Cartilla - S5Simulacion Gerencial

SIMULACIN
GERENCIAL
Modelos estadsticos en Simulacin 2
MODELOS ESTADSTICOS EN SIMULACIN 2
1. ndice
1. Distribuciones de Probabilidad Continuas
1.1. Distribucin Exponencial
1.2. Distribucin Uniforme Continua
1.3. Distribucin Normal
1.4. Distribucin Triangular.
2. Estimacin Puntual
3. Estimacin por Intervalos de Confianza
3.1. Intervalos de Confianza Para una sola Muestra: Estimacin de la Media
3.2. Intervalos de Confianza Para dos Muestras: Estimacin de la diferencia entre dos
Medias
4. Pruebas de Hiptesis
4.1. Pruebas Para una sola Media
4.2. Pruebas Para dos Medias
2. Introduccin
El propsito del presente documento es presentar a los estudiantes los conceptos bsicos de
estadstica necesarios para desarrollar una simulacin de Montecarlo. La estadstica ser una
herramienta esencial para el soporte de la construccin de modelo, tanto al inicio como al final
para realizar el anlisis de resultados.
Por otra parte, teniendo en cuenta que el objetivo general del mdulo es que los estudiantes
desarrollen las capacidades necesarias para llevar a cabo un estudio completo de simulacin,
en esta unidad, se har un repaso de las principales funciones de probabilidad continuas que
se emplean frecuentemente en la construccin de estos tipos de modelo.
Adicionalmente, se presentarn dos de los conceptos de la estadstica inferencial ms

utilizados en la Simulacin. Los Intervalos de Confianza y las Pruebas de Hiptesis.
Finalmente, se presentar al estudiante una serie de ejercicios relacionados para reforzar los
conocimientos adquiridos en el desarrollo del mdulo.
3. Objetivo general
Al finalizar el mdulo los estudiantes sabrn cules son los conceptos bsicos de estadstica
relacionados con la simulacin de Montecarlo, as como las principales funciones de
probabilidad continuas aplicadas en la construccin de este tipo de modelos y la aplicacin de
tcnicas de estimacin por intervalo y pruebas de hiptesis.
2 [ POLITCNICO GRANCOLOMBIANO]
Al finalizar la primera semana de aprendizaje el estudiante estar en capacidad de:
1. Identificar los conceptos fundamentales de los modelos estadsticos aplicados a

simulacin
2. Reconocer las distintas funciones de probabilidad continuas utilizadas en simulacin
de Montecarlo
3. Reconocer los estimadores por intervalo
4. Reconocer las pruebas de hiptesis.
4. Desarrollo temtico.
4.1 Recomendaciones acadmicas.

Se recomienda al estudiante realizar la lectura de la cartilla, en la cual se encuentra toda la
informacin relevante que se ver en la semana. Adicional a la lectura de la cartilla es necesario
que revise las teleconferencias as como las video-diapositivas, pues estas son un medio que
puede aclarar las dudas generadas con la lectura o tambin dar soporte a los temas expuestos
en la misma.
Finalmente, se recomienda al estudiante realizar los ejercicios planteados y sugeridos por el

tutor ya que estos a pesar de no tener un valor porcentual en la nota s harn que su formacin
sea completa y pueda ser reforzada de forma prctica.
4.2 Desarrollo de cada una de las unidades temticas.
1. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
A continuacin se presentarn las distribuciones de probabilidad continuas ms empleadas en

el modelaje de sistemas a travs de la simulacin de eventos discretos, aunque existen otro
tipo de distribuciones que tambin pueden emplearse, aqu solo presentaremos las ms
relevantes.
1.1 Distribucin Exponencial

Considrese un Proceso de Poisson de parmetro observado a partir de un instante t0, y
defnase la VA continua XE como:
XE = tiempo que transcurre entre el instante t0 y la prxima llegada del proceso
La funcin de distribucin acumulada, F(X) de la VA XE estar dada por:
(; ) = ( ) = 1 ( > )
(; ) = ( ) = 1 ( 0 )
[ SIMULACIN GERENCIAL] 3
()0
(; ) = ( ) = 1
0!
(; ) = ( ) = 1
Por lo tanto, la funcin de distribucin acumulada de la VA exponencial se expresa como:

