Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ingeniería Industrial
Materia: Simulación
Grupo: P-62
Se trata de un manipulador que debe recoger las piezas de una caja, y almacenarlas en
distintos stocks en función del tipo de pieza de que se trata. Desde un punto de vista
tecnológico, la grapa del manipulador dispone de un conjunto de sensores cuyas señales
van a permitir determinar la posición y orientación de la pieza, información necesaria para
que el manipulador pueda recogerla y clasificarla en un cierto stock. El tiempo necesario
para finalizar un ciclo de trabajo dependerá de distintos factores, tales como: posición y
orientación de la siguiente pieza que debe ser procesada respecto a la grapa del
manipulador, posición final a la que debe ser transportada, peso de la pieza, etc. Nótese que
el conocimiento de estos datos, junto con el conjunto de ecuaciones algebraico-
diferenciales que describen la dinámica del manipulador, así como la orientación y posición
de la siguiente pieza, deberían ser suficientes para poder predecir con exactitud (sistema
determinista) el tiempo que se invertirá en la siguiente operación de transporte. Así pues, es
posible desarrollar un modelo de simulación determinista que permita generar en un
ordenador las mismas salidas y obtener los mismos cambios de estado que se obtendrían
experimentando con el sistema real.
De modo análogo, y recordando que el modelo de un sistema es cualquier representación lo
más simplificada posible de las dinámicas de interés, tanto el tiempo invertido en cada una
de las operaciones de transporte, como los instantes de tiempo en los cuales el robot
finalizará la operación en curso (cambios de estado), pueden ser considerados el resultado
de una actividad aleatoria (a pesar de ser determinista). Así pues, observando (a partir de
datos históricos) la frecuencia de tiempos que el manipulador ha necesitado para finalizar
las distintas operaciones de transporte es posible, mediante el uso de variables aleatorias,
generar una secuencia de datos que presenten las mismas propiedades (frecuencia de
aparición) que los datos observados del sistema real.
Aunque las unidades de producción, así como los manipuladores y unidades de transporte
que pueden encontrarse en las líneas de producción, estén lejos (afortunadamente) de
presentar un comportamiento aleatorio, el uso de modelos estocásticos para representar la
secuencia de eventos durante los cuales un sistema puede presentar cambios de estado,
facilita la tarea de modelado y también la fase de validación del modelo. El uso de variables
aleatorias en la formalización de la dinámica de un sistema simplifica la tarea de modelado,
pues permite replicar su comportamiento sin tener que formalizar todas aquellas relaciones
causa-efecto que provocan variaciones en la salida respecto a un valor promedio. Al
margen de los sistemas deterministas, también existe un conjunto nada despreciable de
dinámicas cuya descripción mediante formulaciones deterministas es desaconsejable, y es
prácticamente imposible formalizarlas pues aparecen como efecto de una actividad
aleatoria. Dentro de este conjunto de procesos estocásticos se encuentran, por ejemplo, el
tiempo de funcionamiento de una máquina entre avería y avería, su tiempo de reparación y
el tiempo que necesita un operador humano para realizar una determinada operación.
Definiciones
Experimento: es un proceso cuyo resultado no se conoce con certeza. El conjunto de
posibles resultados de un experimento se denomina el espacio de muestreo S. Un
resultado posible del experimento se denomina punto de muestreo en el espacio de
muestreo.
Variable aleatoria: X es una variable aleatoria si puede tener asignado cualquier
valor (no previsible) de un rango finito (variable aleatoria discreta) o infinito
(variable aleatoria continua) de posibles valores. Más formalmente, una variable
aleatoria es una función que asigna un número a cada posible resultado del
experimento (espacio de muestreo).
Proceso estocástico: es un proceso que evoluciona en el tiempo y/o espacio, y que
involucra una variable aleatoria, de tal modo que el comportamiento del proceso no
puede preverse con exactitud.
Distribución de probabilidad: permite relacionar un conjunto de valores o medidas
con su frecuencia relativa de aparición.
Función de densidad de probabilidad f(x): describe la probabilidad que una variable
aleatoria X asuma un cierto valor x;
Gráficas de autocorrelación
Las correlaciones determinadas con muestras pequeñas son poco fiables debido a la
variabilidad inherente a la propia estimación. Los valores obtenidos para retardos entre k=1
y k=10 son los que aportan mayor información sobre la independencia de la muestra,
mientras que retardos superiores a k=20 no aportan ninguna información. Para muestras
independientes, se espera que los valores obtenidos estén centrados en el cero y sean de
pequeña magnitud. Para muestras dependientes, y por tanto no aleatorias, los valores de
autocorrelación serán significativamente diferentes de cero (los valores de autocorrelación
límite son —1 y 1).
La gráfica de autocorrelación está formada por
Diagrama de dispersión
El diagrama de dispersión de las observaciones X1, X2,,...,X0, es una gráfica de los pares
para i=1,2,...n-1. Si los valores X;, son independientes, los puntos estarán distribuidos
aleatoriamente en el plano. No obstante, la naturaleza de la distribución en el plano depende
fundamentalmente de la distribución de probabilidad de los valores Xi. Si los valores Xi
están correlacionados positivamente, los puntos de la gráfica tenderán a forma una línea de
pendiente positiva en el primer cuadrante si los valores Xi son positivos. Si los valores Xi
están correlacionados negativamente, los puntos tenderán a formar una línea con pendiente
negativa en el segundo cuadrante si los valores de Xi son positivos. Se recomienda un
mínimo de 50 pares de valores para sacar conclusiones.
