Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 1
1.1 Trminos bsicos.
1.2 Nociones claves en simulacin.
1.3 Punto de vista sistmico.
1.4 El rol de la simulacin. Ventajas y desventajas.
Unidad 2
2.1 Variables aleatorias uniformemente distribuidas.
2.2 Propiedades de los generadores de nmeros aleatorios.
2.3 Mtodos para generar nmeros aleatorios.
2.3.1 Mtodo de Von Newmann.
2.3.2 Variacin del mtodo de Von Newmann.
2.3.3 Mtodos basados en nmeros congruentes.
2.3.3.1 Mtodo del residuo potencia o congruencial multiplicativo.
2.3.3.2 Mtodo congruencial mixto o de perodo completo.
2.3.4 Otros generadores de nmeros aleatorios con distribucin uniforme.
2.3.5 Variables aleatorias continuas.
2.3.6 Variables aleatorias discretas.
Unidad 3
3.1 Pruebas estadsticas de aleatoriedad.
3.1.1 Prueba estadstica Chi cuadrado.
3.1.2 Prueba de frecuencia.
3.1.3 Prueba del espacio intermedio (Gap test).
3.1.4 Prueba de Kolmogorov-Smirnoff.
Unidad 4
4.1 Aplicaciones elementales.
4.1.1 Mtodo de Montecarlo para evaluar integrales
4.1.2 Determinacin del precio de lanzamiento de un artculo.
4.1.2.1 Herramienta de Excel para generar varias rplicas.
4.1.3 Distribuciones empricas.
4.1.3.1 Simulacin de un juego de negocios.
4.1.3.1.1 Utilizacin de la herramienta Crystal Ball.
4.1.3.1.2 Prueba de bondad de ajuste con Crystal Ball.
4.1.4 Modelos continuos y modelos discretos. Crecimiento poblacional.
Unidad 5
5.1 Variables aleatorias no uniformes.
5.1.1 Mtodo de la transformada inversa.
5.2 Distribucin exponencial.
5.3 Distribucin geomtrica.
5.4 Distribucin gamma (Erlang).
5.5 Distribucin de Poisson.
5.6 Distribucin normal.
5.7 Distribucin beta.
5.8 Distribucin de Weibull
Unidad 1
1.1 Trminos bsicos
Sistema: es un conjunto aislado de componentes interactuantes. La naturaleza de los
componentes y el grado de interaccin varan.
Hay sistemas probabilsticas o estocsticos y determinsticos. Estos ltimos se
comportan de manera predecible, bien definida. Los probabilsticas implican
ocurrencias de eventos al azar. Son problemas analizados de manera ms real. Sobre
este tipo de sistemas tratar este curso sobre Simulacin.
Los sistemas estocsticos suelen ser clasificados como estticos o dinmicos. En los
sistemas estticos los eventos fortuitos ocurren independientemente del tiempo, por
ejemplo modelos de redes; en los dinmicos los eventos fortuitos ocurren
secuencialmente en el tiempo, por ejemplo en los modelos de control de inventarios o
colas (un cliente no es servido mientras el anterior no haya abandonado el servidor).
Modelo: Provee una descripcin del sistema Pueden ser fsicos o matemticos y cada
uno de esos a su vez puede ser esttico o dinmico. Estos se subdividen en numricos y
analticos. Para simulacin usaremos modelos matemticos, dinmicos y numricos. En
un modelo matemtico existen ecuaciones que relacionan entre s los parmetros y las
variables. Dado cierto conjunto de condiciones, o sea valores para los parmetros, el
modelo proporciona una medida cuantitativa del comportamiento del sistema en
cuestin y de los valores de sus variables. Otra clasificacin de modelos: modelo
analgico cuando el sistema real se representa por otro anlogo. Modelo continuo
experimenta cambios uniformes en sus caractersticas en el tiempo, por ejemplo el caso
de una ecuacin diferencial que rige el comportamiento de algn sistema fsico.
Modelos discretos: por eventos.
Estado: conjunto de atributos especficos que caracteriza un sistema. A cada uno de
esos atributos se les asigna un valor. En el caso de un avin (sistema) por ejemplo, su
velocidad, altitud, direccin, humedad, cantidad de pasajeros, combustible disponible
etc. Algunos de estos factores permanecen constantes mientras que otros cambian en el
tiempo. Algunos son determinsticos (cantidad de combustible), otros probabilsticos
(humedad, direccin del viento etc.). Otro ejemplo puede ser un sistema de control de
inventarios
Variables de estado: si cada atributo que caracteriza al sistema puede ser cuantificable,
se puede usar una nica variable para representar cada atributo. Estas son las variables
de estado S = (s1, s2,sm) por ejemplo: la velocidad v, la altura h, el vector de
direccin r, el nmero de pasajeros n etc.
Variables de decisin: son las variables cuyo valor puede ser especificado al principio
de un problema independientemente de cualquier otra consideracin. Se representarn
como X= (x1, x2,xn). Normalmente los valores escogidos para estas variables
afectan el estado del sistema. Hay variables de estados independientes (de decisin) y
dependientes. En el caso de un avin, las independientes sern por ejemplo n, nmero
de pasajeros, C, cantidad inicial de combustible etc., mientras que las dependientes
sern v, velocidad, h altura etc. En el sistema de inventarios la independiente podra ser
influidas por las condiciones iniciales del sistema? Son preguntas que sern absueltas a
lo largo de este curso.
Simulacin de procesos estocsticos: Se le llama tambin simulacin de Monte-Carlo
o de eventos discretos y se refiere al uso de modelos matemticos para estudiar sistemas
caracterizados por la ocurrencia de eventos discretos aleatorios (discreto = individual)
que son representados por valores de variables aleatorias generadas por computador.
Un estudio completo de simulacin requiere que el sistema sea simulado repetidas veces
bajo condiciones variables, usando un diferente conjunto de valores para las variables
de decisin y para los parmetros del sistema en cada simulacin.
En este curso se ver una metodologa para simular varios procesos estocsticos en
negocios e industria, enfatizando en dos temas: la formulacin del modelo matemtico
apropiado y la solucin de un modelo usando computador para generar los eventos
aleatorios requeridos.
Cundo simular? Cuando se encuentre una combinacin de efectos de variabilidad,
incertidumbre e interdependencia compleja entre eventos.
S = (1/n) (Yi-Yprom)
Pj = f1 + f2++ fj
.
Pm = fj = 1
El nmero de intervalos recomendado es el resultante de la frmula 1 + 3.3 log N
Siendo N el tamao de la muestra.
Unidad 2
2.1 Variables aleatorias uniformemente
distribuidas
Para poder simular eventos aleatorios discretos se debe generar una gran cantidad de
nmeros aleatorios con el computador, de la manera ms eficiente y rpida posible.
Algunos mtodos para realizar esto se vern a continuacin. En realidad los nmeros
no sern totalmente aleatorios puesto que son generados en secuencias reproducibles
por medio de tcnicas determinsticas y por eso se les llama nmeros seudo aleatorios,
pero en la prctica satisfacen las pruebas de aleatoriedad.
Se va a considerar nmeros seudo aleatorios con una distribucin uniforme en el
intervalo (0,1). Luego estos nmeros con distribucin uniforme servirn para generar
otros nmeros aleatorios que cumplen otro diferente tipo de distribucin (no uniforme),
requeridos para problemas de simulacin.
Ni = 60455
N2 = 71287
Ni*N2 = 4309655585
N3 = 96555
N2*N3 = 6883116285
N4 = 31162
8-0 = 1*8
11-3=1*8
6+2=1*8
35-3=4*8
a b (mod. m)
8 0 (mod. 8)
11 3 (mod. 8)
35 3 (mod. 8)
b c (mod. m)
se cumple
a c (mod. m)
N1 A^1 N0 (mod. M)
N2 A^2 N0 (mod. M)
..
Ni A^i N0 (mod. M)
Para que los Ni tengan un aceptable comportamiento aleatorio es esencial que los
valores para m, N0 y A sean elegidos de acuerdo a las siguientes reglas:
1. El mdulo m podr ser escogido tan grande como sea posible para maximizar el
perodo de la secuencia de nmeros aleatorios. Si el computador trabaja con w bits por
palabra, el m seleccionado es
m= 2^ (w-1)
2. El multiplicador A debe ser escogido de tal forma que minimice la correlacin entre
dos nmeros sucesivos y que haga el perodo lo ms grande posible. A debe satisfacer
las dos condiciones siguientes:
A 2^ (w/2)
y
A +/- 3 (mod. 8)
3. La semilla N0 puede ser cualquier nmero positivo entero impar cuyo valor sea
menor que m. Diferentes semillas se pueden usar para generar diferentes secuencias,
pero el mdulo m y el multiplicador A deben permanecer los mismos.
Cuando son escogidos de esta manera los valores de m, A y N0, cada secuencia
generada tendr un perodo T= m/4 y los valores obtenidos para los Ni estn entre 0 y
m-1. Para obtener las variables aleatorias distribuidas uniformemente U1, U2.cuando
0 Ui 1, se divide cada Ni/m = Ui
Ejemplo: Si el nmero de bits por palabra es w = 12, hallar m, A, N0 y los primeros Ui
La frmula es
Ni A ^ i N0 (mod. m)
I=2
N513 = N1 = 451
N514 = N2 = 1545 etc.
Este mtodo es ampliamente utilizado por que cumple las pruebas estadsticas para
aleatoriedad y es fcilmente implantable en el computador. Existen otros conjuntos de
reglas para escoger los valores de m, A y N0 diferentes al ya visto.
Ni A Ni-1 + b (mod. m)
Donde Ni, Ni-1 son dos enteros aleatorios sucesivos; A, b, m constantes enteras
especficas y N0 es la semilla.