(; ) = ( ) = 1 > 0
Se sabe que la funcin de distribucin de probabilidad de una VA continua se obtiene

calculando la derivada de la funcin de distribucin acumulada. Por lo tanto, dicha funcin,
fXE(t; ) se expresa como:
(; ) = > 0
Su media y varianza estn dadas por:

1
() =

1
= 2

Ejemplo:
Suponga que la vida til de una lmpara industrial, en miles de horas, se distribuye
exponencialmente con tasa de falla =1/3 (una falla cada 3000 horas, en promedio).
La probabilidad de que la lmpara dure ms de esta vida til est dada por:
( > 3) = 1 ( 3)
En Excel, se busca la funcin DISTR.EXP, con parmetros: X=3; =1/3; Acumulado = 1. El

resultado de esta funcin sera de 0,632; luego la probabilidad de que la lmpara dure ms que
la vida til diseada es de 1-0,632 = 0,368.
1.2 Distribucin Uniforme
Una VA X se distribuye uniformemente en el intervalo (a, b) si su funcin de distribucin de

probabilidad est dada por:
1
() = { ,
0, . . .
La funcin de distribucin acumulada est dada por:
0 <

F(X) = { <
1
Su media y varianza, estn dadas respectivamente por:
+
() =
2
( )2
=
12
La distribucin uniforme juega un papel importante en simulacin. Los nmeros aleatorios,
distribuidos uniformemente entre 0 y 1, proveen los medios bsicos para generar eventos
aleatorios. Estos nmeros aleatorios se usan para generar muestras de variables aleatorias de
otras distribuciones de probabilidad.
1.3 Distribucin Normal
Considrese la VA binomial XB, definida por el lanzamiento de una moneda 15 veces. Si se

grafica la probabilidad de obtener 0,1,2,,15 caras, se obtiene la siguiente grfica
Se puede demostrar, en efecto, que si se realizan N experimentos independientes de Bernoulli

de parmetro p, para un valor de N suficientemente grande, se obtiene:
La aproximacin anterior dio lugar a la definicin de una VA continua conocida como la

distribucin Normal de parmetros y , cuya funcin de probabilidad est dada por:
Esta expresin no se puede evaluar mediante mtodos numricos tradicionales; de hecho

estos mtodos se podran aplicar pero la integral debera evaluarse para cada par (, ). Sin
embargo, una transformacin de variables, z = (x- )/ , permite la evaluacin de esa integral,
independiente de dichos valores.
Si ~(, ), = ( )/, para obtener:
x
F ( x ) P X x P Z

( x ) / 1 z2 / 2 z 1 t 2 / 2
e dz donde ( z ) e dt

2

2
( x ) /
( z )dz ( x )

La funcin (z) es la funcin de distribucin de probabilidad de una VA normal con media cero
y varianza 1. A esta distribucin se le conoce como la distribucin normal estndar, y ha sido
tabulada en distintos formatos para una mejor comprensin y resolucin de situaciones que
involucren VA normales.
Dentro de los recursos adicionales encontrar la tabla donde se resumen los valores que toma
la distribucin normal estndar.
Ejemplo:
El tiempo requerido en horas para cargar un container se distribuye normalmente con media
= 12 y varianza = 4. La probabilidad de que el container se cargue en menos de 10 horas, estara
dada por
10 12
F (10 ) (1) 0.1587
2
1.4 Distribucin Triangular
Una VA X se distribuye de forma Triangular en el intervalo (a, c, b) si su funcin de distribucin

de probabilidad est dada por:
2( x a)
(b a)(c a ) a x c

2(b x)
f ( x) c xb
(b a)(b c)
0 dlc

El nombre de esta distribucin viene dado por la forma de su funcin de densidad, cuyo
comportamiento grfico est dado por:
La funcin de distribucin acumulada est dada por:
( x a) 2
axc
(b a )(c a )
(b x) 2
F ( x) 1 c xb
(b a )(b c)
1 xb

