C3-Conceptos Estadisticos

Automatizacin de procesos
Conceptos estadsticos.ppt 1
CONCEPTOS ESTADSTICOS
Distribuciones de probabilidad: introduccin
El empleo de probabilidades y estadstica es parte integral de
un estudio de simulacin:
Se emplean para entender como modelar un sistema proba-
bilstico.
Para validar el modelo de simulacin.
Para escoger las distribuciones de probabilidad de entrada.
Obtener muestras aleatorias a partir de las distribuciones.
Efectuar anlisis estadstico de los resultados de simulacin.
Disear los experimentos de simulacin.
Distribuciones de probabilidad de entrada: fuentes de azar
Tipo de sistema Fuentes de azar
Fabricacin Tiempos de proceso, Tiempo entre
averas, Duracin de las averas, Llegadas
de pedidos
Comunicaciones Tiempos entre llegadas de mensajes,
Duracin, Tipo, Destino final.
Transporte Tamao de la carga, Tiempo de transporte,
Tiempos de carga o descarga
Procesos hospitalarios Tiempo entre llegadas de pacientes, Tipo
de enfermedad, Duracin de la consulta.
P
1
(piezas en cola)
P
2
(mquinas
libres)
P
3
(pieza/s en proceso y
mquina/s ocupada/s)
P
4
(piezas procesadas)
T
1
(llegada)
T
2
(inicio proceso)
T
3
(fin proceso)
Tiempo entre
llegadas
Tiempo de
proceso
Definiciones
Variable aleatoria: X es una variable aleatoria si puede tomar cualquier valor
de un rango finito (variable aleatoria discreta) o infinito (variable aleatoria
continua). A pesar de que no se conoce la secuencia exactade valores, si que
se conoce el rango de variacin y la probabilidad de que se obtenga un cierto
valor.
Distribucin de probabilidad: permite relacionar un conjunto de valores o medidas
con su frecuencia relativa de aparicin.
Funcin de densidad de probabilidad (f(xi)): describe la probabilidad de que una
variable aleatoria X tenga un cierto valor xi.
f(xi) = P(X = xi)
Funcin de distribucin acumulativa (F(xi)): describe la probabilidad de que una
variable aleatoria X tenga un valor mas pequeo o igual a un cierto valor xi.
F(xi) =P(X<=xi)
Toma y anlisis de
los datos
Ajuste de una funcin
de distribucin
Validacin del
ajuste
Desarrollo de un modelo estadstico
Construccin de un modelo: ejemplo
Toma de datos: en el modelado de la parte aleatoria solo se han de registrar
los datos referentes al proceso estocstico, sin considerar ni las causas de
la actividad aleatoria ni su efecto.
Tiempo entre llegadas MM1 en seg*100 (tabla3-1.xls)
0.50 3.35 20.85 7.81 0.44 0.03 3.82 7.09 3.02 2.80
2.08 6.53 52.53 10.23 0.76 0.00 28.21 15.51 4.86 10.41
5.25 11.67 46.23 28.06 6.05 4.82 46.36 2.90 5.47 17.42
7.20 41.15 9.54 4.88 19.10 9.17 0.83 7.43 9.98 4.11
10.28 23.44 6.19 2.39 7.57 12.97 12.62 7.65 18.49 6.95
1.08 9.89 5.49 2.16 14.18 11.89 12.73 0.51 14.61 27.01
1.91 18.77 4.98 6.41 1.45 1.71 5.21 2.89 8.38 3.50
2.86 17.60 4.89 11.74 15.31 36.64 3.62 21.78 2.15 6.70
17.13 0.11 17.58 1.30 2.44 9.59 1.74 5.02 6.46 18.76
1.49 7.92 4.03 3.13 1.67 23.31 3.13 9.35 0.10 0.51
Anlisis de los datos
IID: en simulacin suponemos que los valores de las muestras de datos son IID.
Valores Independientes e Idnticamente Distribuidos.
Independientes: el conjunto de valores no esta correlacionado
Idnticamente distribuidos: siguen la misma distribucin de probabilidad
0
20
40
60
80
100
120
140
160
180
200
8 10 12 14 16 18 20 22
Nmero de pacientes llegados
por franja horaria
X n
Xi
n
S n
Xi X n
n
i
n
i
n
( )
( )
( )
=
=

