ACSL ( Advanced Conrinuous
Simulation Language), DARE-P and DARE-Interactive, C-Simscript, SLAM,
SIMAN, SIMNON, SIMSCRIPT-II-5, ADA, GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de
propsito general como es el caso de SLAM o SIMAN que dependen de
Fortran para las subrutinas.

Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de

propsito especial, altamente estructurado que esta orientado a la
transaccin, un caso especial de una orientacin basada en procesos ms
general. El GPSS fue diseado para la simulacin simple de sistemas de
colas tales como trabajos de taller. A diferencia de los otros lenguajes de
simulacin, GPSS tiene varias implementaciones incluyendo GPSS/H y
GPSS/PC, ambos de los cuales sern discutidos mas adelante. El SIMAN V,
SIMSCRIPT II.5, y el SLAM son lenguajes de simulacin de alto nivel que
tienen constructor especialmente diseados para facilitar la construccin de
modelos. Estos lenguajes proveen al analista de simulacin con una opcin
orientacin basada en procesos o basada en eventos, o un modelo usando
una mezcla de las dos orientaciones. A diferencia del FORTRAN, estos tres
lenguajes proveen la administracin de la lista de eventos futuros,
generador interno de variables aleatorias, y rutinas internas para la
obtencin de estadsticas (estas caractersticas para las implementaciones
del GPSS mencionadas previamente.) Se pueden lograr calculo complejos en
ambas implementaciones del GPSS y estos tres lenguajes. El SIMAN,
SIMSCRIPT II.5, y el SLAMSYSTEM proveen la capacidad de realizar
simulacin continua ( esto es, para modelar sistemas que tengan
continuamente cambios en sus variables de estado) pero este tema no esta
dentro del alance de este libro.
El SIMAN esta escrito en C, aunque las primeras versiones del lenguaje fue
escrito en FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio ambiente
del ARENA. El SLAMSYSTEM contiene al lenguaje de simulacin SLAM II. El
SLAM II esta basado en el FORTRAN y contiene al lenguaje GASP como un
subconjunto. El GASP es un conjunto de subrutinas en FORTRAN para
facilitar las simulaciones orientadas al objeto escritas en FORTRAN. El
SIMSCRIPT II.5 por otro lado, contiene un subconjunto de un completo
lenguaje cientfico de simulacin comparable con el FORTRAN, C o C++. El
MODSIM III es un descendiente del lenguaje que la compaa de productos
CACI originalmente diseado por la armada de los Estados Unidos. Hereda
mucha de su sintaxis del MODULA-2 y del ADA, ciertas caractersticas del
ADA y sus conceptos de simulacin del SIMSCRIPT y el SIMULA. Algunas de
las caractersticas de la simulacin orientada al objeto fueron originalmente
vistas en el SIMULA y el SMALLTALK.

CASOS PRACTICOS DE SIMULACIN

Un caso practico de una simulacin podemos decir en esta parte, la

simulacin del Mtodo de Monte Carlo.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en
la generacin de nmeros aleatorios por el mtodo de Transformacin
Inversa, el cual se basa en las distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).
Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo
a las clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no
es directamente el resultado de la simulacin o tenemos relaciones entre
variables es la siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias
relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin)
y registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente
representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o
utilizacin del algoritmo son:

El sistema debe ser descripto por 1 o ms funciones de distribucin

de probabilidad (fdp)

Generador de nmeros aleatorios: como se generan los nmeros

aleatorios es importante para evitar que se produzca correlacin entre los
valores mustrales.

Establecer lmites y reglas de muestreo para las fdp: conocemos que

valores pueden adoptar las variables.

Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el

modelo a simular.


Estimacin Error: Con que error trabajamos, cuanto error podemos
aceptar para que una corrida sea vlida?

Tcnicas de reduccin de varianza.

Paralelizacin y vectorizacin: En aplicaciones con muchas variables

se estudia trabajar con varios procesadores paralelos para realizar la
simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda
aleatoria y queremos ver que sucede con el promedio de la demanda en
varias iteraciones:

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cual es
el valor obtenido de unidades cuando se genera un nmero aleatorio a
partir de una distribucin continua uniforme. Este mtodo de generacin de
variable aleatoria se llama Transformacin Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada da, interesndonos en este caso como es el orden de
aparicin de los valores. Se busca el nmero aleatorio generado en la tabla
de probabilidades acumuladas, una vez encontrado( si no es el valor exacto,
ste debe se menor que el de la fila seleccionada pero mayor que el de la
fila anterior), de esa fila tomada como solucin se toma el valor de las
unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del
intervalo para busca en las acumuladas, para poder emplear la funcin
BUSCARV(), para 42 sera 0, para 43 0,100001 y as sucesivamente).
Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52, a qu
valor de unidades corresponde? Nos fijamos en la columna de frecuencias
acumuladas, ese valor exacto no aparece, el siguiente mayor es 0,70 y
corresponde a 48 unidades. Se puede apreciar mejor en el grfico, trazando
una recta desde el eje de la frecuencia hasta que intersecta con la lnea de
la funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un
intervalo o salto para cada variable( para casos prcticos hay que definir los
intervalos y luego con una funcin de bsqueda hallar el valor). Para
funciones continuas se puede hallar la inversa de la funcin acumulada. De
esta forma logramos a partir de la distribucin de densidad calcular los
valores de
la variable aleatoria dada.

