Professional Documents
Culture Documents
SEDE LA SERENA
ESCUELA DE INGENIERÍA
UNIDAD III1
SIMULACIÓN DE VARIABLES ALEATORIAS
MODELOS DE SIMULACIÓN
PROFESOR: MARCELO A. GUTIERREZ S.
CONTENIDO
1. Definiciones...................................................................................................... 3
1.1. Introducción ................................................................................................. 3
1.2. Variable aleatoria ......................................................................................... 3
1.2.1. Variables aleatorias discretas ................................................................. 3
1.2.2. Variables aleatorias continuas ................................................................ 4
1.3. Distribución de probabilidad ......................................................................... 5
1.4. Valor esperado ............................................................................................. 6
1.5. Procesos estocásticos .................................................................................. 6
2. Distribuciones de probabilidad ....................................................................... 7
2.1. Distribuciones de probabilidad discretas ...................................................... 7
Distribución Binomial ........................................................................................ 8
Distribución de Poisson .................................................................................. 12
2.2. Distribuciones de probabilidad continuas ................................................... 14
2.3. Elección de una distribución ....................................................................... 16
Distribuciones de probabilidad de ProModel (32) .............................................. 16
Distribuciones de probabilidad Crystal Ball ....................................................... 17
3. Determinación del tipo de distribución de un conjunto de datos............... 20
3.1. Prueba Chi-cuadrado ................................................................................. 20
3.2. Prueba de Kolmogorov-Smirnov (K-S) ....................................................... 25
3.3. Prueba de Anderson-Darling ...................................................................... 29
3.4. Ajuste de datos con Stat::Fit de ProModel ................................................. 33
3.5. Ajuste de distribuciones con Crystal Ball .................................................... 38
Criterios de aceptación................................................................................... 43
4. Generación de variables aleatorias .............................................................. 45
4.1. Método de la transformada inversa ............................................................ 45
4.2. Método de convolución .............................................................................. 57
4.3. Método de composición ............................................................................. 61
4.4. Método de transformación directa .............................................................. 64
1/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
2/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
1. Definiciones
1.1. Introducción
Este tipo de variables deben cumplir con las siguientes reglas de distribución de
probabilidad:
b
P( x ) 0 pi 1
i 0
P a x b pi Pa ... Pb
i a
Por ejemplo, si habláramos del número de clientes que solicitan cierto servicio en
un período de tiempo determinado, podríamos encontrar valores tales como 0, 1,
2, …, n, es decir, un comportamiento como el que presentan las distribuciones de
probabilidad discretas.
3/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Por otro lado, si lo que queremos es modelar el número de usuarios que llamarán
a un teléfono de atención a clientes, el tipo de comportamiento puede llegar a
parecerse a una distribución de Poisson.
Este tipo de variables se representan mediante una ecuación que se conoce como
función de densidad de probabilidad f(x). Dada esta condición, cambiamos el uso
de la sumatoria por la de una integral para conocer la función acumulada de la
variable aleatoria F(x). Por lo tanto, las variables aleatorias continuas deben
cumplir con las siguientes reglas de distribución de probabilidad:
b
P( x ) 0 P( x a ) 0 f ( x) 1 P a x b P a x b f ( x) dx
a
4/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Por ejemplo, es posible que el tiempo que media entre las llegadas de cada cliente
a un sistema tenga una distribución de probabilidad muy semejante a una
exponencial, o que el tiempo que le toma a un operario realizar una serie de
tareas se comporte de manera muy similar a la dispersión que presenta una
distribución normal.
Si habláramos del tiempo que tarda en ser atendida una persona, nuestra
investigación tal vez arrojaría resultados como 1,54 minutos, 0,028 horas o 1,37
días, es decir, un comportamiento como el que presentan las distribuciones de
probabilidad continuas.
Sin embargo, se debe hacer notar que este tipo de distribuciones tienen sus
desventajas, dado que el rango de valores posibles implica que existe la
posibilidad de tener tiempos infinitos de llegada de clientes o tiempos de ensamble
infinitos, situaciones lejanas a la realidad. Por fortuna, es muy poco probable que
se presenten este tipo de eventos, aunque el analista de la simulación debe estar
consciente de cómo pueden impactar valores como los descritos en los resultados
del modelo. En las siguientes secciones revisaremos algunas herramientas útiles
para lograr ese objetivo.
5/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Dado que esta clase de distribuciones se ocupan de las expectativas, son modelos
de gran utilidad para hacer inferencias y tomar decisiones en condiciones de
incertidumbre.