(
=
1
2
1
2
1
Las dos estimaciones
puntuales mas importantes
son la media y la
variancia.
Xi Valor de la respuesta para la simulacin i
Definiciones
Media y variancia: M/M/1 tiempo promedio en cola
Simulacin Tiempo promedio [Xi-X(10)]^2
1 40,62 318,122896
2 16,9 34,621456
3 37,2 207,821056
4 24 1,478656
5 13,1 93,779856
6 19,48 10,916416
7 13,6 84,345856
8 26,7 15,335056
9 18,64 17,172736
10 17,6 26,873856
227,84 810,46784
X(10)= 22,784 S^ 2(10)= 90,05
Tcnicas para evaluar la independencia de una muestra
2
( )
k
k
C
R
S n
=
1
( ) ( )
n k
i i k
i
k
X X n X X n
C
n k
+
=
( (

=
Grfica de autocorrelacin.
Eje vertical
Eje horizontal: retardo temporal (k=1,2,3, ...)
X n
Xi
n
S n
Xi X n
n
i
n
i
n
( )
( )
( )
=
=

(
=
1
2
1
2
1
Ver muestra IID exponencial fig 3-5
Grfica de autocorrelacina: ejemplo
Muestra IID exponencial
(muestra IID exponencial.xls)
Tiempos de espera en la cola
Tcnicas para evaluar la independencia de una muestra
Diagrama de dispersin: grfica de los pares (X
i
, X
i+1
)
0
0.5
1
1.5
2
2.5
3
3.5
4
0 1 2 3 4
Obser vacin K
O
b
s
e
r
v
a
c
i
n

K
+
1
Muestra IID exponencial
(muestra IID exponencial.xls)
Tiempos de espera en la cola
(Bivariante.xls)
Tcnicas para evaluar la estabilidad de la distribucin
Proporcin del total de llegadas en funcin del tiempo
Exponencial (1)
Exponencial(1+tiempo/50)
Distribucin de probabilidad: histogramas
La distribucin frecuencia o histograma es til para identificar la
forma de una distribucin. Se construye de la siguiente forma:
Se divide el rango de datos en intervalos generalmente regulares.
Etiquetar el eje horizontal de acuerdo con los intervalos seleccionados.
Determinar la frecuencia de ocurrencias en cada intervalo.
Etiquetar el eje vertical para poder representar las frecuencias.
Representar las frecuencias en el eje vertical.
El nmero de intervalos a seleccionar depende del nmero de
observaciones y de la dispersin de los datos.
Evaluar que pasa si el nmero de intervalos es muy grande o muy pequeo.
Existen frmulas que indican cul podra ser el nmero ptimo de intervalos en que deberan agruparse n
datos para determinar la funcin de distribucin de probabilidad que mejor los represente. Una de estas
frmulas es la ecuacin de Sturges [STUR26]:
k =[1 +log
2
n] =[1 +3.322 log
10
n]
Intrvalo n de sucesos Probabilidad
[0-4) 34 0.34
[4-8) 26 0.26
[8-12) 13 0.13
[12-16) 7 0.07
[16-20) 8 0.08
[20-24) 4 0.04
[24-28) 1 0.01
[28-32) 2 0.02
[32-36) 0 0.00
[36-40) 1 0.01
[>40) 4 0.04
Histgramas: frecuencia de aparicin de los valores
Funcin de densidad de probabilidad: cuando el proceso estocstico a describir
es continuo la variable aleatoria puede tomar un numeroinfinito de valores.
Dado que la probabilidadde que una variable aleatoria X tenga un cierto valor
xi es 0, se prefiere describir las propiedades estadsticas de las variables
aleatorias continuas mediante la funcin de densidad de probabilidad f(x).
Por tanto, en lugar de describir la probabilidad de queuna variable aleatoria
tenga un cierto valor, se modela la probabilidad de quela variable aleatoria
este en un intervalo de valores (de a a b):
Funcin de densidad de probabilidad
}
= s s
b
a
dx x f b X a P ) ( ) (
Esta informacin se puede generar a partir de la funcinde probabilidad
emprica generada en el caso anterior.
8 . 9
8 . 9
1
) (
x
e x f