N1 A N0 + b (mod. m)
N2 A N1 + b (mod. m) = A (AN0+b (mod.m)) +b (mod.m) =A^2 N0 + b ((A^2)-1)/
(A-1) (mod. m)
1. El mdulo m podr ser escogido tan grande como sea posible para maximizar el
perodo de la secuencia de nmeros aleatorios. Si el computador trabaja con w bits por
palabra, el m seleccionado es
m= 2^ (w-1)
2. El multiplicador A debe ser escogido de tal forma que minimice la correlacin entre
dos nmeros sucesivos y que haga el perodo lo ms grande posible. A debe satisfacer
las dos condiciones siguientes:
A 2^ (w/2)
y
A 1 (mod. 4)
3. La semilla N0 y la constante b son enteros positivos menores que m.
Para este mtodo resulta un perodo T = m. Se usa menos frecuentemente que el anterior
pues produce series menos aleatorias, a pesar de tener un T mayor. Valores apropiados
para algunos tamaos comunes de palabras w:
Tamao de palabra W
8 bits
12
.
64
entonces
0, 1,
2, (b-a)
a, a+1, a+2,.b
Unidad 3
3.1 Pruebas estadsticas de aleatoriedad
Estas pruebas determinan qu tan bien puede ser representado un conjunto de
observaciones por una distribucin dada.
3.1.1 Prueba estadstica Chi cuadrado:
K ser el nmero de las diferentes categoras y cada observacin debe caer en una de
ellas. Oi es el nmero de eventos observados en cada una de las categoras i (i=1, k).
Ei es el nmero esperado de eventos en cada categora i. Si Oi y Ei son conocidos para
cada categora, la estadstica Chi cuadrado puede ser determinada como
k
Ni* Ni-Ni*
1
2
3
4
5
10
10
10
10
10
7
14
8
5
16
-3
4
-2
-5
6
0.9
1.6
0.4
2.5
3.6
10
10
Suma 60
60
0
9.0
La prueba se realiza teniendo en cuenta los siguientes pasos:
1. Formulacin de hiptesis: Hiptesis nula
Hiptesis alterna
Ni *esperados
36
12
16
(Ni-Ni*)^2 / Ni*
4 / 36 = .111
4 / 12 = .33
16/ 16 =1
Total 64
calc=1.441
64
Como el valor de Chi tabulado es menor que el de Chi calculado, se acepta la hiptesis
al nivel del 5%: se puede afirmar que los datos son consistentes con el modelo.
3.1.2 Prueba de frecuencia
Es la ms sencilla y utilizada de las pruebas de aleatoriedad. Aqu el intervalo (0,1) se
subdivide en k subintervalos de igual longitud. El nmero de variables aleatorias que
cae dentro de cada subintervalo se determina y luego se calcula una estadstica Chi
cuadrado con v= k-m-1 grados de libertad. El xito o fracaso de la prueba lo determina
el valor obtenido por el estadstico Chi.
Ejemplo 3: Por medio de un algoritmo se generan 1000 nmeros seudoaleatorios cuyas
frecuencias observadas son:
Digito
0
F observada 94
1
93
2
112
3
101
4
104
5
95
6
100
7
99
8
108
9
94
100
100
100
100
100
100
100
100
100
100
Puesto que estas frecuencias se pueden obtener sin estimar ningn parmetro a partir de
los datos muestrales, m=0. El estadstico tendr (k-m-1) = 10-0-1 = 9 grados de
libertad. As que
(9,0.05) tabulado = 16.92
El valor
calculado = (94-100) / 10 + (93 100)/ 100 +.+ (94 100)/ 100 = 3.72
Por lo tanto no se puede rechazar la hiptesis nula.
Ejemplo 4: Se realizan 50 mediciones del voltaje de salida de una fuente de
alimentacin dando como resultado los siguientes valores:
4.56
4.95
5.023
4.99
4.97
5.019
4.96
5.122
5.053
4.91
4.99
5.059
4.72
5
4.97
5.132
5.064
4.97
5.014
4.96
5.035
4.84
5.045
5.09
5.041
5.081
5.027
4.9
4.96
5
5.069
5.099
5.019
4.85
4.99
5.066
4.99
5.038
5.06
5.089
5.141
5.138
Promedio
5.098
5.144
5.128
5.131
5.15
5.139
5.145
5.094
5.02046
Chi cuadrado
0.01
0.09
0.01
0.09
0.01
0.25
0.01
0.09
0.56
0
32
1
15
2
9
3
4
La media de la distribucin de Poisson propuesta debe ser estimada a partir de los datos
muestrales:
= (32*0 + 15*1 + 9*2 + 4*3) /60 = 0.75
X
Fesp
P1*60 = 28.32
P2*60 = 21.24
P3*60 = 7.98
P4*60 = 2.46
Fobs
32
15
9
4
Puesto que la frecuencia esperada en la ltima celda es menor que 0.3, se combinan las
dos ltimas celdas:
Nmero de defectos
0
1
2 o ms
Fobs
32
15
13
F esp
28.32
21.24
10.44
1
5
2 3 4 5 6 7 8 9 10
2 1 2 1 3 1 3 2 1
11 12
4
4
13 14 15 16 17
1 2 1 1 1
Se desea generar v.a. que se rijan segn la distribucin del tiempo entre llegadas dado.
1
8
2
4
3
2
4
2
5
1
X1
X0
Intervalo X0, X1
fobservada
0.5
( 0,1]
1.5
2.5
3.5
4.5
5.5
(1,2]
(2,3]
(3,4]
(4,5]
(5,10]
4
2
2
1
0
fesperada
exp (-0.488*0)-exp (-.488*1)
= 1- 0.613 = .386 = 6.56/17
0.2361 = 4 / 17
0.1455 = 2.47 / 17
0.0893 = 1.51/17
0.0544 = 0.92 / 17
0.079 = 1.3 / 17
Se comparan ahora los dos conjuntos de datos: fobs y fesp utilizando las pruebas de
o K-S; se define un nivel de significancia de = 0.05 por ejemplo, donde los grados de
libertad para el caso de una distribucin exponencial son k-m-1 = 6-1-1 = 4
Si se comprueba la hiptesis nula Ho, para generar las variables aleatorias
exponenciales podemos utilizar la frmula
Xexp = xo (-xo) ln u = 1 - (2.05-1) ln u
923060497710807406852632953903562526358756195478
Paso 1: determinar los espacios asociados a cada dgito.
D
0
1
2
3
4
5
6
7
8
9
1, 5, 1, 2, 11
31
18, 2, 8, 1
19, 3, 2, 6
8, 29
5, 4, 2, 3, 2, 3
12, 3, 9, 3, 5
0, 4, 24, 6
5, 19, 8
6, 16, 2, 15
On
1
3
6
5
2
4
3
0
3
1
0
1
1
0
0
1
1
0
1
En
3.8
3.42
3.08
2.77
2.49
2.24
2.02
1.82
1.64
1.47
1.32
1.19
1.07
.97
.87
.78
.7
.63
.57
n
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
36
37
38
On
2
0
0
0
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
En
.51
.46
.42
.37
.34
.3
.27
.25
.22
.2
.18
.16
.14
.13
.12
.11
.09
.08
.07
n
39
40
41
42
43
44
45
46
On
0
0
0
0
0
0
0
0
En
.06
.06
.05
.05
.04
.04
.03
.03
Paso 3. Para aplicar la prueba Chi cuadrado se deben combinar las categoras de tal
forma que Ei 5 para cada nueva categora.
I
Oi
Ei
1
2
3
4
5
6
0-1
2-3
4-6
7-10
11-16
17-46
4
11
9
4
4
6
7.22
5.85
6.75
6.25
5.58
6.08
Nmax
El valor de
0,027109
0,706141
0,042967
0,913921
0,238971
0,461956
0,139518
0,702397
0,378967
0,251721
0,438599
0,145883
0,786293
0,884543
0,65796
0,28162
0,92938
0,088264
0,653527
0,448303
mximo
0,995236
0,33978
0,24287
0,7821
0,9749
0,97854
0,24425
0,84442
0,79611
0,85043
0,73613
0,49227
0,26099
0,23766
0,90359
0,41962
0,04967
0,86879
0,41657
0,31922
0,05089
0,69776
0,63228
0,88768
0,94915
0,05264
0,55761
0,63479
0,07854
0,04523
0,70679
0,22951
0,1434
0,42738
0,86524
0,95343
0,85275
0,62916
0,40498
0,7559
0,74692
La lista debe ordenarse de menor a mayor. Los valores esperados se calculan como
i
/ 100 para cada variable, donde i es el puesto que ocupa la variable en la lista (i va desde
1 hasta 100). En las columnas rotuladas como D, se calcula para cada variable, la
diferencia absoluta entre el valor observado, f (obs), de la variable y el esperado f (esp).
