Modelacion de Datos de Entrada - PowerPoint PPT Presentation

About This Presentation
Title:

Modelacion de Datos de Entrada

Description:

N mero clientes que llegan por hora. Tiempo entre llegada de dos clientes sucesivos. ... de comportamiento de los hechos reales para poder 'simularlos' correctamente. ... – PowerPoint PPT presentation

Number of Views:45
Avg rating:3.0/5.0
Slides: 22
Provided by: sergioa7
Category:

less

Transcript and Presenter's Notes

Title: Modelacion de Datos de Entrada


1
Capítulo 7 Modelación de Datos de Entrada
2
Hechos al Azar o Aleatorios
  • Un fenómeno o hecho aleatorio representa
    incertidumbre en la ocurrencia de tal hecho
  • Número clientes que llegan por hora.
  • Tiempo entre llegada de dos clientes sucesivos.
  • Número de errores en un documento.
  • Cantidad de cartas de crédito en una semana.
  • Demora en tramitar un documento.
  • Tiempo en realizar cierta tarea.

3
... una Moneda ...
En una Moneda tiene una oportunidad entre dos
de caer cara
0,5
0,4
0,3
0,2
0,1
0
Sello
Cara
4
... un Dado ...
Un Dado
0,2
En un dado, el as tiene una oportunidad entre
Seis de salir
0,15
0,10
0,05
0
1
2
3
4
5
6
5
Modelos de Sucesos Aleatorios
  • En situaciones dónde no es posible decir nada
    sobre un fenómeno. Se desconoce totalmente lo que
    sucede y sólo podemos establecer sus valores
    mínimos y máximos.
  • Decimos que el patrón de comportamiento del
    fenómeno obedece a una Distribución Uniforme.
  • Representa el máximo de ignorancia sobre el
    fenómeno aleatorio.

6
Distribución Uniforme
0,020
Máx 100
Min 40
0,015
Máx 100
Función Acumulada
0,010
1,0
0,005
0,8
0,000
0,6
52
58
64
70
76
82
88
94
100
40
46
0,4
Función Densidad
0,2
0,0
40
46
52
58
64
70
76
82
88
94
100
Min 40
7
Distribución Uniforme
Función Densidad a lt x lt
b Función Distribución
8
Modelos de Sucesos Aleatorios
  • En situaciones dónde exista la posibilidad de
    error en la la medición, como por ejemplo medir
    repetidamente
  • - Distancias
  • - Volúmenes
  • - Pesos
  • - Tiempo de ejecución de una tarea repetitiva
  • Es posible encontrar un valor promedio de tales
    mediciones y un valor que representa la
    variabilidad de tales mediciones.
  • Estos hechos se pueden modelar por una
    Distribución Normal.

9
Distribución Normal
0,02
Función Densidad
m 200
0,02
0,01
s 50
0,01
0,01
0,01
0,01
0,00
0,00
0,00
0
Función Densidad
10
Modelos de Sucesos Aleatorios
  • La evidencia empírica permite apostar que
    hechos tales como
  • - número de accidentes,
  • - número de errores,
  • - número de documentos que arriban
  • En general, todos aquellos en donde cada
    ocurrencia se puede considerar independiente de
    todas las otras, se pueden modelar por una
    Distribución Poisson
  • Lo único que podemos establecer es una tasa o
    frecuencia de ocurrencia del fenómeno por cierta
    unidad de tiempo l ocurencias / tiempo

11
Distribución Poisson
Probabilidad Ocurrencia
Número de Ocurrencias
Función de Masa
Tasa Ocurrencia l 10 llegadas/hora
12
Modelos de Sucesos Aleatorios
  • Cuando el número de ocurrencias por unidad de
    tiempo de un fenómeno o hecho aleatorio se puede
    representar por una distribución de Poisson,
    entonces el tiempo que transcurre entre dos
    observaciones sucesivas de tales fenómenos tiene
    una Distribución Exponencial.
  • El tiempo esperado o promedio entre dos
    ocurrencias sucesivas es igual a la inversa de la
    tasa de ocurrencias E(T) 1/ l.

13
Distribución Exponencial
25
Función Densidad
20
x
1
-


l
e
x
f

)
(
15
l
10
5
Función Acumulada
0
0
10
20
30
40
50
60
70
80
90
minutos
Función Densidad
E(T) 15 min / entre llegadas
14
Modelos de Sucesos Aleatorios
  • Algunas actividades como tiempo de reparación o
    duración llamadas telefónicas también pueden ser
    modeladas por una exponencial, Sin embargo, esto
    indica que para la mayoría de las entidades el
    tiempo de servicio es cero (la moda es cero).
    Esto evidentemente no es cierto (pero no produce
    muchas distorsiones en muchos casos.)
  • La Distribución Gamma tiene diferentes formas
    por lo que permite modelar tiempos de servicios
    que no pueden ser cero (la reparición de una
    pieza requiere de algún trabajo previo)

15
Distribución Gamma
Función Acumulada
x
-
-
a
a
l
1
-
l
e
x
x gt 0

)
(
x
f
G
a
)
(
E(X) l a
V(X) l2 a
Función Densidad
16
Modelos de Sucesos Aleatorios
  • También es una distribución muy útil cuando se
    tiene poca información. Sólo se sabe un valor
    mínimo, un máximo y uno más probable.
  • Se utiliza para modelar
  • porcentaje de ítemes defectuosos en un lote
  • tiempo de cumplimiento de una tarea en PERT

17
Distribución Beta
Distribución Beta X ? ? ( r , s ) ssi
18
Distribución Beta
A good model for proportions. You can fit almost
any data. However, the data set MUST be bounded!
19
Modelos de Sucesos Aleatorios
  • Se ha descubierto que la Distribución Weibull
    permite modelar razonablemente bien los fenómenos
    de tiempos de operación entre fallas en equipos
    sometidos a desgaste.

20
Distribución Weibull
21
Generadores en Lenguajes
  • Los lenguajes de simulación -como Arena- tienen
    incorporados métodos para generar hechos de
    acuerdo al patrón que se les indique.
  • Es preciso estudiar cuidadosamente el patrón de
    comportamiento de los hechos reales para poder
    simularlos correctamente. Esto se logra
    mediante el análisis estadístico de una serie de
    observaciones del mundo real.
Write a Comment
User Comments (0)
About PowerShow.com