Escuela Colombiana De Ingeniería Julio Garavito

Modelos estocásticos
Caso de estudio CMTC

LESMES MONTAÑEZ JORGE EDUARDO

LEON MARIN JOHN BRANDON
PALACIO SOTELO DIEGO ALEJANDRO

CASO DE ESTUDIO 2
1. Con la información suministrada se pide:
I. Hacer pruebas de hipótesis de bondad de ajuste para determinar si el tiempo de
vida de las baterías es una variable aleatoria exponencial y determinar la tasa de
estas. La estimación de la tasa debe hacerse con el estimador de máxima
verosimilitud de la distribución exponencial. Las pruebas deben mostrar análisis del
valor crítico o del pvalue (con confianza del 95%) para rechazar o no la hipótesis
nula.

BATERIA A:
Identificación de la distribución para Batería A
* NOTA * No Se dejó de seleccionar una función de transformación de
Johnson con valor p >
0,1. No se realiza transformación.

Exponencial de 2 parámetros
* ADVERTENCIA * La matriz de varianzas y covarianzas de los parámetros
estimados no existe.
Se supone que el parámetro de valor umbral es fijo cuando se calculan
intervalos de
confianza.

Gamma de 3 parámetros
* ADVERTENCIA * La matriz de varianzas y covarianzas de los parámetros
estimados no existe.
Se supone que el parámetro de valor umbral es fijo cuando se calculan
intervalos de
confianza.

Gráfica de ID de distribución para Batería A

Gráfica de ID de distribución para Batería A
Gráfica de ID de distribución para Batería A
Gráfica de ID de distribución para Batería A

Estadísticas descriptivas
N Desv.Est Median Máxim Asimetrí Curtosi
N * Media . a Mínimo o a s
 61 0 39,000 37,1910 29,8902 0,25024 229,01 1,79196 4,2128
3 1 6 2 7
transformación de Box-Cox: λ = 0,263045

Prueba de bondad del ajuste

Distribución AD P LRT P
Normal 24,874 <0,005
Transformación Box-Cox 0,726 0,058
Lognormal 7,201 <0,005
Lognormal de 3 parámetros 2,968 * 0,000
Exponencial 0,654 0,318
Exponencial de 2 parámetros 0,513 >0,250 0,015
Weibull 0,337 >0,250
Weibull de 3 parámetros 0,352 0,480 0,014
Valor extremo más pequeño 56,683 <0,010
Valor extremo por máximos 8,782 <0,010
Gamma 0,372 >0,250
Gamma de 3 parámetros 0,356 * 0,051
Logística 15,940 <0,005
Loglogística 5,255 <0,005
Loglogística de 3 parámetros 4,364 * 0,042

Estimaciones ML de los parámetros de distribución

Estadísticas descriptivas
N Desv.Est Median Máxim Asimetrí Curtosi
N * Media . a Mínimo o a s
61 0 39,000 37,1910 29,8902 0,25024 229,01 1,79196 4,2128
3 1 6 2 7
transformación de Box-Cox: λ = 0,263045

Prueba de bondad del ajuste

Distribución AD P LRT P
Normal 24,874 <0,005
Transformación Box-Cox 0,726 0,058
Lognormal 7,201 <0,005
Lognormal de 3 parámetros 2,968 * 0,000
Exponencial 0,654 0,318
Exponencial de 2 parámetros 0,513 >0,250 0,015
Weibull 0,337 >0,250
Weibull de 3 parámetros 0,352 0,480 0,014
Valor extremo más pequeño 56,683 <0,010
Valor extremo por máximos 8,782 <0,010
Gamma 0,372 >0,250
Gamma de 3 parámetros 0,356 * 0,051
Logística 15,940 <0,005
Loglogística 5,255 <0,005
Loglogística de 3 parámetros 4,364 * 0,042

Estimaciones ML de los parámetros de distribución

Distribución Ubicación Forma Escala Valor umbral
Normal* 39,00012 37,19100
Transformación de Box-Cox* 2,38651 0,67223
Lognormal* 3,13498 1,19512
Lognormal de 3 parámetros 3,35650 0,92620 -3,10400
Exponencial 39,00012
Exponencial de 2 parámetros 38,81319 0,18693
Weibull 1,04947 39,76065
Weibull de 3 parámetros 1,02257 39,10211 0,24839
Valor extremo más pequeño 60,14524 53,09656
Valor extremo por máximos 23,66478 23,72662
Gamma 1,08215 36,03938
Gamma de 3 parámetros 1,05129 36,93933 0,16608
Logística 33,59201 18,93801
 Loglogística 3,23762 0,66572
Loglogística de 3 parámetros 3,29232 0,61354 -0,99019
* Escala: Estimación de ML ajustado

Análisis Batería A:

Una prueba de hipótesis de bondad de ajuste se utiliza para decidir cuándo un

conjunto de datos se ajusta a una distribución dada. Sabiendo esto y con la
utilización del programa minitab (diseñado para ejecutar funciones estadísticas
básicas y avanzadas.) arroja que en los primeros datos de tiempo de vida de la
batería presenta una dispersión a los tiempos esperados. Aunque con el tiempo se
estabiliza confirmando que los tiempos dados presentan una distribución aleatoria
exponencial con un p< 0,318 con una confiabilidad del 95 % para una distribución
exponencial con una tasa de λ = 0,263045.
Batería B:

Identificación de la distribución para Batería B

* NOTA * No Se dejó de seleccionar una función de transformación de
Johnson con valor p >
0,1. No se realiza transformación.
Exponencial de 2 parámetros
* ADVERTENCIA * La matriz de varianzas y covarianzas de los parámetros
estimados no existe.
Se supone que el parámetro de valor umbral es fijo cuando se calculan
intervalos de
confianza.
Gamma de 3 parámetros
* ADVERTENCIA * La matriz de varianzas y covarianzas de los parámetros
estimados no existe.
Se supone que el parámetro de valor umbral es fijo cuando se calculan
intervalos de
confianza.
Gráfica de ID de distribución para Batería B
Gráfica de ID de distribución para Batería B
Gráfica de ID de distribución para Batería B
Gráfica de ID de distribución para Batería B
Estadísticas descriptivas
N Desv.Est Median Máxim Asimetrí Curtosi
N * Media . a Mínimo o a s
61 0 63,302 63,3279 45,544 0,047820 503,97 2,18019 7,2146
4 5 1 8 1 6
transformación de Box-Cox: λ = 0,269663
Prueba de bondad del ajuste
Distribución AD P LRT P
Normal 28,353 <0,005
Transformación Box-Cox 0,313 0,548
Lognormal 8,166 <0,005
Lognormal de 3 parámetros 2,167 * 0,000
Exponencial 0,343 0,751
Exponencial de 2 parámetros 0,361 >0,250 1,000
Weibull 0,227 >0,250
Weibull de 3 parámetros 0,260 >0,500 0,395
Valor extremo más pequeño 69,731 <0,010
Valor extremo por máximos 9,188 <0,010
 Gamma 0,224 >0,250
Gamma de 3 parámetros 0,211 * 1,000
Logística 16,958 <0,005
Loglogística 4,752 <0,005
Loglogística de 3 parámetros 3,441 * 0,001
Estimaciones ML de los parámetros de distribución
Distribución Ubicación Forma Escala Valor umbral
Normal* 63,30250 63,32791
Transformación de Box-Cox* 2,77098 0,81758
Lognormal* 3,58963 1,26059
Lognormal de 3 parámetros 3,83549 0,92931 -5,23285
Exponencial 63,30250
Exponencial de 2 parámetros 63,35786 -0,05537
Weibull 1,01690 63,74546
Weibull de 3 parámetros 1,01013 63,52152 0,04669
Valor extremo más pequeño 99,83813 101,28754
Valor extremo por máximos 38,02210 38,64440
Gamma 1,03031 61,44013
Gamma de 3 parámetros 1,04313 60,76521 -0,08352
Logística 53,75542 31,07048
Loglogística 3,70482 0,68002
Loglogística de 3 parámetros 3,77421 0,60752 -2,01846
* Escala: Estimación de ML ajustado

Estadísticas descriptivas
N Desv.Est Median Máxim Asimetrí Curtosi
N * Media . a Mínimo o a s
61 0 63,302 63,3279 45,544 0,047820 503,97 2,18019 7,2146
4 5 1 8 1 6
transformación de Box-Cox: λ = 0,269663

Prueba de bondad del ajuste

Distribución AD P LRT P
Normal 28,353 <0,005
Transformación Box-Cox 0,313 0,548
Lognormal 8,166 <0,005
Lognormal de 3 parámetros 2,167 * 0,000
Exponencial 0,343 0,751
Exponencial de 2 parámetros 0,361 >0,250 1,000
Weibull 0,227 >0,250
Weibull de 3 parámetros 0,260 >0,500 0,395
Valor extremo más pequeño 69,731 <0,010
Valor extremo por máximos 9,188 <0,010
Gamma 0,224 >0,250
Gamma de 3 parámetros 0,211 * 1,000
Logística 16,958 <0,005
Loglogística 4,752 <0,005
Loglogística de 3 parámetros 3,441 * 0,001