En la siguiente tabla, vemos como a medida que aumenta el numero de

simulaciones, el valor simulado se acerca al valor original de la media y
desviacin estndar, adems de la disminucin del error tpico.

PROBLEMAS CON LINEA DE ESPERA

Simulacin de una lnea de espera con una fila y un servidor

Un sistema de colas estara definido cuando tengamos la siguiente

informacion acerca de este:
Distribucion de probabilidad de los tiempos de servicio
Distribucion de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizara el modelo de lineas de espera que se
muestra en la figura siguiente. Como se puede apreciar, es un modelo
bastante simple donde la disciplina de atencin es FIFO (primero en llegar,
primero en salir).

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una

distribucion exponencial aunque con parametros diferentes, para el caso del
tiempo entre llegadas tenemos =15 y para el tiempo de servicio tenemos
=10.
Aplicando el metodo de la transformada inversa a la distribucion
exponencial (consultar Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponecial, _ es un
numero aleatorio entre cero y uno y es la media de la distribucion. Para la
implementacion del sistema descrito en Excel, abra una nueva hoja de
calculo y configurela como se muestra en la figura.
En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda
B23. Repita este procedimiento para la columna G. En el paso anterior, se
definio los numeros aleatorios a partir de los cuales se generaran las
observaciones de variables aleatorias de la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la
celda C23.

Como se puede apreciar, esta es la formula descrita anteriormente para

obtener observaciones de una variable exponencial. En este caso, se estan
generando observaciones para la variable aleatoria de tiempos entre
llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la
primera llegada al sistema, su tiempo de llegada (en el instante de tiempo
en el que llego al sistema), sera igual a su tiempo entre llegadas. Sin
embargo, para la celda D9 la formula correspondiente es =C9+D8, ahora
arrastre la formula de D9 hasta D23; esta formula significa que despues de
que llega el primer cliente, el instante de tiempo en el que cualquier otro
cliente llega al sistema sera el instante de tiempo en el que entro el
penltimo cliente sumado el tiempo entre llegadas del ltimo cliente, es
decir, si el penultimo cliente entro al sistema en el instante t=4, y el tiempo
entre llegadas del ultimo cliente es dt=2, entonces este ultimo cliente
entrara realmente al sistema en t=6.

La formula correspondiente a la celda E8 es =D8, esto significa que, al ser

primer cliente, el instante en el que llega al sistema sera el mismo instante
en el que comienza el servicio; mas adelante se presenta las formulas
correspondientes al resto de clientes del sistema en esta columna. Ahora en
la celda F8 escriba la formula =E8-D8 y arrastrela hasta la celda F23, esto
corresponde al tiempo de espera del cliente antes de comenzar a ser
atendido, note que D8 nunca sera mayor que E8 ya que el valor minimo que
puede tomar el tiempo de comienzo del servicio es el tiempo de llegada, es
decir, cuando un cliente llega al sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la
celda H23, esta formula indica cuanto tiempo tardara el servidor atendiendo
al cliente actual. Ahora en la celda I8 escriba la formula =E8+H8, esta
formula indica el instante de tiempo en el que servidor termina de atender
al cliente actual y corresponde a la suma entre el instante que comienza el
servicio y la cantidad de tiempo que este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su
posicion E8, esto porque primero se requeria definir otros valores antes de
poder determinar el instante en el que empieza realmente el servicio. En un
sistema como el aqui presentado se pueden tener dos casos para el tiempo
de comienzo del servicio, en primer lugar puede que el servidor se
encuentre desocupado, en este caso el tiempo de comienzo del servicio sera
igual al tiempo de llegada al sistema y no habra tiempo de espera. Sin
embargo, si el servidor se encuentra ocupado, el tiempo de comienzo del
servicio sera igual al maximo entre el instante en que el servidor termine de
atender al cliente actual y el tiempo de llegada al sistema; por si el tiempo
de fin del servicio del cliente actual es igual a tfs=12 pero el tiempo de
llegada del prximo cliente es tll=14, el tiempo de comienzo del servicio del
proximo cliente sera t=14 y el servidor tendra un ocio dt=2; por otro lado, si
tfs=13 para el cliente actual y el proximo cliente tiene un tll=10, el servidor
no tendra ocio y el proximo cliente debera esperar un intervalo de tiempo
dt=3. De lo anterior se concluye que la formula para la celda E9 debe ser
=MAX(D9;I8), ahora arrastre esta formula hasta la celda E23.