=
Fuente: peso_bc.xls
Peso en kg/mmde bobinas de acero
suministradas por un fabricante
(muestra de 3477 valores)
justificar justificar
289/3477=0.083
3188/3477=0.917
Analizar el inters de un buen ajuste
para el transporte y/o fabricacin
Real
Modelo
Peso en kg/mmde bobinas de acero
suministradas por un fabricante
(muestra de 1223 valores)
(9,13), (13,15.5), (15.5,19), (19,24)
203/1223=0.1666
316/1223=0.258
Distribuciones de probabilidad de entrada
Es posible registrar datos de una variable aleatoria de inters. Estos,
pueden ser empleados para obtener una distribucin mediante una de
las tres siguientes opciones (ordenadas de menor a mayor inters).
1- Emplear los datos directamente en la simulacin: Solo puede reproducir
casos que ya han sucedido. Recomendada para la validacin del modelo.
2- Los datos se emplean para generar una distribucin emprica: mejor
que la 1. Puede ser irregular, especialmente si se parte de un nmero
pequeo de valores. No es posible generar valores fuera del rango de
los datos observados.
3- Se emplean tcnicas estndar de inferencia estadstica para encontrar
la distribucin terica (funcin de densidad de probabilidad)
que mejor se aproxima. Es el mtodo preferible.
En las situaciones en las que no se pueda encontrar una distribucin
terica adecuada, hay que emplear un distribucin emprica.
Funcin de distribucin acumulativa
Otra forma de representar el comportamiento estocstico de una variable
aleatoria es mediante una funcin de distribucin acumulativa F(x).
Se define como la probabilidad de que la variable aleatoria X tome un valor
mas pequeo o igual a un cierto valor xi.
La funcin de distribucin acumulativa terica se encuentra, para variables
aleatorias continuas, integrando la funcin de densidad teorica,
( )
}

= s =
xi
dx x f xi X P xi F ) ( ) (
Para las variables aleatorias discretas,
( )