6/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
2. Distribuciones de probabilidad
Por su parte, los resultados de una variable aleatoria continua se pueden describir
con una función de probabilidad continua.
Hay que hacer notar que las reglas de distribución de probabilidad se enuncian
suponiendo que conocemos el valor de la probabilidad, pero en la realidad ésto no
ocurre, es decir, que no sabemos la probabilidad y lo que se hace es trabajar con
estimaciones. Precisamente esto nos lleva a modelos teóricos que estiman los
resultados,
7/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución Binomial
8/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … , 𝑛
𝑥
donde:
𝑥 = cantidad de éxitos en 𝑛 ensayos
𝑝(𝑥) = probabilidad de 𝑥 éxitos en 𝑛 ensayos
𝑛 = número total de ensayos
𝑝 = probabilidad de éxito en un ensayo
n es el número de ensayos.
En nuestro ejemplo son 10 lanzamientos de la moneda.
Cálculo en Excel:
9/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
n= 10
p= 0,5
Distribución Binomial BI(N=10, p=0,5)
Nº Éxitos x B(x; n; p)
0 0,00098 0,30
1 0,00977
2 0,04395
0,20
3 0,11719
p(x)
4 0,20508
0,10
5 0,24609
6 0,20508
0,00
7 0,11719
0 1 2 3 4 5 6 7 8 9 10
8 0,04395
Nº éxitos
9 0,00977
10 0,00098
1,00000
∑ 𝑝𝑖 = 1
𝑖=0
10/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Es decir, se tiene una probabilidad del 2,604% de obtener cuatro veces el número
3 al tirar un dado 8 veces.
n= 5 número de ensayos
p= 3% probabilidad de éxito
Nº Éxitos x B(x, n, p)
0 0,85873
1 0,13279
2 0,00821
3 0,00025
4 0,00000
5 0,00000
1,00000
11/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución de Poisson
12/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
x p(x)
0 0,04979
Poisson(3)
1 0,14936
2 0,22404 0,25
3 0,22404 0,20
4 0,16803
0,15
5 0,10082
0,10
6 0,05041
7 0,02160 0,05
8 0,00810 0,00
9 0,00270 0 1 2 3 4 5 6 7 8 9 10 > 10
10 0,00081
> 10 0,00029
Total 1,00000
13/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Por ejemplo, es posible que el tiempo que media entre las llegadas de cada cliente
a un sistema tenga una distribución de probabilidad muy semejante a una
exponencial, o que el tiempo que le toma a un operario realizar una serie de
tareas se comporte de manera muy similar a la dispersión que presenta una
distribución normal.
Sin embargo, se debe hacer notar que este tipo de distribuciones tienen sus
desventajas, dado que el rango de valores posibles implica que existe la
posibilidad de tener tiempos infinitos de llegada de clientes o tiempos de ensamble
infinitos, situaciones lejanas a la realidad. Por fortuna, es muy poco probable que
se presenten este tipo de eventos, aunque el analista de la simulación debe estar
consciente de cómo pueden impactar valores como los descritos en los resultados
del modelo. En las siguientes secciones revisaremos algunas herramientas útiles
para lograr ese objetivo.
14/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
6,5 0,1126920
7,0 0,0756316 0,1
7,5 0,0461945
8,0 0,0255577 0,0
8,5 0,0127456 0,0 2,0 4,0 6,0 8,0 10,0 12,0
9,0 0,0057002
9,5 0,0022742
10,0 0,0008051
10,5 0,0002515
11,0 0,0000690
11,5 0,0000165
12,0 0,0000034
15/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
En los puntos 3.4 y 3.5 de más adelante se analiza cómo determinar el tipo de
distribución de un conjunto de datos utilizando los software ProModel y Crystal
Ball, respectivamente
16/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Crystal Ball cuenta con varias distribuciones continuas y discretas que se pueden
utilizar para describir un supuesto (Asumption), incluida una distribución
personalizada (Custom), que puede ser una combinación de rangos continuos y
discretos.
Una distribución de probabilidad continua supone que todos los valores en el
rango son posibles, por lo tanto, cualquier rango contiene un número infinito de
valores posibles. Estas distribuciones son curvas sólidas y suaves.
Una distribución de probabilidad discreta describe valores distintivos, finitos y
comúnmente enteros. Estas distribuciones aparecen como columnas de
diferentes alturas ubicadas una al lado de la otra.