Hasta este punto se tiene una simulacion de un sistema de lineas de espera

con una fila y un servidor, si se desea generar nuevas observaciones
presione la tecla F9; como tarea al lector se deja el calculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacion en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2. Tanto el tiempo entre
llegadas como los tiempos de servicio, se distribuyen exponencial con los
parametros que se muestran a continuacion.
Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63

VALIDACIN DE UN SIMULADOR

Aqu vamos a mostrar como se valido el correcto funcionamiento de un

simulador con demanda y tiempo de espera, determinsticos. Para ver mas
detalladamente sigue el enlace propuesto:
https://www.dropbox.com/s/d1i7ft47b6ubu1t/validacion%20simulador.pdf?m

PRUEBAS PARAMETRICAS (VALIDACIN DEL MODELO, PRUEBAS DE

HIPOTESIS Y PRUEBAS DE ESTIMACIN)

Validacin del modelo

Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
2) Delimitacin del sistema
3) Formulacin del modelo

4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
Consiste en la identificacin y captacin de los datos que requiere el
modelo, de acuerdo a la formulacin que se haya hecho en las etapas
anteriores del diseo.
Los datos son para:

Las relaciones funcionales, ya sea para determinar la forma de stas,

completar su forma o expresin, o para precisar algn parmetro que en
ella se tenga.

Las variables estocsticas, que de ellas se deber determinar su

funcin de distribucin de probabilidades, tanto para variables continuas
como discretas.

Las relaciones funcionales podran ser, rectas obtenidas por regresin

lineal o ajuste de curvas.

En las relaciones funcionales se debe fijar todos los parmetros que

tenga; a menos que se haya dejado como una variable de entrada al
simulador.
Los datos a usar pueden ser:
Datos empricos
Datos obtenidos con distribucin tericas.
El usar datos empricos es en general ms conveniente, pero puede implicar
que el modelo quede influido por factores que se dieron en el tiempo de
gestacin de ellos y no vuelvan a repetirse.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de
programacin disponible en el computador a usar o en las configuraciones
disponibles, y que debe conocer su programacin. Luego que se tiene el
programa fuente del modelo, escrito en el lenguaje elegido, probarlo y
depurarlo desde el punto de vista computacional, hasta obtener una versin
satisfactoria.
VI. Validacin

Es esta etapa se trata de establecer, y si es posible aumentar, el nivel

aceptable de confiabilidad de las inferencias efectuadas sobre el sistema
real.
La validacin tiene el concepto de grado, no es un resultado dicotmico, no
es un si o no, no es vlido o invlido, no es correcto o incorrecto.
Fuentes de error
En la formulacin del modelo:
Que se excluya variables relevantes, o un atributo (esto es ms dramtico).
Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para una
variable.
Mal establecimiento de alguna relacin funcional o de los parmetros del
modelo.
En los datos usados
Toma de datos con margen de error relativo importante.
Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un
sector no representativo.
Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin
Errores en los programas (de lgica, mal uso del lenguaje).
El tiempo real se simula mal.
Uso de una imagen no adecuada del mundo real. (Usar matrices de punto
para territorios, lagos, bosque, cardumen, conglomerados; en lugar del
espacio R2 por ej.)
La validacin consiste en 2 etapas:
Validacin de los modelos de procesos simples; esto es validar la estructura
interna del modelo.
Se valida la salida de los procesos simples y en ello se hace uso de tcnicas
de estadstica. Las relaciones funcionales tambin deben validarse. Puede
hacerse cuando se establece el modelo o en la toma de datos .No debe
tomarse relaciones funcionales desconocidas, o que no tengan ya un grado
de validez aceptable. Siempre ser posible validar las componentes o
subsistemas porque se habrn construido de manera modular para formar
el modelo. En esta etapa se observar el comportamiento del modelo en
cada uno de esos procesos simples para asegurarse que cada componente o
subsistema esta bien simulado.
Validar el modelo de simulacin en su entorno, esto es validar los datos de
salida.