Estimaciones ML de los parámetros de distribución

Distribución Ubicación Forma Escala Valor umbral
Normal* 63,30250 63,32791
Transformación de Box-Cox* 2,77098 0,81758
Lognormal* 3,58963 1,26059
Lognormal de 3 parámetros 3,83549 0,92931 -5,23285
Exponencial 63,30250
Exponencial de 2 parámetros 63,35786 -0,05537
Weibull 1,01690 63,74546
Weibull de 3 parámetros 1,01013 63,52152 0,04669
Valor extremo más pequeño 99,83813 101,28754
Valor extremo por máximos 38,02210 38,64440
Gamma 1,03031 61,44013
Gamma de 3 parámetros 1,04313 60,76521 -0,08352
Logística 53,75542 31,07048
 Loglogística 3,70482 0,68002
Loglogística de 3 parámetros 3,77421 0,60752 -2,01846
* Escala: Estimación de ML ajustado

Análisis Batería B:

Una prueba de hipótesis de bondad de ajuste se utiliza para decidir cuándo un

conjunto de datos se ajusta a una distribución dada. Sabiendo esto y con la
utilización del programa minitab (diseñado para ejecutar funciones estadísticas
básicas y avanzadas.) arroja que en los primeros datos de tiempo de vida de la
batería presenta una dispersión mínima a los tiempos esperados. Aunque con el
poco tiempo se estabiliza confirmando que los tiempos dados presentan una
distribución aleatoria exponencial con un p< 0,751 con una confiabilidad del 95 %
para una distribución exponencial con una tasa de λ 0,269663

2. II. Para cada posible configuración

a. Modelar como CMTC.

 Variable de estado:
Sea[X(t), t>=0], una CMTC, donde X(t) es la dupla comprendida por la
cantidad de baterías que estarán en funcionamiento en el sistema de tipo A
o de tipo B en el instante-t.

Se modelaron 3 combinaciones distintas de baterías,1.3,2.2 y 3.1

 En el primer caso 1.3 se cuenta con el siguiente espacio de estados:
[13,12,11,10,00,01,02,03]
 En el caso 2.2 se cuenta con el siguiente espacio de estados:
[22,12,11,02,01,00,21,20,10]
 En el caso 3.1 se cuenta con el siguiente espacio de estados:
[31,21,11,10,13,12,01,22]
 Las matrices de tasas R se obtuvieron a partir de las tasas de cada tipo de
batería, que a su vez se obtuvieron a partir del tiempo de vida media de
cada uno de estos.
A,B 1,3 1,2 1,1 1,0 0,0 0,1 0,2 0,3
1,3 0 0,0473843 0 0 0 0 0 0,025640945
1,2 0 0 0,031589536 0 0 0 0,025640945 0
1,1 0 0 0 0,01579477 0 0,02564094 0 0
R 1,0 0 0 0 0 0,02564094 0 0 0
0,0 0 0 0 0 0 0 0 0
0,1 0 0 0 0 0,01579477 0 0 0
0,2 0 0 0 0 0 0,03158954 0 0
 0,3 0 0 0 0 0 0 0,047384303 0

A,B 2,2 1,2 1,1 0,2 0,1 0,0 2,1 2,0 1,0
2,2 0 0,05128189 0 0 0 0 0,03158954 0 0
1,2 0 0 0,03158954 0,02564094 0 0 0 0 0
1,1 0 0 0 0 0,02564094 0 0 0 0,01579477
0,2 0 0 0 0 0,03158954 0 0 0 0
R
0,1 0 0 0 0 0 0,015794768 0 0 0
0,0 0 0 0 0 0 0 0 0 0
2,1 0 0 0,05128189 0 0 0 0 0,01579477 0
2,0 0 0 0 0 0 0 0 0 0,05128189
1,0 0 0 0 0 0 0,025640945 0 0 0
 A,B 3,1 2,1 1,1 0,1 0,0 1,0 2,0 3,0
3,1 0 0,07692283 0 0 0 0 0 0,01579477
2,1 0 0 0,05128189 0 0 0 0,01579477 0
1,1 0 0 0 0,02564094 0 0,01579477 0 0
R 0,1 0 0 0 0 0,01579477 0 0 0
0,0 0 0 0 0 0 0 0 0
1,0 0 0 0 0 0,02564094 0 0 0
2,0 0 0 0 0 0 0,05128189 0 0
3,0 0 0 0 0 0 0 0,07692283 0

b. Calcular el costo esperado por hora de funcionamiento.

Para calcular los costos esperados por hora se realizo el modelado de la matriz R
de tasas de nuestra CMTC, estas matrices se hallaron a partir de las tasas
obtenidas para cada tipo de batería A y B.

A partir de estas matrices obtenemos el vector limite, de igual forma con la

información suministrada sobre los costos se plantean los siguientes vectores de
costos para las 3 combinaciones de baterías:

COSTO DIA (3,1) COSTO DIA (2,2) COSTO DIA (3.1)

2500 2200 1900
1800 1800 1500
1100
1100 1100
1400
400 700
700
0 0 0
700 1500 400
1400 800 800
2100 400 1200

Con estos vectores de costos y vectores limites se obtuvieron los costos

esperados por hora de funcionamiento, que en los 3 casos fue el mismo con un
valor de US $0, esto debido a que

c. Determinar el tiempo que dura operando el sistema desde que se instala con
todas las baterías funcionando hasta que entra en riesgo operativo.