El proceso estocástico que se quiere describir (dinámica de interés del sistema que se desea
modelar) es continuo y no se encuentra limitado a valores discretos, la variable aleatoria
utilizada para describir el proceso estocástico puede tomar un número infinito de valores
posibles en el rango continuo de interés. Teniendo en cuenta que la probabilidad de obtener
un valor cualquiera dentro del rango de valores para el cual ha sido definida la variable
aleatoria es 1, la probabilidad de que la variable aleatoria asuma un cierto valor concreto
P(X= x;) será O. Este es uno de los motivos por los cuales las propiedades estadísticas de
una variable aleatoria X se suelen describir mediante la función de densidad de
probabilidad f(x).
Son muy sensibles a las condiciones bajo las cuales se ha obtenido la muestra.
No pueden generar valores fuera del rango de los datos observados. Esto puede
representar un grave inconveniente dado que el comportamiento del modelo puede
estar muy influenciado por la aparición de eventos de baja probabilidad.
El empleo en los modelos de simulación de distribuciones de probabilidades
empíricas puede resultar laborioso, especialmente si el número de distribuciones e
intervalos es elevado.
.
Función de distribución acumulativa
A pesar de que las propiedades estadísticas de una variable aleatoria (es decir, del sistema a
modelar) quedan totalmente especificadas a partir de la función de densidad de
probabilidad, también se suelen utilizar en el modelado de sistemas orientados a eventos
discretos otras funciones afines como es, por ejemplo, la función de distribución
acumulativa F(x;), la cual se define como la probabilidad de que la variable aleatoria X
asuma un valor más pequeño o igual a un cierto valor dado x;. Para las variables aleatorias
continuas, la función de distribución acumulativa teórica se determina integrando la función
de densidad teórica.
Test de hipótesis
Una hipótesis estadística es una suposición sobre el proceso o actividad que se está
muestreando. Puede consistir, por ejemplo, en suponer que el proceso sigue una
distribución de probabilidad teórica o que un parámetro del proceso tiene un valor
determinado. El test de hipótesis es simplemente una regla que permite aceptar o rechazar
la hipótesis contemplada. La decisión de rechazar o aceptar la hipótesis se basa
normalmente en estadísticas obtenidas directamente de una muestra o conjunto de muestras.
Este conjunto de estadísticas se denominan test de estadísticas si se emplean para
diagnosticar la validez o no de las hipótesis.
El test de hipótesis se basa en estadísticas efectuadas sobre una muestra de valores. Dado
que la muestra puede no ser representativa del comportamiento del proceso, las decisiones
tomadas basándonos en la muestra pueden ser erróneas. Consideraremos dos tipos de
errores en el test de hipótesis:
1. Rechazar la hipótesis H0 (hipótesis nula) cuando ésta es cierta (error de tipo I). La
probabilidad de este tipo error se denomina α .
Test de Chi-Cuadrado
Este test se emplea para validar si una cierta función de distribución puede utilizarse como
patrón para generar valores con las mismas propiedades estadísticas que la muestra con la
que se está trabajando. El test compara los datos de la muestra con los esperados. La
hipótesis de que los datos observados y la función de distribución sean los mismos se
realiza evaluando el test estadístico formulado en la ecuación siguiente
De manera similar al de Chi-cuadrado, este test también se emplea para evaluar la bondad
con que la función de distribución acumulativa puede ser empleada para representar un
proceso. La ventaja principal respecto al test de Chi-cuadrado es que trabaja directamente
con la función de distribución empírica encontrada directamente a partir de los valores de la
muestra y, como consecuencia, no requiere la agrupación de los valores en intervalos. La
desventaja principal del test de Komogorov- Smirnov (K-S) es que su rango de aplicación
es más limitado.
En los proyectos en las áreas de aplicación mencionadas se utiliza, en general, una gran
cantidad de números aleatorios para la realización del trabajo. Los requerimientos básicos
que se exigen a dichas series de números generados son:
1. Estructurales
Largo período.
Estructura reticular.
Reproductibilidad.
2. Estadísticos
Uniformidad de la distribución.
Densidad.
Independencia estadística.
3. Teóricos
Complejidad.
Estabilidad del proceso.
4. Computacionales
Facilidad de programación.
Requerimientos de memoria.
Eficiencia.
Métodos históricos
La variable aleatoria es la herramienta matemática que permite pasar del estudio de sucesos
aislados al estudio de las distribuciones de probabilidad, que son funciones reales y por lo
tanto, hace posible la aplicación del análisis matemático y de otras herramientas
matemáticas a la estadística
Una distribución de frecuencia es una tabla de resumen en la que los datos se disponen en
agrupamientos o categorías convenientemente establecidas de clases ordenadas
numéricamente.
En esta forma las características más importantes de los datos se aproximan muy
fácilmente, compensando así el hecho de que cuando los datos se agrupan de ese modo, la
información inicial referente a las observaciones individuales de que antes se disponía se
pierde a través del proceso de agrupamiento o condensación.
La principal ventaja de usar una de estas tablas de resumen es que las principales
características de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber como se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales.
REFERENCIAS