4.3.2.- PROBLEMAS CON SISTEMAS DE INVENTARIO.

El inventario es el conjunto de artículos o mercancías que una empresa tiene en su

poder con un propósito específico. La materia prima, el producto en proceso y el
producto terminado son ejemplos de inventarios que a menudo se presentan y genera
una necesidad de administración. Los sistemas de inventarios implementados en una
organización determinan las cantidades a ordenar y los puntos de re-orden. Los costos
asociados impactan de tal manera que obliga a un estudio exhaustivo para la
optimización de los mismos. La teoría existente que estudia el comportamiento de los
inventarios según la demanda se clasifica en modelos determinísticos y probabilísticos.

Figura 4.8.- Modelos para el control de inventarios.

4.3.2.1.- TIPOS DE MODELOS DE INVENTARIO.

Una demanda deterministica es aquella que se conoce con certeza, , y la probabilística

es la que está sujeta a una variabilidad (modelos estocásticos). El estudio teórico del
comportamiento de los inventarios ha desarrollado modelos clásicos para el control de
inventarios destacando los modelos: EOQ deterministico, LEP deterministico y el EOQ
probabilístico. La simulación y el modelo heurístico abordan el estudio de los modelos
probabilísticos con más profundidad, incorporando variables aleatorias y elementos
complejos que difícilmente pueden ser incluidos en los modelos básicos.
Modelo I.- EOQ (Economic Order Quantity).- Determina el tamaño óptimo de pedido,
considerando costos incurridos. Presenta 2 variantes: Con faltantes y sin faltantes.

El modelo EOQ (Economic order quantity) también conocido como el modelo de

Harris-Wilson es el de mayor uso y popularidad por su simplicidad. Este modelo fue
desarrollado por el ingeniero Ford Whitman Harris en 1913 y popularizado por el
consultor R. H. Wilson en 1934. El principio de este modelo
modelo está basado en encontrar
el punto en que son iguales el costo de ordenar y el costo de mantener.

Figura 4.9.- Modelo EOQ no permite faltantes.

Figura 4.10.- Modelo EOQ si permite faltantes.

Modelo Ia- EOQ no permite faltantes.

El modelo EOQ que no permite faltantes parte de los supuestos siguientes: Demanda
constante (d), no permite faltantes, costo de mantener el inventario (Cm), costo de
pedir (Cp), costo de adquisición (Cu) tiempo de entrega igual a cero (no existe
demoras). La ecuación del costo en un periodo (t1) es:

+ ®
8 ®
= 8- ∗ ® + 8) + 8 ∗
2
El número total del períodos y el tiempo t están en función de la demanda (D) y la
cantidad de inventario (Q).

<
"ú$% + +( $ )$%  # " =
®

®
¢ $) + =
<
Calculando el costo total por unidad de tiempo se tiene que:

8 #+ + +( ) % -,  $ + $) 8¢®

= " ∗ 8®

 ®
< y z∗®
8¢®
= °8- ∗ ® + 8) + 8 ∗ < ±
® 2

< ®
8¢®
= 8- ∗ < + 8) ∗ r t + 8 ∗ r t
® 2

Para encontrar el Q óptimo será necesario minimizar el costo total, haciendo uso del
cálculo diferencial

 8¢®

=0
®

< 1
−8) r  t + r t 8 = 0
® 2

Despejando Q se obtiene que:

2 ∗ < ∗ 8)
® = I
8

Modelo Ib. EOQ si permite faltantes.

En el modelo EOQ que si permite faltantes, la ecuación del costo de un periodo está en
función de Q (cantidad a pedir) y S (Faltante permitido), incorporando el costo por
faltantes (Cf).

+ ²™‰k + 
8®, 
= 8- ∗ ® + 8) + 8 ∗ r t + 8. ∗ r t
2 2

Donde t es el periodo compuesto por t1 (tiempo con existencias) y t2 (tiempo sin

existencias), y Cf es el costo por tener faltantes, siendo Imax el máximo inventario.

Por medio de semejanza de triángulos se encuentran los valores de Imax, t1, t2.

²™‰k = ® − 

®−
+ =
<

+ =
<
Sustituyendo en C(Q,S), los valores encontrados la ecuación del costo de un periodo
queda de la siguiente forma:

® − 
 
8®, 
= 8- ∗ ® + 8) + 8 ∗ P Q + 8. ∗ P Q
2< 2<

Calculando el costo total por unidad de tiempo se tiene que:

<
8 #+ + +( ) % -,  $ + $) 8¢®, 
= r t ∗ 8®, 

< ® − 
 


8¢ ®,  = r t ³8- ∗ ® + 8) + 8 ∗ P Q + 8. ∗ P Q´
® 2< 2<

< ® − 
 
8¢®, 
= ³8- ∗ < + 8) r t + 8 ∗ P Q + 8. ∗ P Q´
® 2® 2®

Una vez obtenida la ecuación se calcula el mínimo costo, es posible derivar con
respecto a Q, y con respecto a S, obteniendo dos ecuaciones:

8¢®, 

=0
®

−2 ∗ < ∗ 8) + 8 ∗ ®  − 8 ∗   + 8. ∗   = 0

8¢®, 

=0

−8 ∗ ® + 8 ∗  + 8. ∗  = 0

Por medio de sustitución se obtienen los valores óptimos de Q y S siguientes:

2 ∗ < ∗ 8)8. + 8

®∗ = I
8. ∗ 8

2 ∗ < ∗ 8) ∗ 8
∗ = I
8. ∗ 8. + 8

Modelo II.- LEP (Lot Economic Production).- También conocido como el modelo EPQ
(Economic Production Quantity) fue desarrollado por E. W. Taft en 1918, para conocer
la cantidad óptima de producción, la cual minimiza los costos asociados
asociados.. Este modelo
es utilizado cuando la producción de los productos está a cargo de la misma empresa,
produciendo hasta llegar a un nivel máximo de inventarios, suspende la producción
hasta que la demanda agote las existencias, inicia de nuevo la producción.

Este modelo presenta 2 variantes: No permite faltantes, y Si permite faltantes.

Figura 4.12.- Modelo LEP si permite faltantes.

Figura 4.11.- Modelo LEP no permite faltantes.

IIa- LEP No permite faltantes.

Los supuestos de esta variante es que la demanda es constante y conocida, no permite

faltantes, se tienen costos de producir (Cu), costos de mantener el inventario (Cm),
costos de operación (Co), Y la tasa de producción (R) es mayor que la tasa de la
demanda (d).

+ $) + +( $( )$%  + = + + +

Donde:

+ = + $) $ )% - ó,, ℎ#+ (($p% ( ²™‰k

+ = + $) R-$ +%,# -%%$ $#$ $( ²™‰k ℎ#+ $% .

