SIMULACIN

GERENCIAL

Modelos Estadsticos en Simulacin

1

MODELOS ESTADSTICOS EN SIMULACIN 1

1.
2.
3.
4.
5.

1. ndice
Introduccin
Valor esperado de una variable aleatoria
2.1. Variables discretas
2.2. Variables continuas
Medidas de dispersin
3.1. Variables discretas
3.2. Variables continuas
Distribuciones de probabilidad discreta
Procesos de Poisson.

2. Introduccin
El propsito del presente documento es presentar a los estudiantes los conceptos bsicos de
estadstica necesarios para desarrollar una simulacin de Montecarlo. La estadstica ser una
herramienta esencial para el soporte de la construccin de modelo, tanto al inicio como al
final para realizar el anlisis de resultados.
Por otra parte, teniendo en cuenta que el objetivo general del mdulo es que los estudiantes
desarrollen las capacidades necesarias para llevar a cabo un estudio completo de simulacin,
en esta unidad, se har un repaso de las principales funciones de probabilidad discretas que
se emplean frecuentemente en la construccin de estos tipos de modelo.
Finalmente, se presentar al estudiante una serie de ejercicios relacionados para reforzar los
conocimientos adquiridos en el desarrollo del mdulo.

3. Objetivo general
Al finalizar el mdulo, los estudiantes sabrn cules son los conceptos bsicos de estadstica
relacionados con la simulacin de Montecarlo, as como las principales funciones de
probabilidad discretas aplicadas en la construccin de este tipo de modelos.
Al finalizar la primera semana de aprendizaje el estudiante:
1. Identificar los conceptos fundamentales de los modelos estadsticos aplicados a
simulacin
2. Reconocer las distintas funciones de probabilidad discreta utilizadas en simulacin de
Montecarlo.

[ POLITCNICO GRANCOLOMBIANO]

4. Desarrollo temtico
4.1 Recomendaciones acadmicas.
Se recomienda al estudiante realizar la lectura de la cartilla, en la cual se encuentra toda la
informacin relevante que se evaluar en la semana, adicional a la lectura de la cartilla se
sugiere al estudiante revisar las teleconferencias as como las video diapositivas, pues estas
son un medio que puede aclarar las dudas generadas con la lectura o tambin dar soporte a
los temas expuestos en la misma.
Finalmente, se recomienda al estudiante realizar los ejercicios planteados y sugeridos por el
tutor ya que estos a pesar de no tener un valor porcentual en la nota si harn que su
formacin sea completa y pueda ser reforzada de forma prctica.

4.2 Desarrollo de cada una de las unidades temticas.

1. Introduccin
A continuacin se vern los conceptos bsicos relacionados con los modelos estadsticos que
sirven de soporte para un estudio en simulacin de Montecarlo.
Los conceptos que se trabajarn en este apartado estn relacionados con la estadstica y la
probabilidad que muy seguramente el lector ya ha cursado. Sin embargo, con el objetivo de
tener una metodologa completa, se presentarn nuevamente los conceptos pero
relacionados directamente a la herramienta que se est presentando como es la simulacin.

Dentro del contenido desarrollado en la cartilla, el estudiante podr encontrar informacin y
ejemplos especficos relacionados con los siguientes temas:

Valor esperado de una variable aleatoria

Medidas de dispersin para una variable aleatoria
Distribuciones de probabilidad discretas
Distribuciones de probabilidad continuas.

El objetivo de realizar la revisin de estos temas se debe a que para realizar un proceso de
simulacin los datos de entrada que alimentan el modelo siempre estarn descritos por una
funcin de probabilidad conocida con el objetivo de modelar su aleatoriedad y
comportamiento propio. Por otra parte, en cuanto a lo que se refiere a los valores esperados
y medidas de dispersin estos tambin sern supremamente importantes pues a partir de
estas medidas bsicas el estudiante deber realizar el anlisis de los resultados arrojados por
el modelo propuesto.

Ser el anlisis estadstico entonces un elemento fundamental que siempre deber
acompaar cualquier modelo de simulacin ya que ambos se complementan y el primero
dar soporte a los resultados encontrados por el segundo.

[ SIMULACIN GERENCIAL ]

2. Valor Esperado de una Variable Aleatorio

Ejemplo introductorio:

Sea X una variable aleatoria (VA) que define el nmero de hijos en una familia colombiana.
Cul es el nmero esperado de hijos en una familia colombiana cualquiera?