Su media y varianza, estn dadas respectivamente por:
abc
E ( x)
3
a 2 b 2 c 2 ab ac bc
V ( x)
18
La distribucin triangular juega un papel fundamental en simulacin. Esta distribucin

proporciona una aproximacin cuando hay poca informacin disponible, de forma que slo se
necesita conocer el mnimo (valor pesimista (a)), el mximo (valor optimista (b)) y la moda
(valor ms probable (c)). Estos tres valores son los parmetros que caracterizan a la
distribucin.
Un ejemplo del uso de esta distribucin se encuentra en el anlisis del riesgo, donde la
distribucin ms apropiada es la beta pero dada su complejidad, tanto en la su comprensin
como en la estimacin de sus parmetros, se utiliza la distribucin triangular como
aproximacin.
2. ESTIMACIN PUNTUAL
Un estimador es un estadstico aleatorio, es decir, una funcin de una muestra aleatoria de

algunos datos observados. Un valor cualquiera del estimador se le conoce como un estimado.
Cabe aclarar que un estimador es una variable aleatoria, mientras que un estimado es uno de
sus resultados. Los buenos estimadores son insesgados, lo que quiere decir que en la medida
que el tamao de muestra tiende a infinito, las esperanzas de dichos estimadores convergen
hacia el valor real del parmetro.
Comnmente, los momentos y las estadsticas relacionadas se calculan a partir de datos

muestrales utilizando estimadores. Consideremos una muestra finita Y = {Y1, Y2, , YN},
donde las observaciones aleatorias {j = 1, , N} tienen una distribucin comn con media y
varianza 2. Un estimador insesgado para la media, , basado en la muestra Y, es la media
muestral
N
1
= Yi
Y
N
i=1
Un estimador insesgado para la varianza, 2, basado en la muestra Y, es la varianza muestral
N
1
2
S = |2 ,
|Yi Y
N1
i=1
Donde la desviacin estndar muestral, S, es simplemente la raz cuadrada de S2.
Cabe anotar que estos estimadores son puntuales, lo que quiere decir que proveen un
estimado escalar de algn parmetro desconocido.
3. ESTIMACIN POR INTERVALOS DE CONFIANZA
Es muy poco probable que, incluso el estimador Insesgado ms eficiente estime con exactitud
el parmetro poblacional. A pesar que, dicha precisin aumenta con muestras grandes, no
existe ninguna razn por la cual deberamos considerar que el estimador puntual de una
muestra aleatoria sea exactamente igual al parmetro poblacional que se est estimando. Por
lo tanto, sera ms conveniente pensar que se debera estimar un Intervalo, es decir, un lmite
inferior y un lmite superior en el cual, se esperara encontrar el valor del parmetro. Este
intervalo se le conoce como estimacin por intervalo.
La estimacin por intervalo de un parmetro poblacional (Denotado por ), es un intervalo de

la forma < < ,
donde y
dependen del valor del estimador para una
muestra y de su distribucin de muestreo. Como muestras distintas, darn como resultado
diferentes valores de y
,
dichos valores sern aleatorios. Por lo tanto, si queremos
realizar dicha estimacin con algn grado de certeza, deberamos realizar la estimacin de la
forma:
(
< <
)
sup = 1
Donde es algn valor entre 0 y 1. Esto, en palabras significa que tenemos una probabilidad
1- de seleccionar una Variable (Aleatoria) que contenga el parmetro. Por lo tanto, el
intervalo de la forma < < calculado a partir de la muestra aleatoria se le
denomina Intervalo de Confianza, el Porcentaje 1 se le denomina Nivel de Confianza y los
valores
y
se denominan lmites Inferior y Superior del Intervalo, respectivamente.
3.1 Intervalos de confianza para una sola muestra: Estimacin de la Media
Cuando se realiza la estimacin por intervalo para la media, debemos recordar que, de acuerdo
al Teorema del Limite Central, la distribucin muestral de ser aproximadamente:
2
~ (; )

Siempre y cuando el tamao de la muestra sea grande. Por lo tanto, la forma lmite de la
distribucin de :
X
Z
n
Cuando n es la distribucin Normal estndar n (z; 0, 1).
Adicionalmente, otro de los elementos a tener en cuenta es el conocimiento de la varianza

poblacional 2 . En este caso, si conocemos la varianza poblacional, el intervalo de confianza
de 1 de una muestra aleatoria de tamao n para el parmetro poblacional estimado por
ser:

P X Z / 2 X Z / 2 1
n n
Es claro que los lmites Inferior y Superior del Intervalo son:

LI X Z / 2
n

LS X Z / 2
n
En el caso de no conocer la varianza poblacional 2 , debemos estimarla por medio de la

varianza muestral 2 . Si la muestra aleatoria proviene de una distribucin normal, la
distribucin de:
X
T
S n
Es la distribucin t de Student t(n-1). Se debe tener en cuenta que S es la desviacin estndar

de la muestra y (n-1) corresponde a los grados de libertad de la distribucin t.
En este caso, si no conocemos la varianza poblacional, el intervalo de confianza de 1 de

una muestra aleatoria de tamao n para el parmetro poblacional estimado por ser:
S S
P X t v / 2 X t v , / 2 1
n n
Donde /2 es el valor de con v=n-1 grados de libertad.
Es claro que los lmites Inferior y Superior del Intervalo son:
S
LI X t / 2
n
S
LS X t / 2
n
Donde
t es el valor t que tiene un rea a la derecha.
3.2. Intervalos de Confianza Para dos Muestras: Estimacin de la diferencia entre dos
Medias
Muchas veces, en el anlisis de los modelos de simulacin de Montecarlo nos interesar
realizar un anlisis sobre dos poblaciones, con medias 1 y 2 y varianzas 1 y 2
respectivamente. Un estimador puntual de la diferencia 1 2 est dado por el estadstico
1 2 . Teniendo en cuenta esto, para realizar una estimacin puntual sobre la diferencia de
dos medias (1 2 ), se deber seleccionar 2 muestras aleatorias independientes, de tamao
n1 y n2 respectivamente. Al calcular la diferencia de los promedios 1 2 , debemos
considerar la distribucin muestral de dicho estadstico.
Como se analiz en el numeral anterior, debemos realizar previamente un anlisis y determinar

si se conocen las varianzas poblacionales. Si 1 2 son las medias de dos muestras aleatorias
independientes de tamao n1 y n2 respectivamente, de poblaciones con varianzas conocidas
(1 y 2 ), el intervalo de confianza de 1 para la diferencia 1 2 es:
21 2 2 21 2 2
P X 1 X 2 Z / 2
1 2 X 1 X 2 Z / 2 1
n1 n2 n1 n2

Por el contrario, si 1 2 son las medias de dos muestras aleatorias independientes de

tamao n1 y n2 respectivamente, de poblaciones aproximadamente normales con varianzas
desconocidas (1 y 2 ) pero iguales, el intervalo de confianza de 1 para la diferencia 1
2 es:
1
P X 1 X 2 t / 2 S p 1 2 X 1 X 2 t / 2 S p
1 1 1
n

n n

n 1
1 2 1 2
Donde t / 2 es el valor de la distribucin t con un nivel de significancia de /2 con v=n1+n2-2

grados de libertad y Sp es la estimacin de la unin de la desviacin estndar poblacional. Dicha
estimacin se calcula por medio de:
n1 1S 21 n2 1S 2 2
Sp
n1 n2 2
Se debe tener en cuenta que S 21 y S 2 2 son las varianzas muestrales de las muestras n1 y n2
respectivamente.
4. PRUEBAS DE HIPTESIS
Las pruebas de hiptesis constituyen uno de los elementos ms importantes de la Simulacin

de Montecarlo y en la estadstica inferencial, ya que representan la formalizacin de los
intervalos de confianza y su principal objetivo es generar un procedimiento de decisin basado
en un postulado o conjeturas y muestras aleatorias que permitan concluir sobre algn sistema
bajo estudio con un nivel de confianza 1 .
Para entender la estructura de las pruebas de hiptesis, se deben definir ciertos conceptos:
- Hiptesis Estadstica: Una hiptesis estadstica (HE) es una afirmacin acerca del valor de
los parmetros de la distribucin de una poblacin si dicha distribucin se conoce o sobre
el tipo de distribucin si sta es desconocida. Si la hiptesis caracteriza completamente la
distribucin, se le llama hiptesis simple, de lo contrario decimos que es una hiptesis
compuesta.
- Prueba estadstica (de H0 contra H1): Una prueba para confrontar una hiptesis estadstica
H0 contra una hiptesis estadstica H1 (dichas hiptesis deben ser excluyentes) es una regla
que permite tomar la decisin de aceptar o rechazar la hiptesis H0 (y consecuentemente
rechazar o aceptar H1), segn los valores obtenidos en la muestra aleatoria y de acuerdo
con cierto porcentaje admisible de error.
- Hiptesis nula e hiptesis alterna: En pruebas de hiptesis estadsticas, se acostumbra a