La ecuación del costo en un periodo es dado por:

+ + +
∗ ²™‰k
8 ®
= 8- ∗ ® + 8 + 8 ∗ r t
2

Encontrando los tiempos y el nivel máximo de inventario tenemos que:

<
²™‰k = ® ∗ r1 − t
L
®
+ + + = r t
<
Sustituyendo en C(Q) se tiene:

® <
y z ∗ P® ∗ y1 − zQ
· < L º
8 ®
= 8- ∗ ® + 8 + 8 ∗ ¶ ¹
2
µ ¸

Calculando el costo total por unidad de tiempo :

<
8 #+ + +( ) % -,  $ + $) 8¢®
= r t ∗ 8®

<
P® ∗ y1 − L zQ
< · º
8¢®
= 8- ∗ < + 8 ∗ r t + 8 ∗ ¶ ¹
® 2
µ ¸

Para encontrar el valor óptimo de Q se calcula la derivada con respecto a Q.

8¢®

=0
®

−8 ∗ < 8 <
+ r t ∗ r1 − t = 0
®  2 L

Despejando Q se tiene que:

2 ∗ < ∗ 8

®∗ = I
<
8 ∗ 1 −

L
IIb- LEP Si permite faltantes.

Los supuestos de esta variante es que la demanda es constante y conocida, no permite

faltantes, se tienen costos de producir (Cu), costos de mantener el inventario (Cm),
costos de operación (Co), Y la tasa de producción (R) es mayor que la tasa de la
demanda (d).

+ $) + +( $( )$%  + = + + + + +@ + +7

Donde:

+ = + $) $ )% - ó,, $#)-$# $ , O$(%#$ ( # )% - + # .(+,+$#

+ = + $) R-$ +%,# -%%$ $#$ $( ²™‰k ℎ#+ $%

+@ = + $) $, R-$ #$  --(, .(+,+$#

+7 = + $) $, R-$ #$ )% - $ ( # )% - + # .(+,+$#

La ecuación del costo en un periodo es dado por:

+ + +
∗ ²™‰k +@ + +7
∗ 
8 ®, 
= 8- ∗ ® + 8 + 8 ∗ r t + 8. ∗ P Q
2 2

Encontrando los tiempos y el nivel máximo de inventario tenemos que:

<
²™‰k = r® ∗ r1 − t − t
L

+ = G¾

» ²™‰k  
+ = +@ = +7 =
¼½

< < L − <

1 1
+ + + = ²™‰k ∗ r + t
< L − <

< 1 1
+ + + = r® ∗ r1 − t − t ∗ r + t
L < L − <

1 1
+@ + +7 =  ∗ r + t
< L − <

El costo de mantener el inventario es:

+ + +
∗ ²™‰k 8 1 1
8 ∗ r t = r t ∗ ³²™‰k ∗ r + t´ ∗ ²™‰k
2 2 < L − <

8 1 1
= r t ∗ ²™‰k

∗r + t
2 < L − <

8 < 1 1
=r t ∗ r® ∗ r1 − t − t  ∗ r + t
2 L < L − <

Y el costo de faltante de inventario es:

1 1
+@ + +7
∗    ∗ r< + t
L − <

8. ∗ P Q = 8. ∗ ¿ À
2 2

8. ∗   1 1
= P Q∗r + t
2 < L − <

Sustituyendo en C(Q,S) y simplificando se tiene que:

8 < 1 1
8®, 
= 8- ∗ ® + 8 + r t ∗ r® ∗ r1 − t − t  ∗ r + t +
2 L < L − <

8. ∗   1 1
P Q∗r + t
2 < L − <

La ecuación del costo total se expresa:

<
8¢®, 
= r t ∗ 8®, 

< 8 < 
1
8¢®, 
= 8- ∗ < + 8 ∗ r t + r t ∗ r® ∗ r1 − t − t ∗ ° ±
® 2∗® L <
1−L

8. ∗   1
+P Q∗° ±
2∗® <
1−L

Para encontrar el valor óptimo de Q se calcula la derivada con respecto a Q.

8¢®, 

=0
®
 −8 ∗ < 8 < 8 ∗   1 8. ∗   1
+ r t ∗ r1 − t − P Q ∗ ° ± − P Q ∗ ° ±=0
® 2 L 2 ∗ ® < 2 ∗ ® <
1− 1 −
L L

Obteniendo el valor óptimo de Q siguiente:

2 ∗ 8 ∗ < 8 + 8.
®∗ = I I
< 8.
8 ∗ 1 −

Para encontrar el valor óptimo de S se calcula la derivada con respecto a S.

8¢®, 

=0

8 ∗  8. ∗ 
−8 + + =0
< <
® ∗ 1 −
® ∗ 1 −

L L

Obteniendo el valor óptimo de S siguiente:

2 ∗ 8 ∗ < < 8
∗ = I I1 −
I
8. L 8 + 8.

Modelo III.- Probabilístico (EOQ con demanda variable).- Este modelo está basado en
una demanda variable que tiene un comportamiento normal. El modelo es una
adaptación del modelo EOQ, en la cual la Demanda (D) está dada por los parámetros
estadísticos media (µ) y desviación estándar (σ) que siguen una distribución normal :

< = " %(μ, n

La cantidad a pedir Q se calcula en base a la media:

 2 ∗ μ ∗ 8)
8,+   )$ % ® = I
8

El nivel de significancia alfa (α) se calcula:

1
Á=
<
y® z

El punto de orden se calcula con la expresión siguiente:

…-,+ $ L$ %$, % = μ + K/ n

Modelo IV.- Modelo heurístico. La heurística es una técnica o procedimiento práctico

o informal para resolver problemas. La heurística está basada en la experiencia que se
usa como ayuda para resolver problemas, mediante el uso de heurísticas, es posible
resolver más rápidamente problemas conocidos o similares a otros conocidos.

Un modelo heurístico está construido mediante un conjunto de reglas racionales para

obtener una buena solución. Son utilizados cuando no es posible obtener valores
óptimos, es decir cuando no es posible aplicar los otros modelos. Existen varios
enfoques heurísticos entre los cuales se destacan: Silver-Meal (SM), Lote a lote (L4L),
Costo mínimo unitario (CUM), Balanceo de periodo fragmentado (BPF).

Modelo V.- Simulación.

Los modelos probabilísticos de inventarios usualmente son implementados mediante

la simulación. En el modelado de un sistema con demanda probabilística intervienen
variables aleatorias las cuales permiten cuantificar la demanda, y es posible conocer el
comportamiento del inventario, experimentando así con el modelo, hasta encontrar la
información para la buena toma de decisiones. A continuación se presenta un ejemplo
de un modelo de inventarios basado en un punto de re orden.
4.3.2.2.- EJEMPLO DE SIMULACIÓN DE UN MODELO DE INVENTARIO BASADO EN
PUNTO DE RE ORDEN.