Lista ordenada
f(obs) f(esp) D
0,003 0,01 0,007
0,027 0,02 0,007
0,043 0,03 0,013
0,045 0,04 0,005
3E0,05 0,05
04
0,051 0,06 0,009
0,053 0,07 0,017
0,079 0,08 0,001
0,088 0,09 0,002
0,098
0,1 0,002
0,126 0,11 0,016
0,137 0,12 0,017
0,14 0,13 0,01
0,143 0,14 0,003
0,146 0,15 0,004
f(obs) f(esp) D
f(obs) f(esp) D
f(obs) f(esp) D
f(obs) f(esp) D
0,238 0,21 0,0277 0,4196 0,41 0,0096 0,6348 0,61 0,025 0,844 0,81 0,034
0,239 0,22 0,019 0,4274 0,42 0,0074 0,6487 0,62 0,029 0,85 0,82 0,03
0,243 0,23 0,0129 0,4364 0,43 0,0064 0,6535 0,63 0,024 0,853 0,83 0,023
0,244 0,24 0,0042 0,4386 0,44 0,0014 0,6552 0,64 0,015 0,865 0,84 0,025
0,252
0,259
0,261
0,275
0,282
0,319
0,34
0,35
0,369
0,374
0,379
0,25
0,26
0,27
0,28
0,29
0,3
0,31
0,32
0,33
0,34
0,35
0,0017
0,0008
0,009
0,0055
0,0084
0,0192
0,0298
0,0298
0,0385
0,0344
0,029
0,4455
0,4483
0,462
0,4922
0,4923
0,5027
0,5036
0,5371
0,5411
0,5576
0,5834
0,45
0,46
0,47
0,48
0,49
0,5
0,51
0,52
0,53
0,54
0,55
0,0045
0,0117
0,008
0,0122
0,0023
0,0027
0,0064
0,0171
0,0111
0,0176
0,0334
0,6571
0,658
0,6978
0,7024
0,7061
0,7068
0,7174
0,7361
0,7469
0,7559
0,7576
0,65
0,66
0,67
0,68
0,69
0,7
0,71
0,72
0,73
0,74
0,75
0,007
0,002
0,028
0,022
0,016
0,007
0,007
0,016
0,017
0,016
0,008
0,869
0,885
0,888
0,904
0,91
0,912
0,914
0,929
0,949
0,953
0,953
0,85
0,86
0,87
0,88
0,89
0,9
0,91
0,92
0,93
0,94
0,95
0,019
0,025
0,018
0,024
0,02
0,012
0,004
0,009
0,019
0,013
0,003
0,146
0,207
0,23
0,233
0,235
0,16
0,17
0,18
0,19
0,2
0,014
0,037
0,05
0,043
0,035
0,386
0,397
0,397
0,405
0,417
0,56
0,57
0,58
0,59
0,6
0,0455
0,0513
0,0475
0,0392
0,0323
0,7821
0,7821
0,7863
0,7961
0,8423
0,76
0,77
0,78
0,79
0,8
0,022
0,012
0,006
0,006
0,042
0,975
0,979
0,986
0,989
0,995
De los 100 valores calculados para D1, D2D100 se calcula el estadstico D de K-S
como el mximo de los Di: Dcalculado = max | f (esp)-f (obs) | = 0,051 para i=57.
Luego se busca en la tabla del estadstico dn, de Kolmogorov-Smirnoff, con n = 100,
en nuestro caso, y = 0.05 = 0.134. En la tabla se observa el valor d100, 0.05 = 0.134
Si D dn, , no se puede rechazar la hiptesis de que la distribucin que rige los
nmeros generados es uniforme.
Existen varias pruebas de hiptesis ms: la de Anderson-Darling, la prueba de las series,
prueba de independencia para descubrir auto correlacin entre nmeros, pruebas de
bondad de ajuste (grfico cuantil-cuantil) etc. Se recomienda leer el libro Simulacin
de Ral Coss-Bu, para tener una idea sobre estas otras pruebas. Para un ejemplo de
Prueba de series, cargue Texto completo sobre simulacin en la seccin Aplicaciones
de simulacin de la pgina de la materia y lea la seccin 3.2.3.2 sobre pruebas de
independencia. Lea en ese mismo texto, de la pgina 66 a la 73, seccin 3.3.3, un
ejemplo prctico sobre modelado de entradas donde se aplica la prueba K-S.
Ejemplo 9: Se desea probar si el nmero de rayos gamma emitidos por segundo por
cierta sustancia radiactiva es una variable aleatoria que tiene la distribucin de Poisson
de parmetro l =2,4. Utilice los siguientes datos obtenidos en 300 intervalos de segundo
para probar dicha hiptesis a un nivel de significacin 0,05.
Nº de
rayos gamma
7o
ms
Valores
observados
20
48
65
75
45
34
La poblacin en estudio son los rayos gamma emitidos por una sustancia radiactiva.
Se trata de contrastar las hiptesis:
Ho: La distribucin observada sigue una distribucin P (2,4).
H1: La distribucin observada no sigue una distribucin P (2,4)
El nivel de confianza es 1-a =0,95 puesto que el nivel de significacin es a =0,05 y el
tamao de la muestra n=300.
0,96
0,97
0,98
0,99
1
0,015
0,009
0,006
0,001
0,005
El estadstico del contraste ser el definido anteriormente, para ello deberemos calcular
los valores esperados bajo la hiptesis Ho.
Calculamos los valores esperados para una Poisson de parmetro l =2,4. Se tiene que las
probabilidades de una Poisson de parmetro l =2,4 son (mirando en la tabla de la
distribucin de Poisson, como anexo al final del libro):
Valores de
X
Probabilida 0,09
des
07
0,21
77
0,26
13
0,20
90
0,12
54
0,06
02
7o
ms
0,02 0,011
41
6
Para hallar los valores esperados bastar con multiplicar las probabilidades por el nmero de
observaciones, obtenindose:
Valores de X
Valores
esperados
7o
ms
Como se observa, existe un valor esperado menor que 5, por lo que debemos de agrupar
dos clases contiguas, en este caso, los clases 6 y 7 o ms, con lo cual las distribuciones
quedaran:
Valores de X
Valores
esperados
Valores
observados
6o
ms
20
48
65
75
45
34
13
Aplicando la frmula resulta que el valor del estadstico para dicho contraste vale
T=
= 27,2047
Calculamos el valor del punto crtico de una chi-cuadrado con un valor de a =0,05(nivel
de significacin) y (7-1) grados de libertad, es decir, c20, 05(6) = 12,592 mirando en las
tablas.
La regin crtica es: T mayor o igual que 12,592, es decir, el intervalo (12,592,
+infinito).
Como el valor del estadstico T es mayor que el punto crtico se rechaza la hiptesis Ho.
T=27,2047 y 12,592 = c20,05(6)
Luego tenemos evidencias de que la distribucin emprica no sigue una distribucin P
(2,4).
OBSERVACIN: En el caso de que el ajuste sea por una distribucin normal es
preferible aplicar otro test ms potente: test de Kolmogorov.
Unidad 4
4.1 Aplicaciones elementales.
4.1.1 Mtodo de Monte Carlo para evaluar integrales
Usando simulacin de procesos estocsticos se puede evaluar integrales, haciendo notar
que lo ms interesante de esta aplicacin es que un mtodo probabilstico sea utilizado
para resolver un problema netamente determinstico. Se desea evaluar, por ejemplo, la
integral: I = f(x) dx, siendo f(x) continua en el intervalo para x entre a y b,
requirindose que 0 f(x) f mx.
El algoritmo es el siguiente:
1. Generar un nmero aleatorio uniformemente distribuido Ux entre a y b.
2. Evaluar f(Ux)
3. Generar otro nmero aleatorio Uy entre 0 y fmax.
Los dos nmeros Ux y Uy representarn las coordenadas de un punto en un
plano.
4. Comparar Uy con f (Ux): si Uy es menor o igual que f (Ux) entonces el punto
(Ux, Uy) caer en o debajo de la curva dada.
5. Repetir N veces los pasos 1 a 4. La fraccin de puntos que caen bajo la curva,
FRAC, se determina. El valor de la integral se obtiene como
I = FRAC* (b-a)* f (max)
10.83
0.23
4.94
10.86
.486*16=7.76
.034*16=0.544
0.933*16=14.9
0.57*16=9.12
7.77610.83
0.544>0.23
14.9>4.94
9.1210.86
1
2
219
225
200
219
207
236
230
233
230
234
207
227
238
215
211
239
205
215
199
240
212
224
207
221
210
Rango
Conteos
1
2
3
4
5
6
199-205
206-212
213-219
220-226
227-233
234-240
5
6
5
4
4
6
f relatva
0.1666
0.2
0.166
0.133
0.133
0.2
Precio/ Kg ($ / Kg)
0.5
0.85
1
2
2.5
3
Demanda media
219
197
194
143
128
114
El ancho del intervalo total de variacin de las demandas para todas las marcas resulta
aproximadamente igual:
D promedio + / - 20
Al hacer un grfico Dprom vs. Precio:
(1)
Recordar que la demanda se rige por una distribucin uniforme con rango Dprom + / 20
La expresin para la ganancia ser
G = (P- C) D
(2)
En base a los resultados se identifica aquella regin en la cual se debera fijar el precio
del artculo. Para una rplica, los resultados se muestran en la figura siguiente:
Este modelo se puede validar comparando sus resultados con los de la solucin analtica
del sistema de ecuaciones (1) y (2) el cual debe ser hallado por el estudiante.
Ambos resultados deben coincidir bajo un cierto margen de confianza. Para realizar
suficiente nmero de rplicas, por ejemplo 50 y de esta manera poder hallar estadsticas
confiables sobre el criterio de desempeo del modelo pero sin tener necesidad de copiar
otras tantas veces la hoja donde este se defini, se ejecutan los pasos detallados en la
siguiente seccin.
Demanda: D ~ U (165,235)
I = (P C) * D
130
18,1698052
170
19011,13312
Ym= f1+f2+fm = 1
La altura de cada subintervalo Yj, representa la probabilidad de que el valor de X para
un evento aleatorio no exceda a Xsj. Para hacer uso del mtodo de la transformada
inversa se debe trazar una curva continua a travs de la distribucin acumulada, segn la
grfica anterior.