s
= s =
xi xj
xj p xi X P xi F ) ( ) (
8 . 9
8 . 9
1
) (
x
e x f

=
8 . 9 8 . 9
1
8 . 9
1
) (
x x x
e dx e x F y

= = =
}
Funcin de distribucin acumulativa: variables aleatorias continuas
Sistema de
inventarios: tamao
de la demanda
Distribucin acumulativa: variables aleatorias discretas
Evaluacin de la calidad del ajuste
4929 3707 2898 3655 3419 3361 2511 2975
3270 3138 3601 3159 3687 3376 3908 3054
4107 3476 3291 3298 3555 3411 2953 1982
3484 3206 3896 2047 3507 4133 2929 2429
3204 2616 2517 2957 2723 2862 3510 3250
3320 2260 2993 2462 2794 3805 1268 3113
3048 2847 3435 3243 3212 1715 3506 3231
2887 2825 3571 2987 2221 3177 2559 3513
3593 3984 3510 3147 3696 3303 2922
Carga de un barco en TN que efectua un trayecto
regularmente entre dos ciudades del Mediterrneo
Fuente: peso_trans.xls
Analizar las diferencias
Evaluacin de la calidad del ajuste
Lognormal
Weibull
Funciones de densidad
de probabilidad
Diferencias
Grfica P-P
Generacin de valores aleatorios
Uno de los mtodos ms utilizados es de Congruencias Lineales que genera
una secuencia de nmeros aleatorios uniformemente distribuidos entre 0 y 1.
La ecuacin es:
donde:
X0 : semilla
a,c : ctes. multiplicativas y aditivas respectivamente
m : mdulo
En la documentacin se recomiendan un conjunto de reglas para tener un periodo
de repeticin elevado.
En los simuladores:
a =16.807,0
m =2.147.483.647,0
( ) , 2 , 1 , 0 , mod
1
= + =
+
i m c X a X
i i
Generacin de valores aleatorios
En la tabla 3.12 se ha representado los 10 primeros valores de una secuencia de datos pseudoaleatorios que se
obtienen utilizando el algoritmo de congruencias lineales parametrizado a los valores a =9, c =1, m =17, y la
semilla X
0
=5.
n X
n
X
n+1
X
n+1
/m
0 5 12 0.7059
1 12 7 0.4118
2 7 13 0.7647
3 13 16 0.9412
4 16 9 0.5294
5 9 14 0.8235
6 14 8 0.4706
7 8 5 0.2941
8 5 12 0.7059
9 12 7 0.4118
Tabla 3.12 Datos Pseudoaleatorios
Los valores a,c,m escogidos dan un periodo de repeticin muy bajo (cada 7 datos se repite la secuencia
generada) lo cual las hace inservibles para poder extraer propiedades estadsticas.
Mtodo de la transformada inversa
La funcin de distribucin acumulativa y =F(x) realiza una aplicacin del rango de valores de la variable
aleatoria X en el rango [0,1].
F : R [0,1]
La inversa de la funcin de distribucin acumulativa, permitir realizar una aplicacin de un conjunto de
valores definidos en el rango U[0,1] a valores en el rango en el que se encuentra definida la variable aleatoria
X
F
-1
: [0,1] R
) 1 ln( 8 . 9 ) (
1
Y Y F X = =

n y
n
y
n
/m x
n
=-9.8 x ln(1-yn)
0 1333 0.0172 18.24
1 65390 0.8446 4.822
2 30086 0.3886 0.4353
3 3364 0.04345 1.3663
4 10075 0.1301 4.6496
56 29246 0.3777 7.0266
7 39621 0.5117 0.8011
8 6077 0.07849 18.416
9 65595 0.8472 7.159
10 40131 0.5183 5.0272
31067 0.4012 10.6989
Tabla 3.14 Generacin de una variable exponencial por el mtodo de la transformada inversa
8 . 9
8 . 9
1
) (
x
e x f

=
8 . 9 8 . 9
1
8 . 9
1
) (
x x x
e dx e x F y

= = =
}
Distribuciones continuas
Uniforme - U(a,b): empleo como primer modelo
Exponencial - expo(Beta): tiempo entre llegadas de clientes
Gamma - gamma(alfa,beta): tiempo para completar una tarea
Weibull - weibull(alfa,beta): tiempo para completar una
tarea, tiempo hasta un fallo de una pieza de un equipo.
Normal - errores de diferentes tipos
LogNormal - tiempo para completar una tarea
Triangular - modelo basto en ausencia de datos.
Exponencial
( ) | Expo
Posible inters Tiempo entre llegadas de clientes cuando la
frecuencia media de llegadas es constante.
Densidad de
probabilidad
<
>
=

0 x
0

0
1
) (
/
x
e
x f
x |
|

Distribucin
acumulativa
<
>
=

0 x
0

0
1
) (
/
x e
x F
x |

Media |
Variancia
2
|
Distribucin exponencial
Muelle de graneles lquidos del
Puerto de Barcelona
Gamma ( ) | o, Gamma

Densidad de
probabilidad
( )
<
>
I
=

0 x
0

0
) (
/ 1
x
e x
x f
x
o
|
| o o

( ) o I es la funcin gamma
( )
}

= I
0
1
dt e t
t o
o

si o es entero positivo ( ) o I =(o -1)!
Distribucin
acumulativa
( )
<
>
0 x
0

0
!
/
1
) (
1
0
/
x
j
x
e
x F
j
j
x
o
|
|

sio es entero positivo; en caso
contrario no hay formula cerrada
Media
o|

Variancia
2
o|
Distribucin gamma
Distribucin uniforme
Uniforme U (a,b)
Densidad de
probabilidad
( )
resto
b x a