Se desea simular un sistema de inventario por un periodo de 100 dias. Este sistema
tiene una política con un punto de reorden igual a 600 unidades y una cantidad a
ordenar de 500 unidades. El inventario inicial es de 700 unidades. Se tiene una
demanda diaria con un comportamiento uniformemente distribuido entre 40 y 63
unidades. El tiempo de entrega de la orden es de una semana (5 dias).

Solución:

La modelación del sistema debe simular las actividades de:

• Realizar los pedidos,

• Recibir los pedidos (entrada al almacén) y actualizar el inventario.
• Demanda diaria (salida del almacén) y actualizar el inventario.

Las variables que son utilizadas deben definirse previamente, las cuales deben
almacenar los siguientes datos:

• Inventario. (Stock)
• Demanda diaria. (Demanda)
• Punto de reorden. (Point)
• Cantidad a ordenar. (EOQ)

Uso de la instrucción INITIAL (GPSS).

La instrucción INITIAL se utiliza para inicializar variables que serán utilizadas dentro de
la lógica del programa. Es utilizado para definir variables globales, las cuales se utilizan
en combinación con las instrucciones SAVEVALUE (actualiza la variable), y la
instrucción TEST (Compara el valor de variables).

INITIAL X$STOCK,700 ; Se inicializa el inventario = 700 unidades.

INITIAL X$POINT,600 ; Se inicializa el punto de reorden = 600 unidades.

INITIAL X$EOQ,500 ; Se inicializa la cantidad a ordenar = 500 unidades.

INITIAL X$DEMANDA,0 ; Se inicializa la demanda diaria = 0 unidades. (se calculará cada dia en el proceso)

Tabla 4.24.-Código GPSS que muestra la instrucción INITIAL.

En el operando A se define el nombre de la referencia haciendo uso de un prefijo que

define el tipo de dato. Los siguientes prefijos están disponibles: LS$ para valores
lógicos, X$ para enteros positivos, o MX$ para matrices. El operando B es utilizado
para establecer el valor inicial.
OPERACIONES ARITMÉTICAS REALIZADAS EN LA LÓGICA DEL PROGRAMA.

Uso de la instrucción SAVEVALUE (GPSS).

La instrucción SAVEVALUE proporciona un método simple para realizar cálculos cuyo

resultado será almacenado en una variable de usuario. En el operando A se especifica
el nombre de la variable en la cual se almacena el resultado del cálculo declarado en el
operando B.

Cálculo de la demanda diaria.

Para calcular la demanda diaria es posible realizarse utilizando la siguiente instrucción.

SAVEVALUE DEMANDA, (DUNIFORM(1,40,63)) ; Demanda = DUNIFORME(1,40,63)

Tabla 4.25.-Código GPSS que muestra la instrucción SAVEVALUE para el cálculo de la demanda .

Al momento que la transacción llega a esta instrucción, obliga a que se evalúe la

expresión que calcula la demanda diaria basada en un generador y el resultado lo
almacena en la variable de usuario DEMANDA, La cual será utilizada posteriormente
para disminuir el inventario existente.

Cálculo de la disminución del inventario existente.

Una vez que se tiene el valor de la demanda diaria se debe disminuir el inventario
existente, utilizando la siguiente instrucción:

SAVEVALUE STOCK-,X$DEMANDA ; STOCK = STOCK - DEMANDA

Tabla 4.26.-Código GPSS que muestra la instrucción SAVEVALUE para disminuir el stock .

En el operando A se declara la referencia a la variable global STOCK sin el prefijo X$ y

utiliza un sufijo de disminuir (-). En el operando B refiere a la variable de usuario
DEMANDA con el prefijo X$ para declarar que es una variable global.

Cálculo del aumento del inventario existente.

Del mismo modo al momento que el pedido realizado llegue, es necesario actualizar el
inventario existente, haciendo de la instrucción siguiente:

SAVEVALUE STOCK+,X$EOQ ;STOCK = STOCK + EOQ

Tabla 4.27.-Código GPSS que muestra la instrucción SAVEVALUE para incrementar el stock .

Describiendo en el operando A la referencia a la variable global STOCK sin el prefijo X$

y utiliza el sufijo de incrementar (+). En el operando B contiene la referencia a la
variable EOQ con el prefijo X$ que identifica que fue declarada como global.
Condicionante para disminuir el inventario existente.

Cuando la demanda diaria excede al inventario existente, se ocasiona un faltante, la

cual debe incorporarse una política para enfrentarla. Una puede ser, que al momento
que llegue el pedido, se cubra ese faltante, o la otra, que espere a que llegue el pedido.

SI la política es de espera, se puede simular haciendo uso de una instrucción TEST para
asegurarse de esa espera.

Uso de la instrucción TEST (GPSS).

La instrucción TEST funciona de manera similar al IF..THEN..ELSE que se utilizan en los

lenguajes de alto nivel. Esta instrucción para realizar comparaciones, cuyo resultado es
utilizado para tomar acciones hacia donde irá la transacción. El operador relacional
debe ser E (igual), G (mayor) , GE (mayor o igual), L (menor), LE (menor o igual), o NE
(diferente). El operando A es el valor a probar, el operando B es el valor de referencia,
y el operando C es el bloque destino (opcional).

Cuando no se define el operando C, la transacción esperará en este bloque hasta que

se cumpla la condición:

OPERANDO A OPERADOR OPERANDO B

Si se cumple la condición la transacción fluirá al siguiente bloque.

Si se especifica el operando C, la transacción irá al bloque destino únicamente cuando

no se cumpla la condición.

TEST GE X$STOCK,X$DEMANDA

SAVEVALUE STOCK-,X$DEMANDA ; STOCK = STOCK - DEMANDA

Tabla 4.28.-Código GPSS que muestra la instrucción TEST para comparar el stock vs demanda.

El operador GE (Mayor o igual) realiza la comparación de STOCK >= DEMANDA si es

verdadera, entonces la transacción pasa a la siguiente instrucción, de otra manera
quedará detenida la transacción hasta que se cumpla esta condicionante. (esperará a
que se incremente el inventario).
MODELADO DEL SISTEMA DE INVENTARIOS.

Para realizar el modelado de las actividades para realizar pedidos, recibirlos y

actualizar el inventario se simulan haciéndose cargo una sola transacción. De manera
paralela se simulan los días transcurridos, hasta completar cien días, simulando la
demanda diaria, reduciendo el inventario existente.

Simulación de un sistema de inventarios

GENERATE ,,,1 GENERATE 1

DEMANDA = DUNIFORM(1,40,63)
STOCK < POINT F

F
v STOCK >=
DEMANDA
ADVANCE 5

STOCK = STOCK - DEMANDA

STOCK =
STOCK + EOQ

TERMINATE 1
TERMINATE

Simula pedidos Simula demanda diaria

Tabla 4.13.-Diagrama de bloque para un sistema de control de inventarios.

Código GPSS.

INITIAL X$STOCK,700 ; Se inicializa el inventario = 700 unidades.