llamar hiptesis nula (H0) a aquella que se asume hasta el momento como verdadera, e
hiptesis alterna (H1) a aquella que se presenta como nueva alternativa a la hiptesis H0
que hasta el momento apareca como verdadera.
Se debe tener en cuenta que, al momento de plantear las hiptesis estadsticas, dichas
pruebas pueden ser a 1 o 2 colas. En otras palabras, la regin de aceptacin y de rechazo
de las pruebas puede ser una o dos, dependiendo del planteamiento de la Hiptesis
alterna.
Dichas alternativas son:
1. Pruebas de 2 colas basadas en un estimador apropiado del parmetro.
: =
}
:
2. Pruebas de cola superior (1 Cola) basadas en un estimador apropiado del parmetro.
: =
}
: >
3. Pruebas de cola inferior (1 Cola) basadas en un estimador apropiado del parmetro.
: =
}
: <
Nota: Se debe tener en cuenta que, segn la presentacin de las alternativas anteriores, las
Hiptesis Nulas (Ho) en cualquier caso siempre se presentan en Igualdad.
- Regin crtica (C): La regin crtica (C) asociada a la prueba de una hiptesis estadstica es
el conjunto de todos los posibles resultados de la muestra aleatoria para los cuales la
hiptesis nula es rechazada, de acuerdo con la prueba aplicada.
El Procedimiento general para realizar las pruebas de hiptesis es:
1. Establezca las hiptesis Nula y Alterna.

2. Defina el nivel de significancia de la prueba ().
3. Seleccione un estadstico de prueba adecuado.
4. Establezca la regin crtica con base en ().
5. A partir del estadstico de prueba calculado, rechace Ho si el estadstico de prueba est
en la regin crtica. De lo contrario, no rechace Ho.
6. Genere sus conclusiones.
4.1. Pruebas para una sola Media
Al igual que en los intervalos de confianza, el objetivo de la prueba de hiptesis para una sola
media busca contrastar si el parmetro poblacional () es igual a un valor especfico de una
muestra aleatoria, denotado anteriormente como , con un nivel de confianza 1-.
Teniendo en cuenta que los estadsticos utilizados en los intervalos de confianza para una
media se distribuan Normal o t de Student, bajo la afirmacin del conocimiento de la varianza
poblacional ( 2 ), los estadsticos de prueba de las pruebas de hiptesis tendrn el mismo
comportamiento.
Por lo tanto, si la varianza poblacional es conocida ( 2 ) y teniendo en cuenta que el modelo se

centra en un experimento con X1, X2,., Xn de una muestra aleatoria de una distribucin con
media y varianza 2 el estadstico de prueba para la hiptesis de contraste de una media
ser:
X 0
Zp n

Bajo la Hiptesis nula (Ho), dicho estadstico se distribuye Normal Estndar N(0,1). El rechazo
de Ho a un nivel de significancia resulta cuando el estadstico de prueba Zp excede a /2 o
es menor a /2 siempre y cuando la prueba sea de dos colas. Si la prueba es de una cola se
rechazar Ho a un nivel de significancia cuando el estadstico de prueba Zp excede a o es
menor a , siempre y cuando la prueba sea de cola superior o inferior, respectivamente.
Por otro lado, si la varianza poblacional es desconocida ( 2 ) el estadstico de prueba para la

hiptesis de contraste de una media ser:
X 0
tp n
S
Bajo la Hiptesis nula (Ho), dicho estadstico se distribuye t de Student con n-1 grados de
libertad t(n-1). Nuevamente, el rechazo de Ho a un nivel de significancia resulta cuando el
estadstico de prueba tp excede a /2,1 o es menor a /2,1 siempre y cuando la prueba
sea de dos colas. Si la prueba es de una cola se rechazar Ho a un nivel de significancia cuando
el estadstico de prueba tp excede a ,1 o es menor a ,1 , siempre y cuando la prueba
sea de cola superior o inferior, respectivamente.
Ejemplo: En cierto estudio sobre la duracin de las llamadas en un centro de quejas y reclamos,
se recolect una muestra aleatoria de 100 llamadas. Dicha muestra aleatoria mostr que, la
duracin promedio de una llamada es de 71,8 minutos con una desviacin estndar poblacional
de 8.9 minutos. Dicha informacin indicar que el tiempo promedio de duracin de las
llamadas es superior a 70 minutos? Indicar que el tiempo promedio de duracin de las
llamadas es diferente a 70 minutos? Valide dichas afirmaciones con un nivel de confianza del
95% (1 )
Solucin: Para solucionar el problema anterior, se construirn dos pruebas de hiptesis. La

