ESTADISTICA INFERENCIAL

DR. JORGE ACUA A. 1

PROBABILIDAD

news

Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido por la frecuencia de que todo ocurra Es un nmero real entre 0 y 1 (inclusive) o entre 0 y 100% En simulacin determina la ocurrencia de eventos Es la base de la simulacin
2 PROFESOR: DR. JORGE ACUA A.

VARIABLES ALEATORIAS

news

Es una forma de cuantificar y simplificar eventos asociados a probabilidades de ocurrencia Una variable aleatoria (VA) es un nmero cuyo valor est determinado por el resultado de una ocurrencia Se pueden obtener inferencias sin tener que trabajar con el universo. Es un nmero cuyo valor no conocemos con certeza pero que podemos conocer algo acerca de el. Su conducta probabilstica se describe por medio de una distribucin
3 PROFESOR: DR. JORGE ACUA

VARIABLES ALEATORIAS CONTINUAS Y DISCRETAS

news

Hay dos formas bsicas de VAs usadas para representar ocurrencias en un modelo Discreta puede tomar solamente ciertos valores enteros y el nmero de valores posibles puede ser finito o infinito Continua puede tomar cualquier valor en un rango tomando un nmero de valores infinito de manera que el intervalo puede ser abierto o cerrado en ambos o un lado
4 PROFESOR: DR. JORGE ACUA A.

DISTRIBUCIONES DISCRETAS

news

Sea X una variable aleatoria discreta que puede tomar valores x1, x2, (lista finita o infinita) tiene: Funcin densidad de probabilidad (FDP) p(xi) = P(X = xi) para i = 1, 2, Para calcular valores sumar los valores de p(xi) para aquellos xis que satisfacen la condicin:

5 PROFESOR: DR. JORGE ACUA A.

DISTRIBUCIONES DISCRETAS
Distribucin acumulada de probabilidad (DAP) probabilidad de que la VA sea a un valor fijo x:

news

Propiedades de la DAP:
0 F(x) 1 para todo x Estas cuatro propiedades Como x , F(x) 0 son tambin verdaderas Como x + , F(x) 1 para variables continuas F(x) no es decreciente en x F(x) es una funcin continua de la derecha que brinca de 6 un valor discreto a otro
PROFESOR: DR. JORGE ACUA A.

VALOR ESPERADO DEL PROMEDIO

news

El conjunto de datos tiene un centro el promedio Las variables aleatorias tienen un centro valor esperado

Las VAs tiene medidas similares

7 PROFESOR: DR. JORGE ACUA A.

DISTRIBUCIONES CONTINUAS

news

Sea X una variable aleatoria continua VA Rango limitado a la izquierda o derecha o ambos No importa lo pequeo del rango, el nmero de valores posibles de X es siempre incontable (infinito) No es significativa la P(X = x) aunque x est en el rango. Ese valor es un diferencial con valor cercano a 0 Se describe la conducta de X en trminos de intervalos
8 PROFESOR: DR. JORGE ACUA

DISTRIBUCIONES CONTINUAS

news

Funcin densidad de probabilidad (FDP) es una funcin f(x) con las siguientes tres propiedades: f(x) 0 para todos los valores reales de x El rea total bajo la curva es f(x) es 1:

Para cualquier valor fijo de a y b con a b, la probabilidad de que X caiga entre a y b es el rea bajo f(x) entre a y b:

9 PROFESOR: DR. JORGE ACUA A.

DISTRIBUCIONES CONTINUAS

news

Distribucin acumulada de probabilidad (FAP) probabilidad de que la VA sea a un valor fijo x: Propiedades de la FAP Estas cuatro propiedades son tambin verdaderas para variables discretas

0 F(x) 1 para todo x Si x , F(x) 0 Si x + , F(x) 1 F(x) no es decreciente en x F(x) es una funcin continua con pendiente igual a FDP:

10 PROFESOR: DR. JORGE ACUA A.

VALOR ESPERADO
Esperado o media de X es:

news

Esperado de la varianza de X es:

11 PROFESOR: DR. JORGE ACUA A.

MUESTREO

news

Anlisis estadstico estima o infiere algo acerca de una poblacin o proceso basado en una nica muestra extrada de ella. Muestra aleatoria es un conjunto de observaciones independientes e idnticamente distribuidas X1, X2, , Xn En simulacin, muestreo se aplica al hacer varias corridas del modelo recolectando datos
12 PROFESOR: DR. JORGE ACUA A.

DATOS EN SIMULACION

news

ENTRADA Distribuciones de entrada Recolectar datos Ajustar distribuciones de probabilidad Probar H0: los datos se ajustan a la distribucin seleccionada SALIDA Comparar dos o mas diseos o modelos Probar H0: todos los diseos dan el mismo rendimiento, o H0: uno de los diseos es mejor que el otro u otros.
13 PROFESOR: DR. JORGE ACUA A.

DATOS EN SIMULACION

news

Los datos obtenidos de una simulacin pueden ser de dos tipos: datos de observacin o datos dependientes del tiempo. Datos de observacin son aquellos para los cuales el tiempo de recoleccin no modifica su valor. Ejemplo: nmero de entidades procesadas en el sistema se recoleta al final de la corrida. Datos dependientes del tiempo son aquellos cuyo valor vara de acuerdo con el tiempo. Ejemplo: nmero de entidades residentes en una cola pues al calcular el valor se debe considerar el tiempo que dur esperando.
14 PROFESOR: DR. JORGE ACUA A.