INITIAL X$POINT,600 ; Se inicializa el punto de reorden = 600 unidades.

INITIAL X$EOQ,500 ; Se inicializa la cantidad a ordenar = 500 unidades.

INITIAL X$DEMANDA,0 ; Se inicializa la demanda = 0 unidades. (se calcula diariamente)

GENERATE ,,,1 ; Genera una sola transacción

OTRA TEST L X$STOCK,X$POINT ; Si el STOCK < POINT Entonces avanza, de lo contrario espera a que se cumpla la condición

ADVANCE 5 ;Realiza el pedido y espera 5 días para recibirlo

SAVEVALUE STOCK+,X$EOQ ;Recibe el pedido y actualiza el inventario existente STOCK = STOCK + EOQ
TRANSFER ,OTRA ;Repite el ciclo (se transfiere la transacción al bloque etiquetado con OTRA

TERMINATE

GENERATE 1 ;Inicia el día

SAVEVALUE DEMANDA, (DUNIFORM(1,40,63)) ; DEMANDA = DUNIFORME(1,40,63)

TEST GE X$STOCK,X$DEMANDA ;Si el STOCK > DEMANDA Entonces avanza, de lo contrario espera a que se cumpla

SAVEVALUE STOCK-,X$DEMANDA ;Entrega y actualiza el inventario existente STOCK = STOCK - DEMANDA

TERMINATE 1 ;Finaliza el día

START 100 ;Simula 100 días

Tabla 4.29.-Código GPSS para el diagrama de bloques descrito en la figura 4.13.

El reporte de resultados de la simulación contiene los valores finales de la simulación

de las variables globales presentando la siguiente información:

Figura 4.14.- Sección SAVEVALUE en el reporte de resultados.

Al finalizar los 100 dias simulados se tiene un inventario final de 614 unidades, y la
última demanda diaria (la del día 100) fue de 50 unidades.

Para conocer el comportamiento del inventario y de la demanda durante ese periodo

de simulación, GPSS proporciona instrucciones para tabular estos datos (Histograma).

Uso de la instrucción TABLE (GPSS).

Esta instrucción permite definir e inicializar una tabla para almacenar una distribución
de frecuencias (histograma). Esta instrucción tiene la siguiente sintaxis:

NOMBRE TABLE A,B,C,D

La tabla a definir requiere de un nombre para hacer referencia a ella, y

especificaciones de la tabla a construir.

INVENTARIO TABLE X$STOCK,0,50,20 ; TABLA de niveles de inventario

Tabla 4.30.-Código GPSS para definir la tabla INVENTARIO usando la instrucción TABLE.
El nombre de la tabla es INVENTARIO, en el operando A se especifica el dato a tabular,
el operando B es el límite superior del primer intervalo, el operando C es el tamaño del
intervalo, y el operando D es la cantidad de intervalos.

De igual manera se define una tabla con el nombre de VENTAS, en el operando A se

especifica el dato a tabular (DEMANDA), En el operando B se especifica el límite
superior del primer intervalo (30), el operando C define el tamaño del intervalo (2), y el
operando D es utilizado para definir la cantidad de intervalos (20).

VENTAS TABLE XP$DEMANDA,38,2,20 ;TABLA DE niveles de ventas

Tabla 4.31.-Código GPSS para definir la tabla VENTAS usando la instrucción TABLE.

Uso de la instrucción TABULATE (GPSS).

Una vez definida la tabla haciendo uso de la instrucción TABLE, es posible con la
instrucción TABULATE registrar los datos. La instrucción TABULATE tiene la siguiente
sintaxis:

TABULATE A,B

En el operando A se especifica el nombre de la tabla en el cual se tabulará el valor

especificado en la misma tabla. El operando B se utiliza opcionalmente para darle un
factor de peso.

TABULATE INVENTARIO ; Tabula en la tabla INVENTARIO el valor almacenado en la variable STOCK

Tabla 4.32.-Código GPSS para tabular datos en la tabla INVENTARIO definida previamente.

Haciendo lo mismo para la tabla VENTAS, queda de la siguiente manera:

TABULATE VENTAS ; Tabula en la tabla VENTAS el valor almacenado en la variable DEMANDA

Tabla 4.33.-Código GPSS para tabular datos en la tabla VENTAS definida previamente.

Una vez, que se tienen preparadas estas instrucciones se incluyen en el modelo.

Código GPSS (incluye histogramas).

INITIAL X$STOCK,700 ; Se inicializa el inventario = 700 unidades.

INITIAL X$POINT,600 ; Se inicializa el punto de reorden = 600 unidades.

INITIAL X$EOQ,500 ; Se inicializa la cantidad a ordenar = 500 unidades.

INITIAL X$DEMANDA,0 ; Se inicializa la demanda = 0 unidades. (se calcula diariamente)

INVENTARIO TABLE X$STOCK,0,50,20 ; TABLA de niveles de inventario

VENTAS TABLE X$DEMANDA,38,2,20 ;TABLA DE niveles de ventas

GENERATE ,,,1 ; Genera una sola transacción

OTRA TEST L X$STOCK,X$POINT ; Si el STOCK < POINT Entonces avanza, de lo contrario espera a que se cumpla la condición

ADVANCE 5 ;Realiza el pedido y espera 5 días para recibirlo

SAVEVALUE STOCK+,X$EOQ ;Recibe el pedido y actualiza el inventario existente STOCK = STOCK + EOQ

TRANSFER ,OTRA ;Repite el ciclo (se transfiere la transacción al bloque etiquetado con OTRA

TERMINATE

GENERATE 1 ;Inicia el día

SAVEVALUE DEMANDA, (DUNIFORM(1,40,63)) ; DEMANDA = DUNIFORME(1,40,63)

TABULATE INVENTARIO ; Tabula en la tabla INVENTARIO el valor almacenado en la variable STOCK

TEST GE X$STOCK,X$DEMANDA ;Si el STOCK > DEMANDA Entonces avanza, de lo contrario espera a que se cumpla

SAVEVALUE STOCK-,X$DEMANDA ;Entrega y actualiza el inventario existente STOCK = STOCK – DEMANDA

TABULATE VENTAS ; Tabula en la tabla VENTAS el valor almacenado en la variable DEMANDA

TERMINATE 1 ;Finaliza el día

START 100 ;Simula 100 días

Tabla 4.34.-Código GPSS para el diagrama de la figura 4.13 (incluye histogramas).

En el reporte de resultados aparece una sección en la cual presenta las dos tablas
definidas: INVENTARIO y VENTAS con su datos respectivos.

Figura 4.15.- Sección TABLE del reporte de resultados.

La distribución de frecuencias (histograma) del inventario, muestra que tiene una

media de 616 unidades, con una desviación estándar de 147 unidades. También
presenta 12 intervalos en la cual detalla las frecuencias respectivas de las 100
observaciones realizadas.