primera con el objetivo de validar si la duracin de las llamadas es superior a 70 minutos y la
siguiente con el objetivo de validar si la duracin de las llamadas es diferente a 70 minutos.
Adicionalmente, se utilizar el procedimiento presentado anteriormente para la construccin

de las pruebas de hiptesis:
Prueba 1: Validar si la duracin de las llamadas es superior a 70 minutos
Utilizando el procedimiento para la construccin de las pruebas de hiptesis, los resultados

son:
Teniendo en cuenta que la afirmacin que se quiere validar es que la duracin promedio de las
llamadas sea mayor a 70 minutos, las hiptesis para esta prueba son:
: = 70
: > 70
Nota: La hiptesis nula siempre debe ir en igualad. La hiptesis alterna se plantea de acuerdo
con la afirmacin a verificar, que en este caso, hace referencia a que la duracin promedio de
las llamadas es mayor a 70 minutos.
Para este problema, se quiere validar la hiptesis con un nivel de confianza del 95%. Por lo
tanto, el nivel de significancia es = 5% o = 0,05
Para seleccionar el estadstico de prueba adecuado, se debe analizar la informacin disponible

en el problema. En este caso, en la informacin inicial tenemos la varianza poblacional = 8.9
o 2 = (8.9)2 . Teniendo en cuenta esto, usamos como estadstico de prueba:
X 0 71 .8 70
Zp n Zp 100 Z p 2.02
8.9
Teniendo en cuenta que la Hiptesis alterna es de orientacin mayor (>), se puede establecer
que la prueba es a una cola, en este caso, a una cola superior. Por lo tanto, se debe encontrar
el valor crtico de la distribucin. En este caso, como el estadstico de prueba se distribuye
normal estndar, se debe encontrar el valor en la distribucin normal que acumula en la cola
superior el nivel de significancia del 5%. Grficamente, este anlisis ser:
Por lo tanto, buscando en la tabla de la distribucin Normal Estndar, el valor de la distribucin
que acumula el 95% de probabilidad es 1.645. En Excel, este valor se calcula por medio de la
siguiente funcin:
5. A partir del estadstico de prueba calculado, rechace Ho si el estadstico de prueba est en

la regin crtica. De lo contrario, no rechace Ho.
Teniendo en cuenta el resultado del valor crtico del numeral anterior, podemos establecer
que la regin de rechazo de Ho ser cualquier valor mayor a 1.645. Por lo tanto, teniendo en
cuenta que el valor del estadstico de prueba es 2.02, podemos ver que el estadstico se
encuentra en la zona de rechazo de Ho.
Teniendo en cuenta el resultado anterior, se establece que, con un nivel de confianza del 95%,
se rechaza la hiptesis nula. Esto quiere decir que, la duracin de las llamadas es superior a 70
minutos.
Prueba 2: Validar si la duracin de las llamadas es diferente a 70 minutos.
Utilizando el procedimiento para la construccin de las pruebas de hiptesis, los resultados

son:
Teniendo en cuenta que la afirmacin que se quiere validar es que la duracin promedio de las
llamadas es diferente a 70 minutos, las hiptesis para esta prueba son:
: = 70
: 70
Nota: La hiptesis nula siempre debe ir en igualad. La hiptesis alterna se plantea de acuerdo
con la afirmacin a verificar, que en este caso, hace referencia a que la duracin promedio de
las llamadas es diferente a 70 minutos.
Para este problema, se quiere validar la hiptesis con un nivel de confianza del 95%. Por lo
tanto, el nivel de significancia es = 5% o = 0,05
Para seleccionar el estadstico de prueba adecuado, se debe analizar la informacin disponible

en el problema. En este caso, en la informacin inicial tenemos la varianza poblacional = 8.9
o 2 = (8.9)2 . Teniendo en cuenta esto, usamos como estadstico de prueba:
X 0 71 .8 70
Zp n Zp 100 Z p 2.02
8.9
Teniendo en cuenta que la Hiptesis alterna es de orientacin mayor (), se puede establecer
que la prueba es a dos colas. Por lo tanto, en este caso se deben encontrar los valores crticos
de la distribucin. En este caso, como el estadstico de prueba se distribuye normal estndar,
se debe encontrar el valor en la distribucin normal que acumula en la cola superior el nivel de
significancia del 2.5%, ya que el nivel de significancia se reparte equitativamente entre las dos
colas. Grficamente, este anlisis ser:
Por lo tanto, buscando en la tabla de la distribucin Normal Estndar, el valor de la distribucin
que acumula el 97.5% de probabilidad es 1.959 y el valor de la distribucin que acumula el 2.5%
de probabilidad es -1.959. En Excel, estos valores se calculan por medio de la siguiente funcin:
5. A partir del estadstico de prueba calculado, rechace Ho si el estadstico de prueba est en