Ahora se puede generar un nmero aleatorio distribuido uniformemente en (0,1), U,
obtenindose el valor correspondiente para X por interpolacin lineal:
X = Xij + [(U-Yj-1) (Xsj-Xij) / (Yj-Yj-1)]
Pero Cmo determinar el subintevalo apropiado? Se puede empezar con el de ms a la
izquierda (cuando j=1) y comparar sucesivamente U con cada Yj. El intervalo deseado
ser el primero en el que Yj-1 U Yj
Vol.ventas(unds)
40-60 mil
60-80 mil
80-100 mil
Prob.ocurrencia
0.35
0.40
0.25
F acumulada
0.35
0.75
1
Facum
0.2
0.55
0.85
1
El valor del precio se determina calculando primero el valor esperado del costo de
produccin y multiplicndolo por 1.25:
130
0
0
Distribucin de la demanda
1000
2000
2001
3000
3001
4000
0,35
0,45
0,2
El precio es una variable de decisin, su valor es fijo: 130 y se escribe en la casilla B1;
el costo de produccin y la demanda son parmetros estocsticos cuya distribucin se va
Luego se define la distribucin que rige la demanda, una emprica detallada en la tabla
D2...F4. Con el cursor en B3, se selecciona Define assumption, se escoge la opcin
Custom y luego de sealar el rea donde van los datos, queda as
Luego, con el cursor puesto en la celda donde est el criterio de desempeo: B5. , se
toma la opcin Define forecast, que es el tercer icono de cristal ball, se seala el
.
Para contestar el tipo de pregunta P (70000 Ingreso 90000), simplemente se
escriben estos dos valores en la parte inferior izquierda y derecha del histograma de
probabilidad y la respuesta se observa de inmediato.
En cuanto a las variables de decisin, se hace clic sobre la celda donde est y se
elige el men Cell/decisin. Luego se introduce el rango de valores entre los que se
puede mover la variable en cuestin y se define si es discreta o continua. Para discretas,
se debe indicar el tamao del cambio. Al simular, el programa las considera como
constantes con el valor que se escribi en la celda pero luego se puede llegar a optimizar
(con Cbtools/Decision table o con Optquest.)
El anlisis de sensibilidad se puede hacer a travs de una grfica tipo tornado: Run
/ open Sensitivity Chart que muestra la importancia de cada variable aleatoria sobre el
resultado final.
Tambin se puede optimizar ensayando con diferentes valores de las variables de
decisin definidas con Cell / Decision. En el men Tools / Decision table se define cul
Forecast se desea evaluar con los diferentes calores de las variables de decisin y se
eligen las variables de decisin. Se debe definir cuntos valores diferentes ensayar y
cuantas iteraciones har en cada simulacin. Se puede hacer un reporte de la simulacin
con Run / Create report.
Se sugiere como ejercicio, resolver el problema de la seccin 4.2.1 utilizando Crystal
Ball.
2007
782 = P0
2008
811 = P1
2009
833 = P2
dP/P = k dt
Integrando y exponenciando
Exponenciando
P = C exp (k t)
En t = 0
P0 = C exp (k * 0) = C
Sustituyendo P0
En t = 2
Tomando logaritmos
ln (834 / 782) = 2 k
Despejando
k = 0.03218
Ao
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Poblacin
real
610
631
654
676
692
713
736
758
782
812
834
863
893
919
954
En este caso el modelo continuo tendr cierto error en la prediccin para 2002 y 2013.
Ahora miremos cmo sera otra forma de solucin del problema, el enfoque de modelo
discreto: lo primero que se hace es una regresin para hallar la forma como vara la
poblacin a lo largo del tiempo. La regresin lineal nos proporciona una buena
aproximacin al conjunto de puntos.
Tasa crecimiento prom
3,218
Ecuacin de regresin
y = 24,088x 47553
R2 = 0,9941
Ao
Pobl. real
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
610
631
654
676
692
713
736
758
782
812
834
863
893
919
954
Tasa de
crecimiento
Segn
ec.regr.
3,5
3,6
3,4
2,3
3,11
3,23
2,98
3,12
3,83
2,7
3,5
3,46
2,95
3,75
2,84
599
623
647
671
695
719
743
768
792
816
840
864
888
912
936
Diferencia
Var. De %
11,088
8,35
6,9906
5,1412724
-3,3914303
-5,9621934
-7,0077026
-9,1500202
-9,5766272
-3,7125192
-5,8767492
-0,7777155
4,9976235
7,2521094
17,638163
1,8177049
1,3225627
1,0687706
0,7601864
-0,4901813
-0,8357553
-0,9515746
-1,2065250
-1,2245709
-0,4572110
-0,7047178
-0,0901069
0,5596658
0,7888660
1,8492863
Frecuencia
7
0
5
3
0,47
0,00
0,33
0,20
Frec. Acum.
0,47
0,47
0,8
1
Con la calculadora se genera primero una variable aleatoria entre 0 y 1: 0.659. Este
valor cae dentro del tercer subintervalo de la frecuencia acumulada. El valor de la
variacin se calcula de acuerdo a la frmula de interpolacin lineal
Var. Aleatoria de porcentaje = -0.38+ ((.659-0.47)/(0.8-0.47)) * (1.18 + 0.38) = 0.5134
A ese valor medio se le suma (o se resta si resulta con signo negativo) la variacin
aleatoria segn la distribucin hallada, resultando el valor de la poblacin
P2014 = 960,23 + (0.5134/100) *960.23 = 965.16
Es el valor de la poblacin pronosticado para el ao 2014,
Unidad 5
5.1 Variables aleatorias no uniformes
Muchos problemas de la vida real requieren, para ser simulados en el computador, de la
generacin de nmeros aleatorios con distribucin variada, no siempre uniforme. La
distribucin uniforme entre (0,1) puede ser usada para generar otras distribuciones no
uniformes de nmeros aleatorios las cuales pueden ser empricas o tericas, discretas o
continuas. Muchas funciones de densidad de probabilidad tienen parmetros de forma,
de escala y de posicin que las definen. Reconociendo sus caractersticas se puede tener
una idea ms clara para aplicar la distribucin apropiada cuando no existan datos
histricos de un sistema.
5.1.1 Mtodo de la transformada inversa
Suponemos dada una funcin de densidad de probabilidad f(x), con la cual se desea
generar una variable aleatoria x gobernada por esta funcin.
Primero se obtiene la distribucin acumulada F(x) correspondiente a f(x):
F(x) = f(x) dx
para 0 F(x) 1
F(x0) = y0 entonces
Prob (Y y0) = y0
La cual es expresin para la distribucin uniforme acumulada en (0,1). Esto nos dice
que Y es uniformemente distribuida dentro de este intervalo (0,1) sin importarla
distribucin de X.
Para generar un valor para X usando l mtodo de la transformada inversa, se representa
primero Y por medio de un nmero aleatorio con distribucin uniforme en (0,1), U. Se
puede obtener el correspondiente valor para X evaluando la expresin
X = 1 / F (U)
Con el mtodo de la transformada inversa se puede generar muchas funciones de
distribucin, pero no todas, por ejemplo la distribucin normal no puede ser generada
con este mtodo pues esta funcin no es analticamente integrable y no es posible
obtener una ecuacin explcita para x.
dx0
F(x) = f(x) dx
= 1-e^ (- x)
y = F(x)
F(x) = f(x) dx
Sale
x = - (1/) Ln (1-F(x))
Es discreta y se utiliza para hacer pronsticos del nmero de fallas antes de obtener el
primer xito es una secuencia de n ensayos independientes, para pronosticar el nmero n
de tems inspeccionados antes de encontrar uno defectuoso, para simular el nmero n de
tems demandado en un sistema de inventarios. A la distribucin binomial se le llama
de Bernoulli si los parmetros son B (1, p), o simplemente binomial si los parmetros
son B(n, p) cuando n es el nmero de experimentos y p la probabilidad de xito. La
distribucin geomtrica tiene como variable X al nmero de experimentos de Bernoulli
independientes realizados antes del primer xito (p: probabilidad de xito). Una
variable geomtrica (binomial) es la suma de n variables aleatorias independientes de
Bernoulli con el mismo parmetro p de xito.
Xbin (n, p) = X1Ber (p) + X2Ber (p) +..+ XnBer (p)
Ejemplo: El 60% de los elementos de un grupo son H, el 40% son M. Cul es la
probabilidad de obtener H en el cuarto intento de una prueba con reemplazo?
P(X=H) = 0.6
P (y=4) = .4 * .4 * .4 * .6 = .038
con
con
XBer (p=0.6)
YGeom (4,0.6)
Para generar una variable regida por la distribucin geomtrica, considere una secuencia
de experimentos independientes entre s, cuyo resultado puede ser xito o fracaso. Si p
es la probabilidad de xito para cada experimento (0 p 1) y q = 1 p es la
probabilidad de fracaso, la probabilidad de obtener x fracasos consecutivos seguidos por
un xito es f(x) = p * q^x donde x es un entero no negativo. La ecuacin anterior
representa la densidad de probabilidad para la distribucin geomtrica cuya media es
= q / p y cuya varianza es S^2 = q / p^= / p
La funcin de distribucin acumulada correspondiente se expresa como
x
p q^k
K=0
x = Ln u / Ln q
Y debido a que la distribucin geomtrica es discreta, las variables deben ser enteras y
por ello se debe tomar el valor entero de la funcin Xgeom = INT [Ln u / Ln q]
5.4
Es una distribucin adecuada para los procesos en los que se repite x veces un ensayo
(nmero de fracasos) hasta conseguir un determinado nmero de xitos, k. Si x=1 esta
distribucin coincide con la distribucin geomtrica. Los supuestos son: independencia
de los ensayos y reposicin.