La distribución de frecuencias (histograma) de la demanda diaria (VENTAS), tiene una

media de 51 unidades, con una desviación estándar de 7 unidades. Proporciona los
datos de los 9 intervalos detallando sus frecuencias de las 100 observaciones
realizadas.
4.4.- VALIDACIÓN DE UN SIMULADOR.

El modelo de simulación como cualquier otro modelo es una representación del

mundo real. Esta representación es una simplificación del sistema real que contiene los
elementos significativos reduciendo así la complejidad. Esta simplificación y la
abstracción de procesos asumida contribuye a incrementar las condiciones de
incertidumbre que da origen a la necesidad de validar el modelo.

La validación del modelo fue estudiada por Charles F. Hermann proponiendo el

enfoque Hermann que resalta tres perspectivas a considerar: Propósito de la
construcción, los criterios utilizados, y el personal que interviene en la construcción.

La validación siempre se realiza en un determinado grado en cada una de las

perspectivas señaladas, que no deben ser apartadas de su propósito validando los
criterios razonablemente en la medida que se requieran. El personal seleccionado para
la construcción y operación tiene un impacto significativo en los procedimientos
requeridos para la validación.

Enfoque Hermann para validar

Propósito del modelo Criterios Utilizados

Crear Escenarios Validación interna

Predecir resultados Validación superficial

Entrenar Validación var-par

Explicar Validación de eventos

Sistema no existente Validación de hipótesis

Personal involucrado

Figura 4.16.- Enfoque Hermann para realizar la validación del modelo.

 Propósitos Descripción
Escenarios Crea alternativas de acción para conocer sus consecuencias.
Predictivos Predice resultados que serán comparados con otros métodos
predictivos.
Entrenamiento Transmite conocimientos en un ambiente controlado.
Hipótesis y teorías Generan hipótesis y explicaciones a ideas surgidas en la
experimentación.
Universos inexistentes Estudio de sistemas que no existen en la realidad.

Figura 4.17.- Propósitos del modelo.

Criterios Descripción
Validación interna Establece una estabilidad y consistencia entre las corridas del
modelo.
Validación superficial Impresiones subjetivas de aspectos relevantes de la realidad.
Validación variable-parámetro Análisis de sensibilidad realizando comparaciones con valores
de las variables-parámetros.
Validación de eventos Establece similitudes de eventos.
Validación de hipótesis Realiza pruebas de hipótesis .

Figura 4.18.- Criterios de validación.

VERIFICACIÓN Y VALIDACIÓN DEL MODELO.

Los modelos de simulación son imitaciones aproximadas de sistemas del mundo real y
deben ser validados para asegurar la confiabilidad.

La verificación y la validación del modelo de simulación, inicia después que las

especificaciones han sido documentadas y el desarrollo inicial del modelo ha sido
finalizado. La verificación y la validación es un proceso iterativo que forma parte del
desarrollo del modelo. Para tener credibilidad en el simulador construido, es necesario
validar el modelo y los resultados del modelo. La validación proporciona al tomador de
decisiones los elementos necesarios para confiar en los resultados. La validación que
se lleva a cabo en modelos computacionales es similar a la de un simulador, aunque
existen diferencias específicas por la naturaleza de sus datos. En un modelo de
simulación intervienen tres clases de variables que describen el comportamiento del
sistema: entrada, proceso y salida.

Las variables de entrada son datos que se alimentan al modelo, son predeterminadas y
proporcionadas independientemente del sistema que se modela. Las variables de
proceso. son variables utilizadas para realizar el proceso, describen el estado del
sistema en cualquier instante. Pueden estar relacionadas con otras variables. Las
variables de salida son las variables que intenta predecir el modelo, representan los
resultados de la simulación.

Si hay datos del sistema actual, estos se pueden utilizar para compararlos con los
resultados del modelo. Es lo que se conoce como validación de resultados. Los
resultados se deben revisar para verificar su coherencia y consistencia de acuerdo con
el funcionamiento esperado del sistema.

El análisis de sensibilidad debe realizarse para detectar que factor tiene un efecto
mayor sobre los resultados del modelo para mejorar su representación si fuera
necesario.

La validación del modelo requiere sobre todo, la experiencia en el análisis de

resultados y en métodos estadísticos.

La verificación.

La verificación del modelo es un proceso para confirmar que ha sido implementado

correctamente con respecto al modelo conceptual. Durante la verificación, el modelo
es probado para encontrar y corregir los errores dentro de la implementación del
modelo. Varios procesos y técnicas se utilizan para asegurar que el modelo cumpla con
las especificaciones y supuestos con respecto al modelo conceptual. EL objetivo de la
verificación es asegurar una correcta implementación del modelo.

Existen varias técnicas para verificar el modelo, verificar por un experto, examinar la
lógica de los diagramas de flujo, examinar las salidas que estén dentro de rangos
razonables, prueba con varios conjuntos de datos de entrada, y todas las técnicas que
propone la ingeniería de software son aplicables en el modelo de simulación.

La verificación proporciona la evidencia de que el modelo computacional es construido

de manera correcta y exacta.

El proceso de verificación comúnmente se divide en dos tipos: La verificación del

código, y la verificación de la solución. En la verificación del código se realizan
actividades para encontrar y eliminar errores en el código fuente, en los algoritmos y el
mejoramiento del software aplicando prácticas de aseguramiento de la calidad. En la
verificación de la solución involucra actividades tendientes a asegurar la exactitud de
los datos de entrada, la estimación del error en la solución, y el aseguramiento que los
datos de salida sean precisos.

La validación.

La validación es un proceso para la determinación del grado en que el modelo

representa al sistema real. La validación proporciona la evidencia de que el modelo
matemático está exactamente relacionado con las medidas experimentales.

La validación asegura mediante una serie de pruebas que el modelo construido

representa al sistema real. Esta serie de pruebas objetivas y subjetivas determinan la
validez del modelo.
Las metas que persigue la validación se visualizan como tácticas y estratégicas. Las
metas tácticas realizan una caracterización y minimización de la incertidumbre y los
errores dentro del modelo computacional; y las estratégicas buscan incrementar la
confianza en la capacidad cuantitativa predictiva.

Dificultades asociadas a los datos.

Los datos asociados que utiliza el modelo de simulación dificultan el proceso de

validación debido a varias razones, en las cuales se pueden enumerar en orden de
prioridad las siguientes:

1. Mediciones incompletas en los variables de entrada. Las condiciones iniciales y

de acotamiento del espacio de soluciones formulan una geometría imperfecta
de espacios no convexos que ocasiona indeterminaciones.
2. Mediciones limitadas en las variables de salida. Usualmente se miden las
variables globales que contienen cantidades de alto nivel.
3. Estimadores de incertidumbre limitados. Errores aleatorios, errores de sesgo,
variabilidades en las etapas de estados transitorios.