la regin crtica. De lo contrario, no rechace Ho.
Teniendo en cuenta el resultado del valor crtico del numeral anterior, podemos establecer
que la regin de rechazo de Ho ser cualquier valor mayor a 1.959 y cualquier valor menor a -
1.959. Por lo tanto, teniendo en cuenta que el valor del estadstico de prueba es 2.02, podemos
ver que el estadstico se encuentra en la zona de rechazo de Ho.
Teniendo en cuenta el resultado anterior, se establece que, con un nivel de confianza del 95%,
se rechaza la hiptesis nula. Esto quiere decir que, la duracin de las llamadas es diferente a
70 minutos.
4.2 Pruebas para dos Medias
Al igual que en los intervalos de confianza, el objetivo de la prueba de hiptesis para dos
medias busca contrastar si la diferencia de los parmetros poblacionales (1 2 ) es igual a
un valor especfico de una muestra aleatoria, denotado como , con un nivel de confianza 1-
.
Teniendo en cuenta que los estadsticos utilizados en los intervalos de confianza para la
diferencia de medias se distribuan Normal o t de Student, bajo la afirmacin del conocimiento
de las varianzas poblacionales ( 21 y 2 2 ), los estadsticos de prueba de las pruebas de
hiptesis tendrn el mismo comportamiento.
Por lo tanto, si las varianzas poblacionales son conocidas ( 21 y 2 2 ) y teniendo en cuenta que
el modelo se centra en un experimento con X1, X2,., Xn de dos muestras aleatorias de una
distribucin con media y varianza 2 el estadstico de prueba para la hiptesis de contraste
de una diferencia de medias (0 : 1 2 = 0 ), ser:
X1 X 2 d0
Zp
21 22

n1 n2
Bajo la Hiptesis nula (Ho), dicho estadstico se distribuye Normal Estndar N(0,1). El rechazo
de Ho a un nivel de significancia resulta cuando el estadstico de prueba Zp excede a /2 o
es menor a /2 siempre y cuando la prueba sea de dos colas. Si la prueba es de una cola se
rechazar Ho a un nivel de significancia cuando el estadstico de prueba Zp excede a o es
menor a , siempre y cuando la prueba sea de cola superior o inferior, respectivamente.
Por otro lado, si las varianzas poblacionales son desconocidas ( 21 y 2 2 ), el estadstico de

prueba para la hiptesis de contraste de una diferencia de medias (0 : 1 2 = 0 ), ser:
X1 X 2 d0
tp
1 1
Sp
n1 n2
Donde, Sp se calcula por medio de:
S 21 n1 1 S 2 2 n2 1
Sp
n1 n2 2
Bajo la Hiptesis nula (Ho), dicho estadstico se distribuye t de Student con n1+n2-2 grados de
libertad t(n1+n2-2). Nuevamente, el rechazo de Ho a un nivel de significancia resulta cuando
el estadstico de prueba tp excede a /2,n1+n22 o es menor a /2,n1+n22 siempre y cuando
la prueba sea de dos colas. Si la prueba es de una cola se rechazar Ho a un nivel de significancia
cuando el estadstico de prueba tp excede a ,n1+n22 o es menor a ,n1+n22 , siempre y
cuando la prueba sea de cola superior o inferior, respectivamente.