Siendo p la probabilidad de xito y q la de fracaso, la funcin de distribucin de
probabilidad es de la forma
Es una distribucin continua y se usa para representar datos empricos, por ejemplo,
tiempos de funcionamiento de equipos entre fallas, debido a que puede tomar una gran
variedad de formas, dependiendo de los valores asignados a los parmetros y . Se
usa para modelar variables que describen el tiempo hasta que se produce P veces un
con
f (xi) = e^ (- xi)
con
u = 1 F(x)
i=1
Xgamma = -(1 / ) Ln Ui
i=1
i=1
k+1
ui < e^ (- )
Tomando arbitrariamente t=1.
i=1
Problema: se hace un muestreo del nmero de llamadas que entra a una central
telefnica durante un intervalo de tiempo de 5 min. Los siguientes son los resultados:
7, 6, 4, 5, 6, 10, 5, 9, 1, 3, 4, 7, 4, 5, 6, 4, 4, 6, 8, 5, 9, 4, 4, 11, 5, 6
Al agrupar los datos por intervalos se obtiene la tabla:
Nmero de llamadas
4-5
6-7
Frecuencia
12
7
8-9
3
10-11
2
1,
1, 1
Se pide hallar la forma de la distribucin de los tiempos entre llegadas y del nmero de
llegadas por tiempo. Para hallar la distribucin de los tiempos entre llegadas se forma la
siguiente tabla:
T entre lleg. 1
Frecuencia 8
2
4
3
2
4
2
5
1
Respecto al nmero de llegadas por unidad de tiempo, en este caso la unidad de tiempo
ms apropiada es 5 min. (t = 5 min.).
Tiempo entre llegadas
Intervalo de tiempo
Nmero de llegadas
5, 2, 1, 2, 1, 3, 1, 3, 2, 1, 4, 4, 1, 2, 1, 1, 1
5
5
5
5
5
5
5
1
3
3
2
2
2
4
1
1
2
3
3
2
4
1
Se debe observar que la forma del primer histograma coincide con la de una distribucin
exponencial y el segundo histograma coincide con una distribucin de Poisson.
Z = (1 / N ){ [ ui ] 1 / 2 } / { [ 1 / 12*N ]^ ( 1 / 2 ) }
Ser una variable normal estndar. Si se multiplica y divide por N:
Z = [ ( ui ) N / 2 ] / { [ N / 12 ]^ ( 1 / 2 ) }
Por conveniencia computacional se toma arbitrariamente N = 12, quedando la frmula
12
Z = ui - 6
1
Z = ( -2 Ln u1 )^(1/2) Cos (2 u2 )
Siendo u1 y u2 variables aleatorias uniformes entre (0,1) y con el valor del ngulo 2 u2
dado en radianes. Cuando Z se haya generado de esa manera, se calcula ahora la
variable aleatoria normal con media y desviacin S: Xnormal = + S * Z
Ejemplo: de la medicin de cierto fenmeno se han obtenido los siguientes 25 datos:
Valor del fenmeno:7, 12, 5, 3, 6, 4, 8, 7, 9, 3, 6, 7, 11, 8, 7, 6, 9, 10, 8, 11, 9, 8, 10, 7, 5
Se pide simular el fenmeno.
Ante todo se debe identificar el tipo de distribucin que presentan los datos de entrada.
La tabla de frecuencias de estos datos es
Valor del fenmeno
3- 4
5- 6
7- 8
9-10
11-12
Frecuencia
La distribucin de esta variable es, a simple vista, normal aunque para ser rigurosos se
debera hacer un prueba de chi cuadrado para verificar esta hiptesis. La lista tiene una
media = 7.44 y una desviacin s = 2.3993
Las dos variables uniformes para calcular Z pueden ser u1 = 0.743 y u2 = 0.215. Con
los anteriores valores se calcula
Z = (-2 Ln 0.743) ^ (1/2) Sen (2 0.215) = 0.7707*0.9759 = 0.7522
Y luego la variable aleatoria normal
9.2447
Pero como los valores muestrales son todos enteros, se toma solo la parte entera: 9
Por cada vez que se quiera simular una variable normal, se deben generar dos variables
uniformes, u1 y u2.
Se utiliza para ciertos modelos como el PERT (tiempo para completar una actividad) y
en ausencia de datos para simular la proporcin de tems defectuosos en un conjunto de
ellos. Su funcin de densidad de probabilidad es
f(x) = ( 1 + 2 1 )! x^( 1 1 ) (1 x ) ^ ( 2 1 )
(1 1)! (2 1)!
f(x) = x e^ [-(x / )]
si x > 0
0
En otros casos.
F(x) = 1- e^ (- x / )
0
si x > 0
en otros casos
Xw = (- Ln u)
ui
1
2
3
4
5
.7138
.9765
.7848
.3852
.2138
Xw = (- Ln u)
1.98
1.93
1.97
2
2.01
Ejemplo En una fbrica de roldanas para gras se est definiendo el tiempo de garanta
de su producto y para ello se ha hecho pruebas de duracin en laboratorio con 20
roldanas obtenindose los siguientes resultados para tiempos entre fallas (en horas) de
las roldanas:
7
1219 2850
37
1255 3040
132
1334 3154
150
1510 3171
176
1630 3206
253
1647 3245
475
1745 3249
540
1774 3420
545
1916 3502
564
1927 3552
636
2130 3646
722
2448 3649
2508 3730
La direccin est considerando dar a los clientes una garanta de confiabilidad del 95%
para 3200 horas al 70% de nivel de confianza.
Donde
t: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre fallas.
: Parmetro de forma (0<<)
: Parmetro de escala (0<<)
: Parmetro de localizacin (-<)
El parmetro beta, como su nombre indica, determina la forma o perfil de la
distribucin, la cual es funcin del valor de ste.
El parmetro theta indica la escala de la distribucin, es decir, muestra que tan aguda o
plana es la funcin.
El parmetro delta indica, en el tiempo, el momento a partir del cual se genera la
distribucin.
Una distribucin biparamtrica est completamente definida por los parmetros de forma y
de escala.
La funcin confiabilidad R (t) de Weibull se determina por la siguiente expresin:
Mnimos cuadrados.
Mxima similitud.
Estimacin de momentos.
Estimadores lineales.
Para ilustrar el mtodo de los mnimos cuadrados, se desarrollar paso a paso un ejemplo.
El mtodo de los mnimos cuadrados permite calcular los parmetros de forma y escala,
mediante la transformacin doble logartmica de la funcin de distribucin acumulativa
(ecuacin 3). El clculo del parmetro de localizacin es ms complejo, emplendose para
ello rutinas de clculo, como el programa Solver de Excel.
La transformacin doble logartmica permite transformar la funcin de distribucin
acumulativa en una ecuacin lineal de regresin.
Deduccin de la ecuacin lineal de regresin
Donde:
W (i): Rango de mediana para un nivel de confianza (1-), donde es el nivel de
significancia y toma el valor de 0.5 para este estimador.
i: Orden de la falla.
n: Nmero total de datos de la muestra.
F, v1, v2: Valor crtico de la distribucin F, evaluada en el nivel de significancia y con
grados de libertad v1 y v2.
Dada la complejidad de la ecuacin (5), generalmente el rango de mediana se aproxima
mediante la siguiente expresin, exacta dentro de 0.005 [1]:
Donde:
RM(xi): Rango de mediana.
i: Orden de falla.
n: Nmero total de datos de la muestra.
La ecuacin (5) es ms exacta, y se usan rutinas en Excel: en los clculos se empelar sta.
Para facilitar su empleo, a continuacin se presenta el cdigo fuente para crear una funcin
definida por el usuario en Excel.
Para crear la funcin, sganse los siguientes pasos:
Abra Excel.
Hgase la combinacin de teclas Alt +F11. Esta accin abrir el editor de Visual
Basic.
*
*
*************************************************************************
****
Dim a As Double, f As Double
On Error GoTo ManejarError
a = i / (n - i + 1)
f = Application.WorksheetFunction.FInv(alfa, 2 * (n - i + 1), 2 * i)
RangoMediana = a / (f + a)
Salir:
Exit Function
ManejarError:
Select Case Err.Number
Case 1004
MsgBox Los argumentos (n) o (i) no pueden ser cero., vbCritical + vbOKOnly
Case Else
MsgBox Se ha generado el error & Err.Number & _
Err.Description, vbCritical + vbOKOnly
End Select
Resume Salir
End Function
Hgase clic en guardar del men Archivo del editor de VB para guardar la funcin.
Hgase clic en Cerrar y volver a Excel del editor de VB. Esta accin cierra el editor de
VB.
Para usar la funcin creada, seleccinese Funcin del men Insertar de Excel. Se
abre la ventana Insertar funcin.
Ejemplo:
A continuacin se presenta la secuencia que se debe seguir en la (parmetro de )
aplicacin del mtodo de los Mnimos Cuadrados.
1. Asuma localizacin igual cero y ordene los datos de menor a mayor. El criterio de
ordenacin debe ser el tiempo entre fallas. Vase la tabla 1.
2. Calcule el rango de mediana para cada observacin usando la ecuacin (5) (6).
En nuestro caso se usar la ecuacin (5), empleando la funcin definida por el usuario
RangoMediana. Vase la figura 2.
3. Calcule el logaritmo natural del tiempo entre fallas para cada observacin.
Vase la figura 3.
4. Calcule el valor de la ordenada y, es decir, el logaritmo del logaritmo del inverso de uno
menos el rango de mediana para cada uno de las observaciones de la muestra. Vase la
figura 4.
Al trazar estos puntos, se genera la recta de regresin. Para ello seleccinese Grfico del
men Insertar de Excel; aparece la ventana Asistente para grficos. En sta, escjase la
opcin XY (Dispersin) en la lista Tipo de grfico y sganse las instrucciones en pantalla.
Vase la figura 5
(7)
El coeficiente de correlacin, r, indica que hay una excelente relacin (dependencia) lineal de
los datos, ya que su valor est muy prximo a uno. El coeficiente de determinacin, r2,
indica que el 94.64% de los datos estn relacionados linealmente. En conclusin, estos
valores indican que la muestra se comporta conforme a la funcin de densidad de Weibull.
6. Estime el valor del parmetro de forma y de escala.
Dado que el parmetro de forma es la pendiente de la recta de regresin, de la ecuacin (7)
se obtiene:
d) Valores grandes del parmetro de forma (>10) son otro indicativo de que el parmetro
de localizacin debe ser calculado.
es el valor de
muestra. Para el ejemplo, el punto semilla sera 0.166 (es ligeramente inferior al valor ms
bajo del tiempo entre fallas de la muestra, el cual corresponde al dato de orden uno 0.167
. Vase la tabla 1). Este constituye la restriccin en Solver. Vase la figura 6.