0
1
s s
=
a b
x f

Distribucin
acumulativa
x b
b x a
a x
a b
a x
x F
<
s s
<
=
1
0
) (

Media (a+b)/2
Variancia
( )
12
2
a b

Distribucin triangular
Triangular ) , , ( c b a trian

Densidad de
probabilidad
( )
( )( )
( )
( )( )
resto
b x c
c x a
c b a b
x b
a c a b
a x
x f s <
s s

=
0
2
2
) (

Distribucin
acumulativa ( )
( )( )
( )
( )( )
<
s s
s s
<

=
x b
b x c
c x a
a x
c b a b
x b
a c a b
a x
x F
1
1
(
0
) (
2
2

Media
3
c b a + +

Variancia
18
2 2 2
bc ac ab c b a + +

f(x)
x
a b c
2/(b-a)
Distribuciones discretas:
Bernoulli: Resultado aleatorio entre dos valores posibles
Binomial: nmero de elementos defectuosos en un batch
de tamao t; nmero de items en un batch de tamo
aleatorio
Gemetrica: nmero de items inspeccionados hasta que
se encuentra el primer item defectuoso, nmero de
items en un batch de tamao aleatorio.
Poisson: nmero de items en un batch de tamao aleatorio
Bernoulli ( ) p Bernoulli
Funcin
probabilidad
=
=
=
resto
1 x si
0 x si

0
p
p - 1
) (x p

Distribucin
acumulativa
s
< s
<
=
x 1
1 x 0 si
0 x si

1
p - 1
0
) (x F

Media P
Variancia p(1-p)
f(x)
x
1 0
0.6
0.4
Distribuciones de Bernoulli
Paros de mquinas
Las fuentes ms importantes de azar para muchos sistemas
de fabricacin es el asociado con el fallo de mquinas y
paros no previstos.
Ejemplo: Una empresa desea comprar una nueva mquina. El
vendedor insiste en que la mquina solo estarparada el 10%
de su tiempo de funcionamiento debido a averas. Sin embargo,
el vendedor ignora cuanto tiempo funcionara entre avera y
avera (LawandKeltonpag. 706).
El anlisis de paros deterministicos(descansos, cambios de turno,
mantenimiento,...) no sern analizados dado que son fciles de
modelar.
Paros de mquinas
U1 U2 D1 D2
w1 r1
w2 r2 B1 + I1
Bi: Tiempo de proceso (busy)
Ii: no funciona (esta hambrienta o bloqueada) (Idle)
Ui: Tiempo en operacin (up)
Di: Tiempo fuera de operacin (down)
wi: Tiempo de espera (wait)
ri: Tiempo de reparacin (repair)
Paros de mquinas
Evaluacin de Ui:
1- Mtodo del calendario
U1,U2,U3, ..... => distribucin Fu
D1,D2,D3,...... => distribucin Fd
inconvenientes:
* la mquina se puede estropear cuando no funciona
* Si se simulan dos alternativas diferentes del proceso, debido
a las diferencias en los tiempos Ii, los tiempos reales Bi pueden
diferir mucho
Paros de mquinas
Evaluacin de Ui:
1- Tiempo de proceso
B1,B2,B3, ..... => distribucin Fb
La mquina funciona hasta que el tiempo acumulado de proceso
es igual a bi. Es ms correcto dado que los fallos dependen del tiempo
de proceso real.
Inconveniente: Generalmente no se conoce B1,B2,B3,...
Paros de mquinas: sin informacin
Si no se tienen datos para soportar el modelo de calendario o
tiempo de proceso.
1) B1, B2 -> Gamma
parmetro de forma = 0.7
2) D1, D2 -> Gamma
parmetro de forma = 1.4
Si se define la eficiencia e como:
B
o
D
o
D B
B
e

+
=
( ) e
e
D
B
=
1 7 . 0

|
4 . 1
D
D
| =

C3-Conceptos Estadisticos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

C3-Conceptos Estadisticos

Uploaded by

Copyright:

Available Formats

Automatizacin de procesos

You might also like