UNIVERSIDAD COOPERATIVA DE COLOMBIA

FACULTAD DE INGENIERÍA CIVIL

CURSO: TEC. DE VALIDACION Y SIMULACION

CONSULTA

PRESENTADO POR:
JUAN CAMILO GONZALEZ ORTEGA ID: 524453

PROFESOR:
CARLOS FRANCISCO TRUJILLO TRUJILLO

UNIVERSIDAD COOPERATIVA DE COLOMBIA

PROGRAMA INGENÍERIA CIVIL
NEIVA – HUILA
2020
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

1. Variables en simulación y modelamiento:

SIMULACION DE SISTEMAS

La simulación evalúa con precisión el desempeño de un sistema por complejo que

este sea. Es evaluadora y no generadora de soluciones, es decir que no produce
una solución óptima, sino, por el contrario, es una herramienta de evaluación que
nos orienta hacia la mejor solución. La simulación genera un escenario virtual en
el que los cambios no cuestan como en la realidad. Permite validar si se está
tomando la mejor decisión o no.

EJEMPLOS:

• Simular el comportamiento de un sistema para evaluar el efecto en los

indicadores
de desempeño por la inclusión de un servidor adicional en una estación de
servicio.
• Evaluar cómo se afecta el tiempo de ciclo de producción, debido a los tiempos
muertos (downtimes) por paradas de las máquinas durante el proceso de
producción.

CARACTERÍSTICAS DE LA SIMULACIÓN

 Capta la interdependencia que existe entre los elementos del sistema.

 Considera la variabilidad en el sistema.
 Es suficientemente versátil para modelar cualquier sistema.
 Muestra el comportamiento del sistema dinámico.
 Provee información estadística sobre múltiples indicadores de desempeño.
 Se ejecuta en tiempo comprimido, tiempo real o tiempo retardado.
 Los resultados son visuales y cuantitativos.
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

3 TIPOS DE SIMULACIO (SEGÚN SU NATURALEZA)

1. SIMULACION BASADA EN EL AVANCE DEL TIEMPO

• Simulación estática
El avance del tiempo no se considera en la simulación estática; es decir, es la
representación del sistema en un instante específico del tiempo.

• Simulación dinámica
Incluye el paso del tiempo. Un mecanismo de reloj mueve el avance del tiempo y
el estado de las variables del sistema son actualizadas.

2. SIMULACION BASADA EN EL USO DE VARIABLES

ALEATORIAS

• Simulación determinística
Se denomina simulación determinística cuando los modelos tienen entradas y
salidas (ínputs y outputs) constantes.

• Simulación estocástica o probabilística
La simulación es estocástica o probabilística si los modelos se basan en una o
más variables de entrada, cuya naturaleza es aleatoria. Un modelo estocástico
tiene entradas aleatorias, entonces produce salidas aleatorias.
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

3. SIMULACION BASADA EN LA CONTINUIDAD DE LA

OCURRENCIA DE LOS EVENTOS

• Simulación discreta
Es aquella en la que los eventos se dan en puntos discretos del tiempo, con lo
cual se actualizan los valores de las variables de estado del modelo en dichos
puntos.

• Simulación continua
Es aquella en la que las variables de estado del modelo cambian continuamente
respecto del tiempo. Es decir, el intervalo de tiempo entre la ocurrencia de un
evento y otro se puede considerar infinitesimal.

Variable en simulación:

Es aquella variable que puede tener asignado un valor (no previsible) de un

determinado conjunto finito (variable aleatoria discreta) o infinito (variable aleatoria
continua) de posibles valores. Es una función que asigna un número a cada
posible resultado de un experimento (espacio de muestreo). Aunque la secuencia
exacta de valores que serán asignados a una variable aleatoria no puede ser
prevista, sí que es posible conocer el rango de valores en los que puede variar, así
como la probabilidad de tener asignado un cierto valor. En el diseño de un nuevo
sistema o en la mejora de uno ya existente se requiere lograr un entendimiento de
cómo los elementos del sistema se interrelacionan y afectan unos a otros. Para
ayudar a entender estas relaciones estudiaremos tres tipos de variables del
sistema:

1. Variables de decisión.
2. Variables de respuesta.
3. Variables de estado.
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

1. VARIABLES DE DECISION
En un experimento, estas representan la variable independiente. Es posible alterar
los valores de las variables independientes, cada vez que esto sucede se afecta el
comportamiento del sistema. La persona que realiza el experimento controla y
cambia los valores de las variables de decisión, bajo algún criterio técnico.

Ejemplos:
 Asignar a un determinado número de operarios a la línea de producción.

 Agregar un turno adicional de trabajo.