Es importante tener en cuenta que la celda objetivo debe contener una formula que relacione
directa o indirectamente el valor de la celda cambiante. Para el ejemplo la formula sera
COEFICIENTE.R2 (E3:E142, D3:D142). Obsrvese que el rango del segundo argumento
involucra la celda cambiante L8. Vase la figura 3.
Para que los valores se actualicen automticamente, stos deben estar relacionados por
frmulas, tal y como se muestra en la figura 8.
CONCLUSIONES
Dodson, Bryan. The Weibull Analysis Handbook. 2da ed. Milwaukee, Wisconsin: ASQ
Quality Press, 2006.
2.
Abernethy, Robert B. The New Weibull Handbook. 5ta ed. North Palm Beach, Florida.
2006
3.
4.
5.
Tamborero del Pino, Jos Mara. NPT 331: Fiabilidad: La distribucin de Weibull [En
lnea] Disponible en:
http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/NTP/Ficher
os/301a400/ntp_331.pdf [Consulta: 22 de julio de 2010]
6.
7.
8.
9.
10. Luna, Ana Eugenia. Teora de la confiabilidad [En lnea] Disponible en:
http://focuslab.lfp.uba.ar/public/CursoTErrores2k4/Monografias2005/Ana_E_Luna.pd
f [Consulta: 22 de julio de 2010]
= (a + b + c) / 3
s = [a(a b) + c (c a) + b (b c)] / 18
si u umbral
si u > umbral
Siendo umbral = (b a) / (c a)
Una frmula alterna es la siguiente: Xt = a+ [(c-a) (b-a) u]
si u umbral
c-[(c-a) (c-b) (1+u)] si u umbral
Ejemplo: La empresa MABOL posee un camin con capacidad de 6 T para transportar
troncas. El peso de las troncas sigue una distribucin triangular con parmetros a = 1.5,
b = 2, c = 3.5. El camin debe transportar diariamente 3 troncas. Si el peso de las tres
troncas excede la capacidad del camin, MABOL debe pagar $350 por contratar un
camin extra que cargue la tronca que no cupo en el camin de 6 T. El costo total
promedio anual, incluidos los costos de adquisicin, devaluacin y operacin de un
nuevo camin ms grande es de $75000. Trabajando los 360 das del ao, cul
alternativa es ms rentable: alquilar el camin o comprar uno nuevo?
Para generar valores que representen pesos de troncas:
Umbral = (2-1.5)/(3.5-1.5) = 0.25
I
1
2
3
ui
Xt
0.624 > 0.25 3.5 - (3.5 2) 0.25 = 2.75
0.214 < 0.25 1.5 + (2 - 1.5) 0.214 = 1.27
.
.
2.85
Peso total de las tres troncas
6.87 T debe pagar $150 el da 1
Se debe repetir el procedimiento anterior para los 360 das, acumulando el costo de cada
da y calculando as el costo total anual de la primera rplica. De todo el procedimiento
anterior se realizan unas 49 rplicas ms para hallar en total 50 valores diferentes del
costo total anual. Con estos 50 valores se calcula su media, su varianza y su funcin de
densidad de probabilidad. La media del costo total acumulado se compara con el costo
que tendra el nuevo camin.
Con la funcin de densidad de probabilidad se puede contestar preguntas del tipo Cul
es la probabilidad de que el costo total est entre cualesquiera dos valores a y b?
P (a Costo total b) =?
Unidad 6
6.1 Utilizacin de un equipo
El objetivo de simular este sistema es determinar el uso ms eficiente del equipo
balanceando subutilizacin (tiempo ocioso) con sobreutilizacion (demoras o prdida de
clientes).
Los parmetros probabilsticos sern: tiempo entre llegadas y tiempo de servicio.
Ambos pueden estar regidos por la distribucin exponencial con diferente valor para la
media.
La variable de decisin: nmero de equipos (servidores).
Algunas variables de estado que se pueden usar: hora de llegada del cliente i, hora de
salida del cliente i
1
2
3
4
5
de 2 y 3.
Igualmente supondremos que los tiempos entre llegada de los clientes al sistema y los
tiempos de servicio, generados por alguna frmula seudoaleatoria vista anteriormente y
de acuerdo a los valores ya mencionados , son:
Cliente
T entre llegadas
T de servicio
1
0
.75
2
1.47
1.08
3
.04
2.3
4
2.12
.88
5
2.65
.78
6
.71
.43
7
1.18
.69
*Ati
Ai
1.47
.043
2.12
2.656
.715
1.182
.33
.915
.295
.603
2.253
0
1.47
1.513
3.633
6.289
7.004
8.186
8.516
9.431
9.726
19.329
12.582
Ai Di-1 ? *Pti
SI
NO
SI
SI
NO
SI
NO
SI
NO
SI
SI
Di
ITi
TOTIT
.746 .746
1.082 2.552
0
.724
0
.724
.886 4.519
.782 7.071
1.081
1.77
1.805
3.575
.694
1.115
4.69
.648 10.079
.551
5.241
.84 1.169
1.182 13.764
.25
1.413
5.491
6.904
8.88
En esta simulacin el equipo estuvo ocioso durante 6.904 horas sobre un tiempo total de
13.764 horas de trabajo.
infrecuente pues los dos extremos causan excesivos tiempos muertos (Downtimes) .El
balance deseado se debe determinar segn algunos factores: probabilidad de la falla,
tiempo de reparacin correspondiente, frecuencia de mantenimiento preventivo y sus
costos asociados, primas, multas por incumplimiento etc.
Las suposiciones que se harn es que el equipo, cierto tipo de maquinaria, presentar
fallas intermitentemente, con un tiempo de reparacin aleatorio para cada falla. Se
asume un intervalo de tiempo regular para el mantenimiento preventivo.
Tomaremos como NC al nmero de ciclos de mantenimiento por perodo de tiempo
simulado.
Ai ser el tiempo para la falla i, el momento en que esta ocurre.
Di el tiempo de reparacin de la falla i.
*Dti es el intervalo de tiempo entre la reparacin i-1 y la falla i.
*Rti el intervalo de tiempo requerido para reparar la falla i.
Mt el tiempo para el mantenimiento preventivo. (Constante).
Ct el ciclo de tiempo entre servicios de mantenimiento.
RC el costo de reparacin por unidad de tiempo.
MC el costo de mantenimiento unitario.
TOTC el costo total acumulado por ciclo de mantenimiento.
NC nmero de ciclos de mantenimiento por perodo de tiempo.
N ser el nmero de mquinas que conforman el taller completo.
(*Parmetros aleatorios.)
El modelo matemtico estar compuesto por las siguientes relaciones:
Ai = Di-1 + Dti
Di = Ai + Rti
TOTC = TOTC + RC * Rt
TOTC = TOTC + MC * Mt
Supondremos que las fallas peridicas del equipo se rigen por la distribucin emprica:
Tiempo entre fallas (Dti) / das Frec relativa
0 1.99
0,021
2 3.99
0,044
4 5.99
0,079
6 - 7.99
0,106
8 9.99
0,119
10 11.99
0,128
12 13.99
0,123
14 15.99
0,113
16 17.99
0,092
18 19.99
0,067
20 21.99
0,047
22 23.99
0,032
24 25.99
0,018
26 27.99
0,008
28 29.99
0,003
Frec. acumulada
0,021
0,065
0,144
0,25
0,369
0,497
0,62
0,733
0,825
0,892
0,939
0,971
0,989
0,997
1
Tomaremos el tiempo de reparacin Rti regido por una distribucin Gamma con
parmetros ( = 3, = 2). En este caso la media = 2 / 3 es el valor esperado del
tiempo de reparacin.
Supondremos el costo de reparacin RC de $100 por da y asumiremos que no hay cola
en este servicio.
Supondremos tambin que el mantenimiento regular requiere 6 horas por mquina a un
costo unitario MC de $50.
Si se adopta el programa de mantenimiento todas las mquinas seran servidas luego de
60 das de operacin continua, valor del tiempo de ciclo entre cada mantenimiento, Ct.
El algoritmo y su prueba de escritorio seran como sigue:
I
1
2
3
4
5
*Dit
9.64
24.05
7.51
6.1
13.77
Ai
Ai < 60 ? *Rti
9.64
si
.36
34.05
si
1.14
42.7
si
.45
49.25
si
.8
63.82
no
Di
Di< 60 ?
10
si
35.19
si
43.15
si
50.05
si
RC*Rti
TOTC
100*.36
36
100*1.14
150
100*.45
195
100*.8
275
275+50=325
Para esta corrida de ilustracin, el costo total TOTC result ser 325. Dado que TOTC es
el criterio de desempeo del modelo, se debe hallar su funcin de distribucin
realizando n rplicas del algoritmo, siendo n un nmero suficientemente grande
(1000?) para que el resultado sea estadsticamente confiable y almacenando los valores
obtenidos en un vector de n elementos. Se halla la media del TOTC para cada valor de
la variable de decisin que es Ct, comenzando desde 60 das y finalizando en 90 das,
con una variacin de 4 das, por ejemplo.
As obtendremos parejas de puntos (Ct, TOTC) que barrern el rango de Ct desde 60,
64,68.90. El valor aceptable de Ct que va a influir en la decisin que se tome se
elegir en la regin donde el costo TOTC sea ostensiblemente ms bajo. Esto se podra
representar tambin en una grfica para identificar la regin ms fcilmente.
t= t+1
T = t + Lt
CIT = CIT + CI*IL
CST = CST + CS*NB
COT = COT + CO
TOTC = CIT + CST + COT
Para llevar a cabo una prueba de escritorio del algoritmo, asignaremos los siguientes
valores a los parmetros:
CI = $0.25 / un. /da
costo de almacenamiento.