Características de una validación.

La validación debe ser diseñada y conducida por personal experto en las ciencias
computacionales y experimentadores del área de estudio, estableciendo un fuerte lazo
desde la concepción del modelo, hasta la etapa de la documentación, seguido de un
análisis de fortalezas y debilidades.

La validación debe estar diseñada para captar los aspectos físicos relevantes, las
condiciones iniciales, y las condiciones de acotamiento y los datos auxiliares tales
como supuestos y la medición de los datos de entrada, y en lo posible la incorporación
de las características de las imperfecciones.

La validación debe usar la sinergia entre el experimento y el enfoque computacional

para analizar las fortalezas y debilidades desde el punto de vista computacional y
experimental, permitiendo la utilización de simulaciones con alto nivel de confianza
para calibrar y mejorar.

La independencia entre los resultados experimentales y computacionales debe ser

mantenida hasta donde sea posible. Una comparación ciega en la alimentación de
datos que no proporcionan datos de salida. La simulación debe ser predictiva y no
calibrativa.

Realizar una jerarquía de las medidas experimentales que presentan un alto nivel de
dificultad computacional.
Procedimientos de análisis de incertidumbre para estimar la aleatoriedad y errores de
sesgo correlacionados. El uso de métodos modernos estadísticos para estimar la
aleatoriedad y errores de sesgo en las variables de entrada y de salida. Y en lo posible
conducir experimentos utilizando técnicas de diagnóstico.

Métricas de validación.

Una métrica de validación es una medida de acuerdo entre los resultados

computacionales y las medidas experimentales para las cantidades de interés de
respuesta del sistema.

Pasos requeridos para evaluar una métrica de validación.

1. Selección de una cantidad de respuesta del sistema.

2. Medir experimentalmente todas las cantidades de entrada necesarias para el
código.
3. Medir experimentalmente las respuestas del sistema y su estimado de
incertidumbre.
4. Utilizar el código y las cantidades de entrada del experimento, y calcular la
cantidad de respuesta del sistema.
5. La diferencia entre lo calculado y la medida experimental, usualmente se
estima la media estimada de la respuesta del sistema y los resultados
computacionales.

La formulación de la métrica de validación hace uso de la estadística destacando: la

inferencia Bayesiana, las pruebas de hipótesis, y los intervalos de confianza.

La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u

observaciones son empleadas para actualizar o inferir la probabilidad de que una
hipótesis pueda ser cierta.

Características de una métrica de validación.

La métrica de validación debe contar con las siguientes características:

• Se debe incluir un estimado de error numérico.

• Se debe incluir un estimado de errores aleatorios experimentales, y si es
posible errores de sesgo correlacionados.
• Se debe incluir un asesoramiento preciso del modelo computacional el cual
incluya todos los supuestos.
• Se debe excluir una medida de acuerdo entre los resultados computacionales y
los resultados experimentales.
• Se debe depender de un número de réplicas de experimentos dada una
cantidad experimental.
 • Se debe depender de la incertidumbre debido a la falta de mediciones
experimentales de cantidades computacionales necesarias y la propia
incertidumbre de los parámetros experimentales.

Inferencias típicas.

A continuación se presentan tres casos que muestran las inferencias típicas

relacionadas de los dominios de la aplicación (el modelo de simulación) y el dominio de
la validación del modelo. En el eje de las abscisas se muestra el sistema y sus
parámetros que definen el entorno, y en el eje de las ordenadas representa la
complejidad geométrica y física.
En la inferencia tradicional ingenieril se
Caso I.- Inferencia tradicional ingenieril- Interpolación superpone los dominios de la aplicación y de
validación. La predicción se realiza
interpolando dentro de los puntos de la
C validación. Los errores en el modelo pueden
o ser ignorados debido al incremento en el
m factor de seguridad. El modelo es corregido
p utilizando errores de sesgo determinados en
Dominio de el experimento.
l aplicación
e
j
i
d
Dominio de validación
a
d

Sistema

En la inferencia bien fundamentada se

Caso II.- Inferencia bien fundamentada -Extrapolación superpone parcialmente los dominios de la
aplicación y de validación. La extrapolación
ocurre en términos de varios tipos de
C direcciones de las coordenadas debido a: los
o datos de entrada, parámetros del sistema y
m condiciones de acotamiento.
p Dominio de aplicación
l
e
j
i
d
Dominio de validación
a
d

Sistema
 En la inferencia débil no se superponen los
Caso III.- Inferencia débil – Gran extrapolación dominios de aplicación y validación. Se realiza
una gran extrapolación en términos de
direcciones de las meta-coordenadas debido
C a: Cambios recientes en la complejidad física,
o Dominio de introducción de nuevos acoplamientos físicos,
m o la introducción de acoplamientos entre
aplicación
p subsistemas o componentes del sistema.
l Extrapolación
e
j
i
d
Dominio de validación
a
d

Sistema

Figura 4.19.- Inferencias típicas (tradicional, bien fundamentada, débil).

4.4.1.- PRUEBAS PARAMÉTRICAS (VALIDACIÓN DEL MODELO, PRUEBAS DE HIPÓTESIS

Y PRUEBAS DE ESTIMACIÓN.

Un parámetro es una característica de la población de interés, que deseamos estimar

ya sea real o desconocido. Para validar un modelo de simulación existen los criterios
de Hermann entre los cuales se destacan variable-parámetro, y de hipótesis. Las
pruebas paramétricas son pruebas de hipótesis estadísticas que asumen cierto
comportamiento de:

• Muestras obtenidas aleatoriamente.

• Distribución normal de las observaciones.
• Existe un parámetro de interés que buscamos estimar.

Estas pruebas paramétricas se basan en la suposición de una forma determinada de la

distribución de valores, generalmente la distribución normal, en la población de la que
se obtiene la muestra experimental. Una hipótesis estadística es una proposición o
supuesto sobre los parámetros de una o más poblaciones. Las hipótesis siempre son
proposiciones sobre la población o distribución bajo estudio, no proposiciones sobre la
muestra. Por lo general, el valor del parámetro de la población especificado en la
hipótesis nula se determina en una de tres maneras diferentes:

1. Puede ser resultado de la experiencia o del conocimiento del proceso, entonces

el objetivo de la prueba de hipótesis usualmente es determinar su ha cambiado
el valor del parámetro.
2. Puede obtenerse a partir de alguna teoría o modelo que se relaciona con el
proceso bajo estudio. En este caso, el objetivo de la prueba de hipótesis es
verificar la teoría o modelo.
 3. Cuando el valor del parámetro proviene de consideraciones externas, tales
como especificaciones de diseño o ingeniería. En esta situación, el objetivo
usual de la prueba de hipótesis es probar el cumplimiento de las
especificaciones.

PRUEBAS DE HIPÓTESIS.