17/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
18/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
19/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
FEi FOi
2
m
C
i 1 FEi
20/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo:
En la tabla siguiente se presentan los datos del número de automóviles que entran
a una gasolinera cada hora:
14 13 13 20 12
7 15 20 10 14
13 10 8 18 20
16 15 17 15 15
16 16 19 13 10
13 14 11 16 13
14 12 12 24 21
17 17 17 18 23
15 14 9 16 15
16 12 18 18 18
Histograma
12
10
Frecuencia
8
6
4
2
0
> 25
0-7
8-9
10 - 11
12 - 13
14 - 15
16 - 17
18 - 19
20 - 21
22 - 23
24 - 25
Automóviles/hora
x e 15x e15
p ( x) x 0,1, 2,...
x! x!
21/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
7
P 0 x 7 pi P0 ... P7 0, 0180
i 0
25
P( x 25) 1 pi 1 P0 ... P25 0, 0062
i 0
Cálculo en Excel = 1 - POISSON (25; 15; VERDADERO)
FEi n p( xi )
22/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
FEi FOi
2
C = 1,7848
2 , mk 1 25%,1101 18,307 Cálculo en Excel, PRUEBA.CHI.INV(alfa; m-0-1)
El valor del estadístico de prueba, C = 1,7848 < 25%,1101 18,307 , lo que indica que
no podemos rechazar la hipótesis de que la variable aleatoria se comporta de
acuerdo con una distribución de Poisson, con una media de =15
automóviles/hora.
23/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Auto::Fit of Distributions
24/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Desarrollada en la década de los treinta del siglo XX, esta prueba permite –al igual
que la prueba Chi-cuadrado– determinar la distribución de probabilidad de una
serie de datos. Una limitante de la prueba K-S estriba en que solamente se puede
aplicar al análisis de variables continuas.
25/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo:
En la tabla siguiente se presenta un estudio del tiempo entre roturas de cierto
filamento, medido en minutos/rotura:
26/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Histograma
14
12
Feecuencia
10
8
6
4
2
0
0-2 2-4 4-6 6-8 8 - 10 10 - 12 12 - 14 >14
Minutos/rotura
x x x
F ( x) x 1 e
dx 1 e
0
1,38
x
F ( x) 1 e 5,19
1,38
8
PEA8 PE x 8 F (8) 1 e 5,19
0,83747
Cálculo en Excel = DIST.WEIBULL (8; 1,38; 5,19; VERDADERO)
27/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
28/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Dada a conocer en 1954, esta prueba tiene como propósito corroborar si una
muestra de variables aleatorias proviene de una población con una distribución de
probabilidad específica. En realidad se trata de una modificación de la prueba de
Kolmogorov-Smirnov, aunque tiene la virtud de detectar las discrepancias en los
extremos de las distribuciones.
29/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo
Los siguientes son los datos de un estudio del tiempo de atención a los clientes en
una florería, medido en minutos/cliente:
14
12
Frecuencia
10
8
6
4
2
0
>14
10 - 11
11 - 12
12 - 13
13 - 14
9 - 10
0-6
6-7
7-8
8-9
Minutos/cliente
30/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Intervalo FOi
0 6 3
6 7 1
7 8 3
8 9 4
9 10 12
10 11 2
11 12 0
12 13 2
13 14 3
> 14 0
30
31/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
1 1
An2 n * 30 -984,7721 2,825735
n 30
Una vez calculado el estadístico de prueba An2 es necesario ajustarlo de acuerdo
con la tabla. En este caso, como tenemos n 5 no se requiere ajuste.
1 1
An2 n * 30 -940,5462 1,351539
n 30
Ahora el estadístico de prueba An 1,351539 es menor que el valor crítico de la
2
prueba a5%, 30 2, 492 (ver tabla), por lo cual se concluye que esta vez no se puede
rechazar la hipótesis nula H0.
32/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Pantalla de inicio
de ProModel
Una vez que comience a ejecutarse el comando Stat::Fit, haga clic en el ícono de
la hoja en blanco de la barra de herramientas Estándar para abrir un nuevo
documento (también puede abrir el menú File y hacer clic en New). Enseguida se
desplegará una ventana con el nombre Data Table (ver figura) en la que deberá
introducir los datos de la variable a analizar, ya sea utilizando el teclado o
mediante los comandos Copiar y Pegar (Copy / Paste) para llevar dichos datos
desde otra aplicación, como Excel o el Bloc de Notas de Windows.