2. VARIABLES DE RESPUESTA

También llamadas variables de performance, pues miden el desempeño del

sistema en respuesta a alguna variable de decisión.

Ejemplos:
 El tiempo promedio que una entidad permanece en cola.

 El número de entidades procesadas en un período dado.

3. VARIABLES DE ESTADO

Las variables de estado contienen valores individuales, pero en forma conjunta

describen el estatus del sistema en cualquier instante del tiempo.

Ejemplos :
 El número actual de entidades en cola, el número actual de recursos que están
siendo utilizados o que están disponibles.

 El número promedio actual de entidades en el sistema.

 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

Torres, P., (2013). Simulación de Sistemas con el Software Arena, Lima, Perú:

Universidad de Lima Fondo Editorial.

2. Determinación del tipo de distribución de una serie de dato

Estadística y pruebas no paramétrica: Las técnicas estadísticas de
estimación de parámetros, intervalos de confianza y prueba de hipótesis son, en
conjunto, denominadas ESTADÍSTICA PARAMÉTRICA y son aplicadas
básicamente a variables continuas. Estas técnicas se basan en especificar una
forma de distribución de la variable aleatoria y de los estadísticos derivados de los
datos.
 
En ESTADÍSTICA PARAMÉTRICA se asume que la población de la cual la
muestra es extraída es NORMAL o aproximadamente normal. Esta propiedad es
necesaria para que la prueba de hipótesis sea válida.
 
Sin embargo, en un gran numero de casos no se puede determinar la distribución
original ni la distribución de los estadísticos por lo que en realidad no tenemos
parámetros a estimar. Tenemos solo distribuciones que comparar. Esto se
llama Estadística No Paramétrica.
 

 Las principales pruebas no paramétricas son las siguientes:

•    Prueba χ² de Pearson
•    Prueba binomial
•    Prueba de Anderson-Darling
•    Prueba de Cochran
•    Prueba de Cohen kappa
•    Prueba de Fisher
•    Prueba de Friedman
•    Prueba de Kendall
•    Prueba de Kolmogórov-Smirnov
•    Prueba de Kruskal-Wallis
•    Prueba de Kuiper
 
https://sites.google.com/site/tecnicasdeinvestigaciond38/estadisticas-no-
parametricas/3-1-estadistica-no-parametrica
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

Pruebas de hipótesis: es una regla que especifica si se puede aceptar o

rechazar una afirmación acerca de una población dependiendo de la evidencia
proporcionada por una muestra de datos.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o
"no hay diferencia". La hipótesis alternativa es el enunciado que se desea poder
concluir que es verdadero de acuerdo con la evidencia proporcionada por los
datos de la muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la

hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es
menor que el nivel de significancia (denotado como α o alfa), entonces puede
rechazar la hipótesis nula.

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/example-of-a-hypothesis-test/

Hipótesis nula y alternativa: Las hipótesis nula y alternativa son dos

enunciados mutuamente excluyentes acerca de una población. Una prueba de
hipótesis utiliza los datos de la muestra para determinar si se puede rechazar la
hipótesis nula.

Hipótesis nula (H0)

La hipótesis nula indica que un parámetro de población (tal como la media, la
desviación estándar, etc.) es igual a un valor hipotético. La hipótesis nula suele ser
una afirmación inicial que se basa en análisis previos o en conocimiento
especializado.

Hipótesis alternativa (H1)

La hipótesis alternativa indica que un parámetro de población es más pequeño,
más grande o diferente del valor hipotético de la hipótesis nula. La hipótesis
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

alternativa es lo que usted podría pensar que es cierto o espera probar que es
cierto.

 Hipótesis unilaterales y bilaterales: La hipótesis alternativa puede ser

unilateral o bilateral.
Bilateral
Utilice una hipótesis alternativa bilateral (también conocida como hipótesis no
direccional) para determinar si el parámetro de población es mayor que o menor
que el valor hipotético. Una prueba bilateral puede detectar cuándo el parámetro
de población difiere en cualquier dirección, pero tiene menos potencia que una
prueba unilateral.

Unilateral
Utilice una hipótesis alternativa unilateral (también conocida como hipótesis
direccional) para determinar si el parámetro de población difiere del valor
hipotético en una dirección específica. Usted puede especificar la dirección para
que sea mayor que o menor que el valor hipotético. Una prueba unilateral tiene
mayor potencia que una prueba bilateral, pero no puede detectar si el parámetro
de población difiere en la dirección opuesta.