CO = $20
costo de orden.
CS = $2 / un. /da
costo de faltante
Tf = 1
un ao (365 das)
IL = 60 unds.
Inventario inicial.
LT = 5 das
demora en llegar el pedido.
D demanda diaria regida por una distribucin de Poisson con = 7 un.
Adems
ROP = 40 un. Y
Q = 50 un.
(1)
DTlleg(i)
DTserv(i)
1
2
3
4
5
6
7
1.3
2.7
0.9
1.4
0.5
0.8
3.8
2.9
0.3
1.4
2.0
1.7
1.0
1.0
HORA
0
1.3
4.2
4.5
6.3
8.3
10
11
12.4
(1)
Donde
Ri es el margen bruto por hectrea;
Qi es el rinde en quintales por hectrea de la actividad Ai;
Pi es el precio a cosecha por quintal del cultivo considerado en Ai;
i es la proporcin del ingreso bruto (QiPi) que representa la suma de los gastos de
cosecha, comisiones e impuestos menos las bonificaciones que pudieran existir;
i es el costo de comercializacin por quintal producido;
i es el total de gastos directos.
El rendimiento Qi y el precio Pi son variables aleatorias a las que se les ajustarn
distribuciones de probabilidad, mientras que i, i y i son valores fijos conocidos.
Mediante un mtodo de muestreo aleatorio (Monte Carlo o Latin Hypercube) se
obtienen simulaciones de las variables Pi y Qi. Se calcula la ecuacin iterando y se
obtiene un muestreo estadsticamente significativo para la variable Ri de retornos de la
actividad Ai.
Repitiendo el ejercicio de simulacin para las n actividades agrcolas se obtienen para
cada actividad Ai (1 i n), estimadores de su retorno esperado y de su riesgo dados
por:
T
i = (1 / T) Rjk
(2)
k=1
T
= (1 / T) (Rik i)
k=1
(3)
Mx. Posible
Q1
Q2
Q3
Q4
ai
16
60
15
14
bi
24
80
28
32
ci
30
100
45
40
ui
37.70
17.40
37.70
22.04
vi
53.36
20.30
46.40
26.97
wi
63.80
29.00
69.60
38.16
Precios en $/qq
Girasol
Maz
Soja
Trigo
P1
P2
P3
P4
i
Gastos varios
Secada
Flete corto
Flete largo
i
Total Labores
Semilla
TotAgroqum
Girasol
%.3
% 0.65
%. -10
%8
0.0165
Maz
%3
% 0.65
Soja
%3
%. 0.65
Trigo
%3
% 0.65
%8
0.1165
% 8
0.1165
% 8
0.1165
0.40
1,5 ptos. 0.26
20 km 1.21
400Km.7.46
$/qq 9.33
0.40
5 ptos. 0.85
20 km 1.01
400Km 6.22
$/qq 8.48
0.40
1,5 ptos. 0.26
20 km 1.01
400Km.6.22
$/qq 7.89
0.40
20 km 1.01
400Km.6.22
$/qq 7.63
$/ha 132.75
$/ha 53.86
$/ha 129.95
$/ha 316.56
$/ha 85.50
$/ha 275.50
$/ha 253.98
$/ha 614.98
$/ha 144.00
$/ha 93.53
$/ha 115.25
$/ha 352.77
$/ha144.00
$/ha 57.42
$/ha235.33
$/ha 436.75
Con los datos de todos los parmetros se puede realizar la simulacin del modelo. Se
obtienen los siguientes resultados:
Perfiles de retorno/riesgo de las cuatro actividades
Media
Oeste de
Buenos Aires en $/ha
Girasol R1
Maz R2
Soja R3
Trigo R4
i
650.01
278.36
743.49
80.74
desvo estndar
i
170.15
199.22
290.58
131.76
Adems se obtiene la siguiente matriz de covarianzas (aplicando (4)) estimada para los
mrgenes brutos de los cuatro cultivos en el Oeste de Buenos Aires.
ij
Girasol
Maz
Soja
Trigo
Girasol
28951.61
880.06
-1501.39
-14.93
Maz
880.06
39689.43
1102.45
-31.38
Soja
-1501.39
1102.45
84439.30
47.68
Trigo
-14.93
-31.38
47.68
17361.95
88 = ((.27*170.15)+ (.119*199.22)+.(.45*131.76) )
(1)
t= 3* V / Fs
Con estos valores resulta un tiempo de 30 das para que el cuerpo de agua de volumen
V reduzca su contaminacin a un 5% de su nivel inicial, siempre que el flujo de entrada
no est contaminado.
Este modelo tiene varias limitaciones, por ejemplo si el flujo de entrada contina
llegando con una cierta densidad de contaminante, el modelo falla; lo mismo si el
volumen V de la laguna vara o si la densidad de contaminante en el flujo de entrada
vara a lo largo del tiempo (tal como ocurre en realidad en una laguna de purificacin) o
si se toma en cuenta evaporacin o absorcin del agua de la laguna. Una forma
alternativa de resolver la ecuacin (1) es por iteracin numrica, en un enfoque de
modelo discreto:
Rescribimos la ecuacin (1) de una forma un poco diferente:
[X (t) X (t-1)] * V = - Fs * X (t-1)
(2)
X (t) = X (t-1) * [1 Fs / V]
Con esta ecuacin y con los datos supuestos, se puede calcular iterativamente el valor
de la densidad X (t) para el da 1, por ejemplo:
X (1) = X (o) * [1 100 / 1000] = 100 * 0.9 = 90
Si se programa en una tabla en Excel, los resultados coinciden con los de la solucin de
la ecuacin diferencial del modelo continuo.
Ahora se pueden incorporar al modelo discreto ciertas consideraciones que el modelo
contnuo no permita: Si vara, por ejemplo, el volumen V del lago de un tiempo t a otro
t+1, esta variacin se puede incorporar al modelo discreto. Lo mismo ocurrira con una
posible variacin del flujo de salida r. Si estas variaciones se producen de manera
aleatoria, esta condicin se puede simular con el modelo discreto generando valores
aleatorios con diferentes distribuciones, para la(s) variable(s) que posea(n) esta
caracterstica. La distribucin de la(s) variable(s) aleatoria(s) se debe determinar por
medio de un adecuado muestreo.
A modo de ilustracin se va a variar el algoritmo para incorporar variacin de flujo as
como evaporacin (tambin se podra considerar la precipitacin).
Variacin de flujo
Supongamos que el volumen V del cuerpo de agua no es constante. Significa que el
flujo de entrada Fe, no es el mismo de salida Fs. A lo largo del da, hora tras hora, el
flujo puede tomar una distribucin cualquiera, suponga que a travs de un muestreo
estadstico se concluye que entre las 8 de la maana y las 4 de la tarde Fe est regido
por la siguiente distribucin de probabilidad:
Se debe generar una variable aleatoria que simule el valor que representa a Fe, segn la
distribucin anterior, Fs lo supondremos igual al flujo de entrada de la hora anterior. La
prueba de escritorio quedara as:
T(hora) Fe
0
1
2
Xe
120 100
112 90
etc.
Vl
Xl
Fs
Xs
100000
100030
50
50.06
90
120
50
50.06
T representa el perodo, se puede medir en horas, es una variable que aumenta de uno en uno
indefinidamente.
Fe tiene unidades de m3/h y es el flujo de entrada generado aleatoriamente segn la
distribucin de probabilidad anterior.
Xe tiene unidades de g/m3 y representa la densidad de contaminacin con slidos del flujo de
entrada.
Vl es el volumen del lago, m3.
Xl es la densidad de contaminacin con slidos del agua del lago, medida en g/m3.
Fs, en m3/h, es el flujo de salida, igual al de entrada del perodo inmediatamente anterior.
Xs es la densidad de contaminacin del flujo de salida, igual a la del lago.
La primera lnea de la prueba de escritorio est conformada por valores asumidos (inicializacin
de variables).En la segunda lnea se ha generado valores aleatorios para Fe y Xe. El volumen
del lago V(t) se calcula como
V (t-1) + Fe (t-1) Fs (t-1).
La nueva densidad de contaminacin del lago se calcula como
(V (t-1)*Xl (t-1) +Fe (t-1)*Xe (t-1)-Fs (t-1)*Xs (t-1)) / V (t)
El flujo de salida Fs (t) es igual a Fe (t-+1).
La densidad de contaminacin del flujo de salida Xs (t) es la misma que la del lago Xl (t).