A partir de la matrices de tasas mostradas anteriormente se llevo a cabo el

proceso para las 3 tipos de combinaciones de baterías, en este caso se aplico el
tiempo de primera pasada para conocer el tiempo requerido hasta que entra en
riesgo operativo, obteniendo:
 1,3 61,40384373 DÍAS
2,2 54,3657654 DÍAS
3,1 47,807836 DÍAS

d. Calcular el costo esperado acumulado total con las condiciones del punto c.

Conociendo los tiempos en días que estará operando el sistema hasta entrar en
riesgo operativo podemos hallar los costos acumulados requeridos a partir del
algoritmo de uniformización M(t)

Para los 3 casos se tuvieron en cuenta los respectivos tiempos con un error de
0.01% y sus respectivos vectores de costos ,tal como se mencionaron en el
numeral b obteniendo las siguientes matrices M(t) :

Para (1,3)
A,B 1,3 1,2 1,1 1,0 0,0 0,1 0,2 0,3
1,3 13,5393197 10,2409994 5,61589324 1,52616985 3,31615763 9,53629547 11,2143447 6,41457279
1,2 0 16,9529862 10,5712618 3,39813427 6,49492278 13,8337601 10,1526877 0
1,1 0 0 22,2386171 8,68376516 13,4118028 17,0695678 0 0
M(T) 1,0 0 0 0 30,9223823 30,4813706 0 0 0
0,0 0 0 0 0 61,4037529 0 0 0
0,1 0 0 0 0 22,095568 39,3081848 0 0
0,2 0 0 0 0 9,89305705 24,4050219 27,1056739 0
0,3 0 0 0 0 4,84232748 15,1521887 21,4553442 19,9538925

Con un costo acumulado de 1,3 $ 94.916,1411

Para (2,2)
A,B 2,2 1,2 1,1 0,2 0,1 0,0 2,1 2,0 1,0
2,2 11,9335523 9,52281272 9,26384638 4,51634186 6,59041248 2,9091813 5,17197755 1,19439151 3,26316406
1,2 0 16,6949587 9,80390074 9,27774822 11,2223357 4,54076333 0 0 2,82597354
1,1 0 0 21,596909 0 14,888916 10,1519312 0 0 7,7279239
0,2 0 0 0 25,9727069 21,0262364 7,36673686 0 0 0
M(t)
0,1 0 0 0 0 36,4858251 17,8798551 0 0 0
0,0 0 0 0 0 0 54,3656802 0 0 0
2,1 0 0 14,1547359 0 7,8115481 6,20438754 14,5195411 3,78038028 7,89508725
2,0 0 0 0 0 0 14,0159356 0 18,2999214 22,0498232
1,0 0 0 0 0 0 25,0408472 0 0 29,3248329
Con un costo acumulado de 2,2 $ 74.540,021

Para (3,1)
A,B 3,1 2,1 1,1 0,1 0,0 1,0 2,0 3,0
3,1 10,6572729 10,9423785 8,55785311 3,40061851 2,53687762 5,19462718 4,50409421 2,01405243
2,1 0 14,3047324 13,0001544 6,25323621 4,26842001 6,46581426 3,51541716 0
1,1 0 0 20,8048096 12,7533134 7,50132715 6,74832429 0 0
M(t) 0,1 0 0 0 33,558123 14,2496514 0 0 0
0,0 0 0 0 0 47,8077745 0 0 0
1,0 0 0 0 0 20,2546406 27,5531339 0 0
2,0 0 0 0 0 10,5216562 19,4659687 17,8201496 0
3,0 0 0 0 0 5,93749612 13,7524803 15,4464727 12,6713253

Con un costo acumulado de 3,1 $ 56.554,4468

III. en base al análisis de las posibles combinaciones de las baterías, modeladas

como cadena de markov de tiempo continuo se compara.

combinacion costo esperado por hora tiempo de operación costo acumulado

1,3 0 61,40384373 94916,14109
2,2 1,14647E-14 54,36576538 74540,02149
3,1 0 47,80783595 56554,44679

costo esperado por hora

 tiempo de operación

costo acumulado

combinacion costo por dia

1,3 1545,768723
2,2 1371,083824
3,1 1182,953498 tabla de costo por día

Se calculó el costo por día dividiendo el acumulado entre el tiempo de operación y

se obtuvo la tabla de costo por día, en ella se puede apreciar que el costo menor
es para la combinación 3.1, así que se puede decir que es más viable tomar la
combinación 3.1. a pesar que el tiempo de operación de la combinación 1.3 es
mayor, su costo también es más elevado.