La hipótesis nula, representada por H0, es la afirmación sobre una o más características
de poblaciones que al inicio se supone cierta (es decir, la creencia a priori).

La hipótesis alternativa, representada por H1, es la afirmación contradictoria a H0, y

ésta es la hipótesis del investigador.

La prueba de hipótesis estadística o también llamada contraste de hipótesis se utiliza

para estimar un parámetro o proponer hipotéticamente un valor o valores para ese
parámetro, basado en la experiencia o en el supuesto teórico de la investigación. Esta
prueba sirve para decidir si se considera ese supuesto o se rechaza basado en las
muestras aleatorias obtenidas.

Si se conoce la distribución de probabilidad se utilizan las pruebas estadísticas

específicas, de lo contrario se aplican las pruebas de hipótesis estadísticas
paramétricas.

Con los resultados de la validación de la hipótesis se decide si rechazar o no el

supuesto. En condiciones de incertidumbre se emplea la probabilidad como una
medida para tomar una decisión equivocada.

A partir de una muestra aleatoria extraída de una población se realiza un proceso de

prueba para decidir si se mantiene el supuesto o se rechaza; con cierta probabilidad de
error.

Para la población se plantea un supuesto para el parámetro, de ésta se extrae una

muestra aleatoria, los datos recolectados de ella se usan para generalizarlo en toda la
población, mediante el proceso de la prueba de hipótesis.
 Proceso de la prueba de hipótesis estadística

Población

Muestreo
Muestra aleatoria

Hipótesis: Supuesto para el

parámetro
(validar)
Inferencia estadística

Figura 4.20.- Proceso de la prueba de hipótesis estadística.

Una hipótesis estadística es una conjetura que el investigador plantea para el

parámetro, que puede o no ser verdadera, relativa a una o más poblaciones. Las
hipótesis estadísticas pueden ser simples o compuestas, también nulas o alternativas.

Una hipótesis simple es una hipótesis que especifica completamente la distribución,

especificando la forma funcional y los valores de todos los parámetros. De lo contrario
se conoce como una hipótesis compuesta.

La hipótesis nula conocida como H0 es el supuesto que indica que el valor del
parámetro es constante y que no sufre cambios. Es planteada generalmente con la
intención de rechazarla.

La hipótesis alternativa también conocida como H1, es el supuesto relacionado con la

teoría a demostrar.

Para tomar la decisión de rechazar o no la hipótesis es necesario recopilar una muestra

de la población, para luego realizar un cálculo estadístico que sirve de base para la
toma de decisión. Este procedimiento divide los posibles valores estadísticos en dos
subconjuntos: La región de no rechazo, y la región de rechazo.

La hipótesis es unilateral si la hipótesis alternativa indica un cambio en una sola

dirección (menor que, mayor que) con respecto a la hipótesis nula, de lo contrario se
dice que la hipótesis es bilateral.
Errores de Tipo I y II.

Los errores que se pueden cometer al realizar una prueba de hipótesis son los
siguientes:

Decisión Estado real

H0 es verdadera H0 es falsa
Rechazar Ho Error de tipo I OK
No rechazar H0 OK Error de tipo II

Tabla 4.35.-Errores al realizar la prueba de hipótesis.

Estos errores son contabilizados con las siguientes probabilidades condicionales:

…L$ ℎ'% Ÿ | $# O$%$%

= Á

… " %$ ℎ'% Ÿ | $# .(#

= Ã

Una buena prueba estadística es aquella prueba en que permite tomar una decisión
con un error mínimo de error. Es decir que los valores α y β tiene valores mínimos.
Mostrando la decisiones en términos de esos errores tenemos que:

Decisión Estado real

H0 es verdadera H0 es falsa
Rechazar Ho α (1-β)
No rechazar H0 (1-α) β

Tabla 4.36.- Valores α y β para medir los errores.

Al rechazar una hipótesis nula verdadera se incurre en el error de tipo I, mientras que
no rechazar la hipótesis nula cuando es falsa se incurre en el error de tipo II. El error de
tipo I (α) está bajo control del investigador y es establecido antes de realizar la prueba,
también se le conoce como el nivel de significancia, y el (1-α) es conocido como el nivel
de confianza o la probabilidad de que el parámetro esté dentro de este intervalo de
confianza.

El error de tipo II (β) varía con respecto a α, debido a varias causas entre las cuales se
destaca el tamaño de la muestra, la prueba estadística, el diseño elegido y la magnitud
del efecto. A (1-β) se le conoce también como la potencia, es decir la probabilidad de
no cometer el error de tipo II.

Nivel de significancia (α).

La probabilidad α es el nivel de significancia de la prueba, asumida voluntariamente

por el investigador para equivocarse al rechazar H0 cuando es verdadera. Usualmente
se utilizan los valores de 0.01 (1%), 0.05 (5%) y 0.10 (10%). Cuando es rechazada una
hipótesis nula se dice que tiene una significancia estadística, pero cuando no se
rechaza significa que no se tienen los elementos suficientes para rechazarse.
Estadístico de prueba.

Para decidir si se rechaza o no la hipótesis nula se toma una muestra de la población,

para luego calcular los estadísticos de prueba que indican el grado de discrepancia
entre la hipótesis nula y los datos muestrales. Cuando es grande esta diferencia se
rechaza la hipótesis nula en caso contrario no se rechaza.

Al conjunto de valores de la estadística de prueba para los que la hipótesis nula se

rechaza se llama “región de rechazo o región crítica”. El establecimiento de la región
de rechazo depende de la distribución de probabilidad de la estadística de prueba, el
punto de corte (punto o valor que divide a la región crítica de la no crítica) se llama
también “valor crítico o punto crítico”, cuyo su valor depende de la distribución de
probabilidad de la estadística de prueba.

Región de rechazo.

La región de rechazo o región crítica es aquella en que contiene valores del estadístico
de prueba en que la hipótesis nula es rechazada. Esta región depende de la
distribución de probabilidad del estadístico de prueba utilizado. El punto crítico es el
que divide la región crítica de la no crítica, y depende su valor de la distribución de
probabilidad utilizada.

Figura 4.21.- Región de rechazo.

PROCEDIMIENTO PARA REALIZAR LAPRUEBA DE HIPÓTESIS.

Paso 1.- Plantear adecuadamente la hipótesis nula y la alternativa.

Paso 2.- Elegir el nivel de significancia (α).

Paso 3.- Elegir el estadístico para la prueba.

Paso 4.- Definir la región de rechazo, en base a la hipótesis alternativa.

Paso 5.- Calcular el estadístico seleccionado para realizar la prueba de hipótesis.

Paso 6.- Comparar el valor del estadístico de prueba y el valor crítico, para decidir si se
rechaza o no la hipótesis nula.

La prueba de hipótesis es paramétrica debido a que se aplica únicamente a las

muestras aleatorias que provienen de poblaciones que tienen una distribución de
probabilidad conocida, la cual generalmente es la distribución de probabilidad normal.