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/null-and-alternative-hypotheses /

Tipos de error: Ninguna prueba de hipótesis es 100% cierta. Puesto que la

prueba se basa en probabilidades, siempre existe la posibilidad de llegar a una
conclusión incorrecta. Cuando usted realiza una prueba de hipótesis, puede
cometer dos tipos de error: tipo I y tipo II. Los riesgos de estos dos errores están
inversamente relacionados y se determinan según el nivel de significancia y la
potencia de la prueba. Por lo tanto, usted debe determinar qué error tiene
consecuencias más graves para su situación antes de definir los riesgos.
Error de tipo I
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

Si usted rechaza la hipótesis nula cuando es verdadera, comete un error de tipo I.

La probabilidad de cometer un error de tipo I es α, que es el nivel de significancia
que usted establece para su prueba de hipótesis. Un α de 0.05 indica que usted
está dispuesto a aceptar una probabilidad de 5% de estar equivocado al rechazar
la hipótesis nula. Para reducir este riesgo, debe utilizar un valor menor para α. Sin
embargo, usar un valor menor para alfa significa que usted tendrá menos
probabilidad de detectar una diferencia si esta realmente existe.

Error de tipo II
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II.
La probabilidad de cometer un error de tipo II es β, que depende de la potencia de
la prueba. Puede reducir el riesgo de cometer un error de tipo II al asegurarse de
que la prueba tenga suficiente potencia. Para ello, asegúrese de que el tamaño de
la muestra sea lo suficientemente grande como para detectar una diferencia
práctica cuando esta realmente exista.

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/type-i-and-type-ii-error/

Prueba de Anderson-Darling: mide qué tan bien siguen los datos una
distribución específica. Para un conjunto de datos y distribución en particular,
mientras mejor se ajuste la distribución a los datos, menor será este estadístico.
Por ejemplo, usted puede utlizar el estadístico de Anderson-Darling para
determinar si los datos cumplen el supuesto de normalidad para una prueba t.

Las hipótesis para la prueba de Anderson-Darling son:

 H0: Los datos siguen una distribución especificada

 H1: Los datos no siguen una distribución especificada

Utilice el valor p correspondiente (si está disponible) para probar si los datos
provienen de la distribución elegida. Si el valor p es menor que un nivel de
significancia elegido (por lo general 0.05 o 0.10), entonces rechace la hipótesis
nula de que los datos provienen de esa distribución. Minitab no siempre muestra
un valor p para la prueba de Anderson-Darling, porque este no existe
matemáticamente para ciertos casos.
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

También puede utilizar el estadístico de Anderson-Darling para comparar el ajuste

de varias distribuciones con el fin de determinar cuál es la mejor. Sin embargo,
para concluir que una distribución es la mejor, el estadístico de Anderson-Darling
debe ser sustancialmente menor que los demás. Cuando los estadísticos están
cercanos entre sí, se deben usar criterios adicionales, como las gráficas de
probabilidad, para elegir entre ellos.

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/type-i-and-type-ii-error/

Prueba de Chi-Cuadrado Una prueba de chi-cuadrada es una prueba de

hipótesis que compara la distribución observada de los datos con una distribución
esperada de los datos.

Existen varios tipos de pruebas de chi-cuadrada:

Prueba de bondad de ajuste de chi-cuadrada

Utilice este análisis para probar qué tan bien una muestra de datos categóricos se
ajusta a una distribución teórica.

Por ejemplo, usted puede comprobar si un dado es justo, lanzando el dado

muchas veces y utilizando una prueba de bondad de ajuste de chi-cuadrada para
determinar si los resultados siguen una distribución uniforme. En este caso, el
estadístico de chi-cuadrada cuantifica qué tanto varía la distribución observada de
los conteos con respecto a la distribución hipotética.

Pruebas de chi-cuadrada de asociación e independencia

Los cálculos para estas pruebas son iguales, pero la pregunta que se está
tratando de contestar puede ser diferente.

 Prueba de asociación: Utilice una prueba de asociación para determinar si una

variable está asociada a otra variable. Por ejemplo, determine si las ventas de
diferentes colores de automóviles dependen de la ciudad donde se venden.
 Prueba de independencia: Utilice una prueba de independencia para determinar
si el valor observado de una variable depende del valor observado de otra
variable. Por ejemplo, determine si el hecho de que una persona vote por un
candidato no depende del sexo del elector.
 UNIVERSIDAD COOPERATIVA DE COLOMBIA
FACULTAD DE INGENIERÍA CIVIL
CURSO: TEC. DE VALIDACION Y SIMULACION

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/tables/supporting-
topics/chi-square/what-is-a-chi-square-test /

Prueba de Kolmogórov-Smirnov: es una prueba no paramétrica que

determina la bondad de ajuste de dos distribuciones de probabilidad entre sí.