Para responder a esta pregunta se necesita conocer la distribucin de probabilidad de la
variable aleatoria. Suponga que a partir de un estudio hecho por el DANE, se tiene la
siguiente informacin:

Nmero de hijos Proporcin de familias
0
5/30
1
15/30
2
9/30
3
1/30

De la anterior tabla se puede afirmar, por ejemplo, que el 5/30 16,66% de las familias no
tienen hijos, el 50% 15/30 de las familias tienen un solo hijo, y as sucesivamente. Esta tabla
es la distribucin de probabilidad de la VA denominada el nmero de hijos en una familia
colombiana. El posible nmero de hijos que puede tener cualquier familia es el rango de la
variable, definido as:

! ! = 0,1,2,3

La proporcin de familias que tienen su nmero respectivo de hijos representan la funcin de
distribucin de probabilidad de la variable, definida as:

5 15 9 1
g X =
, , ,

30 30 30 30

Luego, si se requiere obtener el valor esperado de hijos en una familia colombiana cualquiera
seleccionada al azar, basta con calcular la media ponderada as:

5
15
9
1
E X = 0
+ 1
+2
+3
= 1,2 hijos
30
30
30
30

En resumen, se tiene que para calcular el valor esperado de una variable aleatoria, se tiene:

2.1 Variable aleatoria discreta

Si X es una VA discreta con rango R(X), entonces el valor esperado se define como

[ POLITCNICO GRANCOLOMBIANO]

X! g(X)!

E X =
!

2.2 Variable aleatoria continua

Si X es una VA continua con rango R(X), entonces el valor esperado se define como:

X f X dX

E X =
!(!)

Ejemplo variable aleatoria continua

Sea X una VA continua definida con la siguiente funcin de distribucin de probabilidad:

!
!" ! = ; 0 ! 2
2

!
1
! !" =
2
2
!
! !
1 !
! ! =
2 3 !
8
! ! =
6

! ! =

! ! !"

3. Medidas de Dispersin
Sea X una VA discreta o continua. La varianza y la desviacin estndar de la VA se definen
como

[ SIMULACIN GERENCIAL ]

!"# ! = !(! ! ! )! = !!!
!! = !"# !

De acuerdo con esta definicin, la varianza se puede calcular a travs de la expresin:

3.1 Variable aleatoria discreta

!"# ! =

! !! (!! !)!

3.2 Variable aleatoria continua

!"# ! =

! ! (! !)! !"

!(!)

4. Funciones de distribuciones de probabilidad discretas:

A continuacin se describen las distribuciones de probabilidad discretas ms utilizadas en
simulacin de Montecarlo

4.1 Distribucin de Bernoulli

Es la ms elemental de las distribuciones discretas, y se dice que un experimento aleatorio es
un experimento de Bernoulli, si su espacio muestral o el rango que puede tomar la variable
consta de slo dos elementos, es decir xito, fracaso , falso, verdadero , etc.

Si X! es la variable asociada al experimento aleatorio de Bernoulli, y est definida por
X! E = 1, X! F = 0, entonces:

Rango X! = 0,1
P X! = 1 = p, P X! = 0 = 1 p

Por tanto, su funcin de probabilidad est dada por:

g X = p! (1 p)!!!

Su media y varianza, estn dadas respectivamente por:

[ POLITCNICO GRANCOLOMBIANO]

E X = p
Var X = p(1 p)

4.2 Distribucin geomtrica

Si se realizan sucesivamente experimentos independientes de Bernoulli de parmetro p, a la
variable aleatoria X = nmero de ensayos hasta obtener el primer xito, se le conoce como
una VA con distribucin geomtrica, cuya funcin de distribucin de probabilidad est dada
por:

g X = (1 p)!!! p = !(! = !)

Su media y varianza estn dadas por:

1
E X =
p
1p
Var X = !
p

Fuente: Statit Solutions Group

4.3 Distribucin Binomial

Si se hacen N experimentos independientes, cuyo resultado en cada ensayo puede ser
nicamente XITO (con probabilidad p) o FRACASO (con probabilidad 1-p), a la VA X: nmero
de xitos en los N ensayos, se le conoce como la VA Binomial, y su funcin de distribucin de
probabilidad se le conoce como Distribucin Binomial de parmetros N, p:

[ SIMULACIN GERENCIAL ]

g X =

N !
p (1 p)!!! = P(X = k)
k

Su media y varianza, estn dadas respectivamente por:

E X = Np
Var X = Npq
Ejemplo:

Un banco sabe que en su tarjeta de crdito el 30% de los clientes quedan con sobrecupo en
los cortes mensuales. Si se elige una muestra aleatoria de 10 clientes de dicha tarjeta:

a. Cul es la probabilidad de que cuatro exactamente tengan sobrecupo?
b. Cuntos clientes se esperara que tengan sobrecupo?
c. Cul es la probabilidad de que ocho o ms de ellos tengan sobrecupo?

a. P X = 4 = !"
0,3! 0,7!
!

b. E X = 10 0,3 = 3

c. P X 8 = P X = 8 + P X = 9 + P(X = 10)

4.4 Distribucin Binomial Negativa

Consideremos el mismo tipo de experimento que se utiliz en la definicin de la VA X con
distribucin geomtrica, y definamos la VA Xp como el nmero de ensayos hasta obtener el
r-simo xito. Se dice que dicha VA tiene una distribucin de Pascal (tambin es llamada
Binomial Negativa) de parmetro r, r 1. Es claro que la VA as definida es una generalizacin
natural de la VA geomtrica mediante las siguientes expresiones:

!1 !
! ! =
! (1 !)!!! = ! ! = ! ! !
!1

Su media y varianza estn dadas por:

!
! ! =
!
!(1 !)
!"# ! =

!!

Ahora bien una vez revisados los conceptos de variables aleatorias discretas relevantes, es
importante conocer uno de los conceptos ms importantes dentro de la simulacin y que

[ POLITCNICO GRANCOLOMBIANO]

representa una transicin entre las variables discretas y las variables continuas, esto es el
Procesos Poisson (distribucin discreta) y las distribuciones de probabilidad continuas ms
aplicadas en simulacin.

5. Proceso de Poisson
Ejemplo introductorio:

En cierta oficina se quiere analizar un experimento aleatorio que consiste en observar cmo
se comportan las llegadas de los clientes con respecto al tiempo, en el sentido de ver la
llegada de un cliente como un evento puntual (el instante en que llega el cliente) que tiene
lugar a lo largo de tiempo. El tiempo lo podemos representar a travs de la recta real y las
llegadas como puntos de dicha recta, as:

Respecto a dicho proceso (el experimento aleatorio), se puede definir la VA Xp para un
intervalo de tiempo de longitud t como:
Xp(t) = nmero de arribos (llegadas) en el intervalo de tiempo de longitud t.

Sea t un intervalo de tiempo dado, arbitrario pero fijo, y se quiere examinar la VA definida
anteriormente y deducir su distribucin, es decir:

! !! = !; !, ! = ! !"! !"#$%#&!"#! ! !!"#$%$& !" !" !"#$%&'() !

Se divide el intervalo de magnitud t en N intervalos de magnitud t/N, de tal manera que t/N
sea tan pequeo como sea necesario para cumplir los supuestos del modelo.

El evento B de que hayan exactamente n llegadas del proceso en el intervalo de tiempo t,
es equivalente al evento de obtener exactamente n xitos en los N experimentos
independientes de Bernoulli que consisten en observar si ha habido o no una llegada del
proceso en el intervalo de tiempo de longitud t/N.

La probabilidad de tener xito (que haya una llegada) en cada uno de estos experimentos de
!
Bernoulli es ! = !
.
!

Es decir, se tienen N experimentos independientes de Bernoulli, donde la probabilidad del

evento B est dada por

[ SIMULACIN GERENCIAL ]

! ! = !(!! = !; !;

!"
)
!

Tomando el lmite de esta expresin cuando N tiende a infinito, se obtiene:

!" ! !!"
! ! ! = ! = !! ! , !; !, ! =
! , ! = 0, 1, 2, .
!!

El nmero de eventos que suceden hasta el tiempo t se distribuyen de manera Poisson con
parmetro .

Este tipo de procesos cumple con los supuestos de estacionariedad:

- El valor esperado de las variables aleatorias no depende del tiempo
- Las varianzas tampoco dependen del tiempo y son finitas.

El tiempo entre eventos es independiente e idnticamente distribuido como una variable
aleatoria exponencial (Que se ver en la siguiente Semana) con media 1/. Esta propiedad es
de suma importancia para el modelaje de procesos en simulacin, ya que buena parte de los
modelos tericos y empricos asumen las entradas a un sistema con tiempos exponenciales,
lo que quiere decir que dichas llegadas se comportan como Procesos de Poisson.

10

[ POLITCNICO GRANCOLOMBIANO]