A continuación se muestran diversas pruebas de hipótesis, las cuales muestran el

estadístico a utilizar, y la política de rechazo.

Prueba de hipótesis para µ de una población normal cuando σ2 es conocida.

Prueba de hipótesis Estadístico utilizado Rechazar Ho si

i̅ − μ
Ho:µ≤µ0 Z > Zα
K= n
Ž ,
H1:µ>µ0
√
Ho:µ≥µ0 Z > -Zα
H1:µ<µ0
Ho:µ=µ0 Z < -Zα/2 ó Z > Zα/2
H1:µ≠µ0

Prueba de hipótesis para µ de una población normal cuando σ2 es desconocida.

Prueba de hipótesis Estadístico utilizado Rechazar Ho si

i̅ − μ
Ho:µ≤µ0 T > tα,n-1
¢= #
Ž ,
H1:µ>µ0

√
Ho:µ≥µ0 T < -tα,n-1
H1:µ<µ0
Ho:µ=µ0 T < -tα/2,n-1 ó T > tα/2,n-1
H1:µ≠µ0
Prueba de hipótesis para σ2 de una población normal.

  > ,

Prueba de hipótesis Estadístico utilizado Rechazar Ho si

, − 1
# 
2 2
Ho:σ ≤ σ 0
 =
σ   < ,
2 2


H 1: σ > σ 0
2 2
H o: σ ≥ σ 0

  <  , ó

H1: σ2< σ20


 > ,
2 2


H o: σ = σ 0
2 2
H 1: σ ≠ σ 0 

Prueba de hipótesis para π de una población binomial.

K > K
Prueba de hipótesis Estadístico utilizado Rechazar Ho si

) − Å
K=
Ho: π ≤ π0

ÆÅ 1 − Å
K < -K
H1: π > π0

n
Ho: π ≥ π0

K < -K/ ó K > K/

H1: π < π0
Ho: π = π0
H1: π ≠ π0

Prueba de hipótesis para µ1−µ2 cuando ÇfÈ É Çff son conocidas.

K > K
Prueba de hipótesis Estadístico utilizado Rechazar Ho si

i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
K=
K < -K
H1: µ1−µ2 > µ0

n n
I
, + ,
Ho: µ1−µ2 ≥ µ0

K < -K/ ó K > K/

H1: µ1−µ2 < µ0
Ho: µ1−µ2 = µ0
H1: µ1−µ2 ≠ µ0

Prueba de hipótesis para µ1−µ2 cuando ÇfÈ É Çff son desconocidas e iguales.

¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si

i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
¢=
1 1 ¢ < -¢,
H1: µ1−µ2 > µ0
~ Æ, + ,
Ho: µ1−µ2 ≥ µ0
 
¢ < -¢/, ó ¢ > ¢/,
H1: µ1−µ2 < µ0
Ho: µ1−µ2 = µ0 Donde:

~ =
Ê 
œÊ’ ’ 
œ’’
H1: µ1−µ2 ≠ µ0
Ê ’ 

, = , + , − 2
Prueba de hipótesis para µ1−µ2 cuando ÇfÈ É Çff son desconocidas y diferentes.

¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si

i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
¢=
¢ < -¢,
H1: µ1−µ2 > µ0

# #
I +
Ho: µ1−µ2 ≥ µ0
, ,
¢ < -¢/. ó ¢ > ¢/,
H1: µ1−µ2 < µ0
Ho: µ1−µ2 = µ0
H1: µ1−µ2 ≠ µ0

# #
Donde:
, + ,

,=  
# #
 
r t r t
, ,
·  +  º
, − 1 , − 1
µ ¸

Prueba de hipótesis para µ1−µ2 = µd para muestras relacionadas.

¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si

̅
H o : µd ≤ 0
¢=
Ë √,
¢ < -¢,
H 1: µ d > 0
H o : µd ≥ 0

¢ < -¢Ì. ó ¢ > ¢Ì,

H 1 : µd < 0
’ ’
H o : µd = 0 Donde:

1

H 1 : µd ≠ 0

̅ = 
i − 9

,


∑

i − 9 − ̅

Ë = I
,−1

Prueba de hipótesis para cuando ÇfÈ É Çff son conocidas.

Ho: n ≤ n  > ,‰,Í

Prueba de hipótesis Estadístico utilizado Rechazar Ho si

H1: n > n #

=
Ho: n ≥ n #  < 
,‰,Í

H1: n < n

Ho: n = n  < ÊÎÌ,‰,Í
ó  > yÌz,‰,Í

Donde:

H1: n ≠ n  = , − 1 ’ ’

? = , − 1
Prueba de hipótesis para π −π de poblaciones binomiales.

Ho: Å −Å ≤ Å K > K

Prueba de hipótesis Estadístico utilizado Rechazar Ho si

H1: Å −Å > Å ) − )

K=
Ho: Å −Å ≥ Å 1 1 K < -K
p1 − p
yn + n z
H1: Å −Å < Å I  
Ho: Å −Å = Å K < -K/ ó K > K/
H1Å −Å ≠ Å
Donde:
P es la proporción poblacional
estimada de éxitos con respecto
a la muestra n=n1+n2

4.4.2.- PRUEBAS NO PARAMÉTRICAS.

Las pruebas no paramétricas son aquellas que no presuponen una distribución de

probabilidad para los datos, por ello se conocen también como de distribución libre.

En la mayor parte de ellas los resultados estadísticos se derivan únicamente a partir de

procedimientos de ordenación y recuento, por lo que su base lógica es de fácil
comprensión.

PRUEBA DE MANN-WHITNEY PARA MUESTRAS INDEPENDIENTES.

Si tenemos dos series de valores de una variable continua obtenidas en dos muestras
independientes: X1, X2,..Xn, Y1, Y2, …., Ym, procedemos a ordenar conjuntamente todos
los valores en sentido creciente, asignándoles su rango, corrigiendo con el rango
medio los empates. Calculamos luego la suma de rangos para las observaciones de la
primera muestra SX, y la suma de rangos de la segunda muestra SY. Si los valores de la
población de la que se extrajo la muestra aleatoria de X se localizan por debajo de loa
valores de Y, entonces la muestra de X tendrá probablemente rangos más bajos, lo que
se reflejará en un valor menor de Sx del teóricamente probable.

PRUEBA DE WILCOXON DE LOS RANGOS CON SIGNO.

Esta prueba nos permite comparar nuestros datos con una mediana teórica (por
ejemplo un valor publicado en un artículo). Para efectuar esta prueba se calculan las
diferencias en valor absoluto |Xi-M0| y se ordenan de menor a mayor, asignándoles su
rango (número de orden). Si hubiera dos o más diferencias con igual valor (empates),
se les asigna el rango medio (es decir que si tenemos un empate en las posiciones 2 y 3
se les asigna el valor 2.5 a ambas).