En la realidad, la primera laguna es la anaerbica (bacterias anaerbicas), es la ms larga y
profunda y el paso del agua a travs de ella tarda unos 20 das para que la densidad de
contaminacin con slidos decaiga a un 60% y la demanda biolgica de oxgeno DBO caiga un
Smbolo
B
Un
G
Ul
d
a
Ua
e
m
K
Uc
Valor (%)
0.3
0.28
0.7
0.09
0.9
0.4
0.1
0.21
0.21
0.4
0.15
50
17
17,9
24,794
24,9639
25,7731
27,854
29,8946
31,9708
34,3035
36,8624
39,6227
42,605
45,8257
49,2945
53,0222
57,0193
61,2929
65,8441
70,6642
75,7282
80,9838
86,3358
91,6231
96,593
100,888
104,089
105,866
106,197
20
31,2
6,596
11,2615
16,0286
16,1488
16,974
18,6047
20,1344
21,6579
23,3328
25,136
27,049
29,0816
31,2357
33,5021
35,8626
38,2833
40,7035
43,0201
45,065
46,5772
47,1854
46,4494
44,0538
40,2087
35,9219
32,3234
29,5891
adultos Depredador
40
54
76,68
74,948
77,589
84,256
90,364
96,604
103,69
111,44
119,79
128,81
138,55
149,04
160,31
172,39
185,3
199,05
213,6
228,87
244,7
260,79
276,63
291,44
304,1
313,34
318,19
318,7
315,92
0,5
0,45
0,5058
0,319625
0,231801
0,19021
0,156538
0,131411
0,114603
0,10345
0,096535
0,093317
0,093571
0,097405
0,105356
0,118496
0,138645
0,168766
0,213601
0,280687
0,381848
0,535083
0,765995
1,105873
1,58028
2,182487
2,846342
3,46809
3,976055
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
105,396
103,827
101,787
99,5091
97,14
94,7986
92,5312
90,4083
88,4112
86,6088
84,9272
83,4627
82,0883
80,9385
79,8448
78,9671
78,1228
77,4686
76,841
76,3655
75,9194
27,5744
26,1729
25,1544
24,4981
23,9821
23,7369
23,4472
23,4605
23,242
23,4456
23,2189
23,5623
23,3121
23,7285
23,4882
23,8994
23,7163
24,0618
23,9616
24,2183
24,1944
310,96
304,68
297,77
290,63
283,62
276,84
270,52
264,57
259,23
254,22
249,9
245,81
242,43
239,17
236,61
234,09
232,19
230,31
228,94
227,61
226,65
4,340984
4,564494
4,671572
4,685999
4,638959
4,544523
4,429721
4,292153
4,159995
4,013733
3,888952
3,750421
3,642581
3,519613
3,430109
3,326396
3,253178
3,169658
3,11018
3,045591
2,997976
59
61.8
64.2
65.9
67.7
71.5
72
73.6
75.8
78.2
30
80.3
4.8%
Y= ingreso nacional
F= ingresos fiscales
C= a*Y+b
I= c*U+d
F= e*B
I= inversin
B= producto bruto nacional
B= C+I+G
Y= B-F
(1)
(2)
(3)
(4)
Las constantes K1 hasta K4 se calculan a partir de datos histricos mediante las tcnicas
de manejo de datos de la econometra (mnimos cuadrados etc).
Para generar trayectorias de tiempo para precios, demandas y ofertas en base a datos del
perodo t=0, utilizamos el siguiente procedimiento:
Leer Po, Do, K1.K4
Para t=1, N
Generar Ut, Vt y Wt
Calcular Ot segn (2)
Calcular Dt = Ot- Wt
Calcular Pt segn (4)
Xn+1= Xn (1+p/100)
Si p es menor que cero la poblacin decrecer.
Se puede escribir 1 + p / 100 = k donde Xn+1 = k * Xn
Si 0 k 1 la poblacin disminuye, si k mayor que 1, la poblacin crece.
Los factores que frenan el crecimiento dependen del tamao mismo de la poblacin, de
lo favorable que sea el medio, de los medios de subsistencia, de los depredadores, la
mortalidad etc.
K= f (Xn)
Tomemos por supuesto: Tamao mnimo de la poblacin Xn> 0
Tamao mximo de la poblacin Xn< 1
Describiremos la cantidad de poblacin en el intervalo (0,1).
Ambas exigencias K= f (Xn) y Xn (0,1) se satisfacen. Tomando k = w (1-Xn) con
w= parmetro de crecimiento.
Para Xn 0, k w alcanzando su mayor valor.
Para Xn 1, k 0 alcanzando su menor valor.
Xn+1 = k*Xn = w (1-Xn) Xn = w Xn w Xn^2
= 1/n Yi
S = ((1/n Yi) - )
El valor del parmetro se representa por dos nmeros entre los cuales se supone que
existe tal parmetro. El intervalo entre estos dos nmeros es el intervalo de confianza.
Los lmites que contienen un parmetro con una probabilidad del 95% se llaman lmites
de confianza del 95% (el parmetro debe caer en el rea no sombreada). Es la
probabilidad de que el verdadero valor del parmetro a estimar est (1-)*1/100 dentro
de dicho intervalo. Si se realiza 100 veces la estimacin, el 100*(1-) de las veces, el
verdadero valor del parmetro cae en este intervalo.
- T (n-1, 1- /2) * S / (n-1) < < + T (n-1, 1- /2) * S / (n-1)
, es conveniente utilizar el
es decir,
o dicho de forma ms precisa: Con un nivel de confianza del 95% podemos decir que la
media poblacional est en el intervalo siguiente
(al
)y
Solucin: sobre la muestra piloto, el error cometido al estimar el intervalo al 95% fue
aproximadamente de 4'2 cm. por lo que si buscamos un intervalo de confianza tan
preciso, el tamao de la muestra, N, deber ser bastante mayor. En este caso se obtiene:
Bibliografa recomendada.
Azarang/Garca.
Banks, Jerry
Banks, Jerry
Coss, Bu
Coss, Bu
Crespo,
Deo, Narsingh.
Gallagher,
Gottfried,
Gordon, Geoffrey
Hanke,
Kelton,
Kobayashi, H.
Low,
Naylor,
Ortiz, M. A.
Ros, Sixto
Anexos
Anexo 1: anlisis de regresin.
El material de este acpite bajado de INTERNET, se incluye como repaso del tema que
se supone ya visto por el alumno en cursos anteriores.
FISICA I
Escuela Politcnica de Ingeniera de Minas y Energa Torrelavega
AJUSTE POR MNIMOS CUADRADOS
Existen numerosas leyes fsicas en las que se sabe de antemano que
dos magnitudes x e y se relacionan a travs de una ecuacin lineal
y =ax +b
donde las constantes b (ordenada en el origen) y a (pendiente)
dependen del tipo de sistema que se estudia y, a menudo, son los
parmetros que se pretende encontrar.
EJEMPLO: La fuerza F de traccin sobre un muelle y el alargamiento
l que experimenta ste estn ligadas a travs de una ley lineal:
l = (1/K)F
con ordenada en el origen cero y donde el inverso de la pendiente
(K) es una caracterstica propia de cada muelle: la llamada
constante elstica del mismo.
El mtodo ms efectivo para determinar los parmetros a y b se
conoce como tcnica de mnimos cuadrados.
Consiste en someter el sistema a diferentes condiciones, fijando
para ello distintos valores de la variable independiente x, y
anotando en cada caso el correspondiente valor medido para la
variable dependiente y. De este modo se dispone de una serie de
puntos (x1,y1), .... (xn,yn) que, representados grficamente,
deberan caer sobre una lnea recta. Sin
embargo, los errores experimentales siempre presentes hacen que no
se hallen perfectamente alineados (ver Fig. 1). El mtodo de
mnimos cuadrados determina los valores de los parmetros a y b de
la recta que mejor se Ajuste por mnimos cuadrados ajusta a los
datos experimentales. Sin detallar el procedimiento, se dar aqu
simplemente el resultado:
Cuadro 1.
Operaciones
Mensuales en
una Empresa de
Transporte de
Pasajeros.
Costos
Millas
Totales
Vehculo
(miles)
(miles)
Mes N
Y
X
1
213.9
3147
2
212.6
3160
3
215.3
3197
4
215.3
3173
5
215.4
3292
6
228.2
3561
7
245.6
4013
8
259.9
4244
9
250.9
4159
10
234.5
3776
11
205.9
3232
12
202.7
3141
13
198.5
2928
14
195.6
3063
15
200.4
3096
16
200.1
3096
17
201.5
3158
18
213.2
3338
19
219.5
3492
20
243.7
4019
21
262.3
4394
22
252.3
4251
23
224.4
3844
24
215.3
3276
25
202.5
3184
26
200.7
3037
27
201.8
3142
28
202.1
3159
29
200.4
3139
30
209.3
3203
31
213.9
3307
32
227.0
3585
33
246.4
4073
Cuadro 3
Demanda de Automviles Nuevos
y Variables Relacionadas,
1932-56.
X1
X2
X3
Y
1932 126.5 83.4 18.7 1.10
1933 128.5 82.6 17.9 1.53
1934 128.5 90.9 18.9 1.93
1935 120.5 99.3 19.4 2.87
1936 117.0 111.6 20.1 3.51
1937 121.0 115.6 21.5 3.51
1938 133.8 109.0 22.3 1.96
1939 131.0 118.5 22.7 2.72
1940 134.3 127.0 23.2 3.46
1941 144.9 147.9 24.5 3.76
..
..
..
..
..
1949 186.6 184.9 30.6 4.87
1950 186.6 200.5 33.1 6.37
1951 181.5 203.7 35.7 5.09
1952 195.7 209.2 37.6 4.19
1953 188.2 218.7 39.3 5.78
1954 190.2 221.6 41.6 5.47
1955 196.6 236.3 43.0 7.20
1956 193.4 247.2 47.0 5.90
Fuente: The Demand for New
Automobiles in the United States,
Review of Economics and Statistics,
Fuente: J.
Johnston,
Anlisis
Cuadro 2
Bancos Comerciales Privados en Guatemala (1991).
Gastos
Total
Agencias
Generales
Activo
y de
Promedio
Admin.
G&T
48.8
831.5
30
INDUSTRIAL
43.2
1204.0
18
OCCIDENTE
39.4
1153.5
20
del CAFE
29.8
499.6
25
del AGRO
26.2
466.6
30
AGRICOLA MERC.
24.8
522.3
12
INTERNACIONAL
24.0
376.6
12
INMOBILIARIO
21.5
431.3
20
CONSTRUBANCO
18.3
282.2
10
del EJERCITO
15.6
311.8
13
LLOYDS
14.3
284.5
METROPOLITANO
12.9
339.0
BANEX
12.5
462.8
del QUETZAL
8.8
205.0
12
PROMOTOR
6.0
162.4
CITIBANK
5.9
45.8
CONTINENTAL
3.6
113.7
REFORMADOR
1.7
237.3
UNO
1.0
170.8