Puede ser que la validez de la estructura sea buena, pero el resultado

combinado de los procesos simples sea casi mala.
Confrontar los resultados de la simulacin con las experiencias pasadas y
con teoras existentes al respecto:
No tomar posturas como: los resultados no me parecen correctos, pero si el
modelo lo dice yo lo acepto.
Si los resultados son absurdos, no tiene sentido continuar; cualquier otro
anlisis no convencer a los usuarios. Ningn modelo se ha aceptado si los
resultados van contra la teora.
Para modelos de importancia, de envergadura deber consultarse la opinin
de expertos.
Anlisis de sensibilidad
En las 2 etapas de la validacin (de estructura y de los datos de salida) se
debe hacer anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la
respuesta del modelo. Es de cuidado cuando el modelo es muy sensible a
una pequea variacin de una variable, y en general el modelo no es bueno
cuando ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios
de las variables independientes.
Con un simulador se puede realizar muchos anlisis de sensibilidad por el
grado de control sobre las variables de entrada (Mtodo Turing ). Luego
consultar a expertos, si es posible.
Anlisis de la capacidad de replicar los datos que se uso en su construccin.
Esta rplica no es tan importante ya que si replica los datos usados no
significa que el modelo sea bueno; y, si ni siquiera replica los datos usados
es porque el modelo de simulacin obtenido, es malo.
Anlisis de la capacidad de predecir usando datos crticos no incluidos en los
datos, o usar datos histricos o datos que se obtienen del sistema real o de
otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la
experiencia y la teora. Se consulta la opinin de expertos en esta
confrontacin del modelo con la realidad presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin
mxima altsima, y datos de poblacin existentes. Consulta a expertos en
chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una
probabilidad de distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos

Aqu se usan las reglas y los procedimientos que la estadstica considera

para el diseo de experimentos en general y que se aplica a disear
experimentos a efectuar con el simulador.
El diseo se har orientado principalmente a los objetos que tiene el estudio
o el programa en que se inserta la construccin del simulador, o los
objetivos de los usuarios que utilizarn el simulador, y para lo cual ste fue
diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de
experimentos a usar por ser el ms adecuado, y la etapa tctica donde se
decide el cmo se llevara a la prctica los experimentos del diseo a aplicar.
Se ve aqu la distribucin de recursos, el uso del tiempo y del personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las
componentes y subsistemas, variables de entrada y de salida, relaciones
funcionales, el modelo formulado, la funcin de desempeo, y lo pertinente
hasta aqu (Diseo lgico del simulador).
Se debe documentar el programa computacional, los mdulos o las
subrutinas, las inter-relaciones entre mdulos y la conclusiones de la etapa
de validacin (Diseo fsico del simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este
resultar ms breve cuanto ms amigable sea el ingreso y manejo del
simulador. Deber contener alcances que faciliten la inferencia al sistema
real.
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o
los usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico)
en parmetro poblacional. Despus de recolectar una muestra aleatoria, se
compara la estadstica muestral, as como la media (x), con el parmetro
hipottico, se compara con una supuesta media poblacional. Despus se
acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor
hipottico slo si el resultado muestral resulta muy poco probable cuando la
hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.

Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis

nula (H0) es el valor hipottico del parmetro que se compra con el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hiptesis nula solamente si el
resultado muestral es tan diferente del valor hipottico que una diferencia
de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una
probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser
la estadstica muestral (el estimador no segado del parmetro que se
prueba) o una versin transformada de esa estadstica muestral. Por
ejemplo, para probar el valor hipottico de una media poblacional, se toma
la media de una muestra aleatoria de esa distribucin normal, entonces es
comn que se transforme la media en un valor z el cual, a su vez, sirve
como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la
estadstica de prueba que se van a utilizar, se produce a establecer el o los
valores crticos de estadstica de prueba. Puede haber uno o ms de esos
valores, dependiendo de si se va a realizar una prueba de uno o dos
extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo,
al probar un valor hipottico de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crtico que
se establece es un valor de z, entonces se transforma la media muestral en
un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba.
Despus se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se
acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras
decisiones de los administradores operativos, como por ejemplo, mantener
o no un estndar de desempeo o cul de dos estrategias de mercadotecnia
utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones:
una regin de rechazo y una de no rechazo. Si la prueba estadstica cae en
esta ltima regin no se puede rechazar la hiptesis nula y se llega a la
conclusin de que el proceso funciona correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el
valor crtico en la distribucin estadstica que divide la regin del rechazo
(en la cual la hiptesis nula no se puede rechazar) de la regin de rechazo. A
hora bien el valor crtico depende del tamao de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa

3. Especificar el nivel de significancia

4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de
las de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba
estadstica apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una
de no rechazo.
9. Determinar la decisin estadstica.
10 Expresar la decisin estadstica en trminos del problema.

Errores de tipo I y de tipo II.

Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se
ha cometido un error de tipo I. Por otra parte, si aceptamos una hiptesis
que debiera ser rechazada, diremos que se cometi un error de tipo II. En
ambos casos, se ha producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos,
deben disearse de modo que minimicen los errores de la decisin; y no es
una cuestin sencilla, porque para cualquier tamao de la muestra, un
intento de disminuir un tipo de error suele ir acompaado de un crecimiento
del otro tipo. En la prctica, un tipo de error puede ser ms grave que el
otro, y debe alcanzarse un compromiso que disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la
muestra que no siempre es posible.