DIGITOS SIGNIFICATIVOS

news

Los valores finales de una medida de efectividad se deben reportar en forma puntual, pero con cuntas cifras significativas? Si un determinado valor del tiempo de ciclo da 14.87151 minutos, qu tan significativas son as ltimas tres cifras? Si en tres corridas se obtienen los valores de 14.87151, 14.88155, 14.85141 es poco probable que nos equivoquemos si reportamos 14.8 minutos. En realidad la respuesta se da en trminos de que tan grande es la desviacin estndar del conjunto de tiempos de ciclo. 15
PROFESOR: DR. JORGE ACUA A.

DIGITOS SIGNIFICATIVOS

news

Procedimiento: 1. Recolectar los n-valores de la medida de efectividad. 2. Agrupe los valores segn teorema del lmite central 3. Calcule el promedio de promedios. 4. Calcule el valor de la desviacin estndar s. 5. Calcule el valor de 2(s/ n) 6. Identifique el dgito mas significativo. Ejemplos: 0.5678 es el (5) 1.235 es el (1) 13.45 es el (1) 7. Reporte el valor de la variable basado en el promedio calculado en 3), pero con un dgito menos que el valor calculado en 5).
16 PROFESOR: DR. JORGE ACUA A.

EJEMPLOS
Promedio 14.6875 188.8 499.09 2529.89 10.1 508.67 1256.5 2(s/ n) 0.7585 6.8675 13.76 3.2789 5.277 16.243 0.9876

news
Puntual 14 180 400 2520 10 500 1256 Intervalo 10 - 20 180-190 400-500 2520-2530 10 - 20 500-600 1256-1257
17 PROFESOR: DR. JORGE ACUA A.

INTERVALOS DE CONFIANZA

news

Un estimador puntual es un simple nmero, con alguna incertidumbre o variabilidad asociada a el Intervalo de confianza cuantifica la imprecisin probable del estimador puntual Un intervalo que contiene el parmetro poblacional desconocido con una probabilidad alta especificada 1 Intervalo de confianza para media poblacional :
s * n 1 2

x t

n 1,1

tn-1,1- /2 bajo el cual el rea es 1 /2 en t student con n 1 grados de libertad

18 PROFESOR: DR. JORGE ACUA A.

EJEMPLO

news

Se han obtenido 10 corridas de una simulacin que han generado los siguientes tiempos de ciclo: 93, 113, 107, 103, 112, 103, 112, 100, 98 y 105 minutos. Se desea un intervalo de confianza del 95%, cul es?

19 PROFESOR: DR. JORGE ACUA A.

SOLUCION

news

1. Calcular el promedio, media=104.6 2. Calcular la desviacin estndar, s = 6.59 3. Calcular el intervalo s 6.59 x t * 104.6 t 0.05 * n 1,1 9 ,1 n 1 9 2 2 t 0.05 t9, 0.975 2.26
9 ,1 2

6.59 104.6 2.26 * (99.6,109,6) 9 4. Con 95% de confianza se puede afirmar que el promedio del ciclo est entre 99.6 y 104.6 minutos.

20

PROFESOR: DR. JORGE ACUA A.

PRUEBA DE HIPOTESIS

news

Prueba alguna conjetura sobre la poblacin o sus parmetros Nunca determina algo verdadero o falso con certeza, solamente da evidencia para tomar una de las dos direcciones Hiptesis nula (H0) lo que va a ser probado Hiptesis alternativa (H1 or HA) negacin de H0 H0: = 6 vs. H1: 6 H0: < 10 vs. H1: 10 H0: 1 = 2 vs. H1: 1 2 Desarrolla una regla de decisin para decidir sobre H0 o H1 basado en los datos de la muestra
21 PROFESOR: DR. JORGE ACUA

VALORES DE p

news

Calcular el valor de p de la prueba p-value (valor p) = probabilidad de obtener un resultado mas en favor de H1 que lo obtenido en la muestra Pequeo p (< 0.01) evidencia convincente en contra de H0 Gran p (> 0.20) indica falta de evidencia contra H0 Coneccin con el mtodo tradicional Si p < , rechazar H0 Si p , no rechazar H0
22 PROFESOR: DR. JORGE ACUA A.

CORRIDAS DE SIMULACION

news

No sacar conclusiones en simulacin con base en una sola corrida. Se debe aplicar muestreo. Para ello: 1. Hacer un nmero inicial de corridas ni (10). 2. Calcular la desviacin estndar para la medida de efectividad mas importante del modelo. 3. Estimar el valor de h = t /2,n-1*s/ n 4. Calcular n = ni*(h/h)2 h es el valor deseado de intervalo 5. Correr la simulacin por el nmero de corridas faltantes sea por n - ni , cambiando la semilla de nmero aleatorios, de lo contrario se repite la salida. Si ni n entonces no hay necesidad de mas corridas. 23
PROFESOR: DR. JORGE ACUA A.

EJEMPLO

news

Se han obtenido 10 corridas de una simulacin que han generado los siguientes tiempos de ciclo: 93, 113, 107, 103, 112, 103, 112, 100, 98 y 105. Se desea un h de 3. 1. Calcular la desviacin estndar, s = 6.59 2. Estimar h=t /2,n-1*s/ n = 2.262*6.59/ 9 = 4.97 t0.975,9= 2.262 (en tablas) 3. Calcular n = ni*(h/h)2 = 10 * (4.97/3) 2 = 27.44 ~ 28 4. Obtener 18 corridas mas de la simulacin.
24 PROFESOR: DR. JORGE ACUA A.