Cartilla - S5Simulacion Gerencial

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cartilla - S5Simulacion Gerencial

Cargado por

Copyright:

Formatos disponibles

SIMULACIN

Adicionalmente, se presentarn dos de los conceptos de la estadstica inferencial ms

1. Identificar los conceptos fundamentales de los modelos estadsticos aplicados a

4.1 Recomendaciones acadmicas.

Finalmente, se recomienda al estudiante realizar los ejercicios planteados y sugeridos por el

4.2 Desarrollo de cada una de las unidades temticas.

1. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

A continuacin se presentarn las distribuciones de probabilidad continuas ms empleadas en

1.1 Distribucin Exponencial

XE = tiempo que transcurre entre el instante t0 y la prxima llegada del proceso

La funcin de distribucin acumulada, F(X) de la VA XE estar dada por:

Por lo tanto, la funcin de distribucin acumulada de la VA exponencial se expresa como:

Se sabe que la funcin de distribucin de probabilidad de una VA continua se obtiene

Su media y varianza estn dadas por:

En Excel, se busca la funcin DISTR.EXP, con parmetros: X=3; =1/3; Acumulado = 1. El

1.2 Distribucin Uniforme

Una VA X se distribuye uniformemente en el intervalo (a, b) si su funcin de distribucin de

La funcin de distribucin acumulada est dada por:

Su media y varianza, estn dadas respectivamente por:

1.3 Distribucin Normal

Considrese la VA binomial XB, definida por el lanzamiento de una moneda 15 veces. Si se

Se puede demostrar, en efecto, que si se realizan N experimentos independientes de Bernoulli

La aproximacin anterior dio lugar a la definicin de una VA continua conocida como la

Esta expresin no se puede evaluar mediante mtodos numricos tradicionales; de hecho

Si ~(, ), = ( )/, para obtener:

1.4 Distribucin Triangular

Una VA X se distribuye de forma Triangular en el intervalo (a, c, b) si su funcin de distribucin

La funcin de distribucin acumulada est dada por:

Su media y varianza, estn dadas respectivamente por:

La distribucin triangular juega un papel fundamental en simulacin. Esta distribucin

Un estimador es un estadstico aleatorio, es decir, una funcin de una muestra aleatoria de

Comnmente, los momentos y las estadsticas relacionadas se calculan a partir de datos

Un estimador insesgado para la varianza, 2, basado en la muestra Y, es la varianza muestral

Donde la desviacin estndar muestral, S, es simplemente la raz cuadrada de S2.

3. ESTIMACIN POR INTERVALOS DE CONFIANZA

La estimacin por intervalo de un parmetro poblacional (Denotado por ), es un intervalo de

3.1 Intervalos de confianza para una sola muestra: Estimacin de la Media

Cuando n es la distribucin Normal estndar n (z; 0, 1).

Adicionalmente, otro de los elementos a tener en cuenta es el conocimiento de la varianza

Es claro que los lmites Inferior y Superior del Intervalo son:

En el caso de no conocer la varianza poblacional 2 , debemos estimarla por medio de la

Es la distribucin t de Student t(n-1). Se debe tener en cuenta que S es la desviacin estndar

En este caso, si no conocemos la varianza poblacional, el intervalo de confianza de 1 de

Donde /2 es el valor de con v=n-1 grados de libertad.

Es claro que los lmites Inferior y Superior del Intervalo son:

Como se analiz en el numeral anterior, debemos realizar previamente un anlisis y determinar

Por el contrario, si 1 2 son las medias de dos muestras aleatorias independientes de

Donde t / 2 es el valor de la distribucin t con un nivel de significancia de /2 con v=n1+n2-2

Las pruebas de hiptesis constituyen uno de los elementos ms importantes de la Simulacin

- Hiptesis nula e hiptesis alterna: En pruebas de hiptesis estadsticas, se acostumbra a

Dichas alternativas son:

1. Pruebas de 2 colas basadas en un estimador apropiado del parmetro.

2. Pruebas de cola superior (1 Cola) basadas en un estimador apropiado del parmetro.

El Procedimiento general para realizar las pruebas de hiptesis es:

1. Establezca las hiptesis Nula y Alterna.

4.1. Pruebas para una sola Media

Por lo tanto, si la varianza poblacional es conocida ( 2 ) y teniendo en cuenta que el modelo se

Por otro lado, si la varianza poblacional es desconocida ( 2 ) el estadstico de prueba para la

Solucin: Para solucionar el problema anterior, se construirn dos pruebas de hiptesis. La

Adicionalmente, se utilizar el procedimiento presentado anteriormente para la construccin

Prueba 1: Validar si la duracin de las llamadas es superior a 70 minutos

Utilizando el procedimiento para la construccin de las pruebas de hiptesis, los resultados

2. Defina el nivel de significancia de la prueba ().

3. Seleccione un estadstico de prueba adecuado.