33/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo:
En la tabla siguiente se presentan los datos del número de automóviles que entran
a una gasolinera cada hora:
14 13 13 20 12
7 15 20 10 14
13 10 8 18 20
16 15 17 15 15
16 16 19 13 10
13 14 11 16 13
15 12 12 24 21
17 17 17 18 23
15 14 9 16 15
16 12 18 18 18
34/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ventana de resultados
estadísticos de Stat::Fit
Hay que hacer clic en el botón OK para que el proceso de ajuste se lleve a cabo.
El resultado se desplegará en la ventana Automatic Fitting, donde se describen
35/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ventana de resultados
del análisis de la
variable aleatoria
36/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Histogramas teórico y
real de la variable
aleatoria
El histograma anterior también se puede obtener a través del menú Fit Result
Graphs Density, donde se puede seleccionar otros tipos de gráfico como el
siguiente que muestra el ajuste de las distribuciones acumuladas.
Distribución acumulada
de la variable aleatoria
real comparada con las
distribuciones
teóricas ajustadas
37/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Se selecciona la herramienta Batch_Fit del menú Tools del Crystal Ball, como se
muestra en la siguiente Figura.
38/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
39/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo:
40/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
41/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Chi-Square
Ranked By:
Anderson-Darling
Data Series Automóviles / hora
Distribution Chi-Square Chi-Square P-Value Parameters
Neg Binomial 0,7728 0,979 Probability=0,53191, Shape=8
Poisson 1,1955 0,945 Rate=15,04
Binomial 1,4774 0,831 Trials=119, Probability=0,12639
Discrete Uniform 24,1600 0,000 Minimum=7, Maximum=24
Geometric 90,9229 0,000 Probability=0,06649
42/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Criterios de aceptación
Los principales programas estadísticos calculan los p-value para la mayoría de las
pruebas estadísticas.
En Crystal Ball, un p-value asociado mayor que 0,5 generalmente indica un buen
ajuste.
En el ejemplo procesado, Crystall Ball crea una hoja Batch Fit Output donde se
muestra un resumen de los mejores ajustes obtenidos para cada serie de datos:
Automóviles /
Data Series: hora Minutos / rotura Minutos / cliente
Distribution: 15,04 4,73 9,29
Best Fit: Neg Binomial Gamma Logistic
Rank
Methods:
Chi-Square 0,7728
Anderson-
Darling 0,1975 0,8179
P-Value: 0,979 0,943 0,017
se acepta se acepta se rechaza
43/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Histograma
8
7
6
Frecuencia
5
4
3
2
1
0
12,5
10
10,5
11
11,5
12
13
13,5
14
y mayor...
5,5
6
6,5
7
7,5
8
8,5
9
9,5
44/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
𝐹 (𝑥 ) = 𝑟 ⟹ 𝑥 = 𝐹 −1 (𝑟)
45/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
𝐹 (𝑥 ) = ∫ 𝑓 (𝑡) 𝑑𝑡
0
3. Para obtener la función acumulada inversa 𝑥 = 𝐹 −1 (𝑟) se despeja la variable
aleatoria 𝑥 en la función acumulada 𝐹 (𝑥 ).
4. Se generan valores para la variable aleatoria 𝑥 sustituyendo el valor de 𝐹 (𝑥 )
con números pseudo aleatorios 𝑟𝑖 ~ 𝑈(0, 1) en la función acumulada inversa.
46/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
1 2 ⁄2𝜎 2
𝑓 (𝑥) = 𝑒 −(𝑥−𝜇) 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
𝜎 √2𝜋
Otra dificultad que se presenta es que en algunas ocasiones no resulta posible
obtener analíticamente la transformada inversa 𝑥 = 𝐹 −1 (𝑟). Este es el caso, por
ejemplo, de la distribución de probabilidad binomial cuya función de distribución
acumulada 𝑃 (𝑥 ) es:
𝑥
𝑛
𝑃(𝑥) = ∑ ( ) 𝑝𝑖 (1 − 𝑝)𝑛−𝑖
𝑖
𝑖=0
En estos casos, mediante métodos numéricos se puede discretizar la función de
densidad de probabilidad, dentro del rango de la variable aleatoria, y obtener sus
probabilidades acumuladas. Luego se genera una Tabla de Montecarlo con los
correspondientes rangos de números aleatorios.
1
f ( x) a xb
ba
xa
x x
1
F ( x) f (t ) dt dt a xb
0 a
ba ba
47/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
𝑥𝑖 − 𝑎 = 𝑟𝑖 (𝑏 − 𝑎)
Luego:
𝒙𝒊 = 𝒂 + 𝒓𝒊 (𝒃 − 𝒂) 𝒄𝒐𝒏 𝒓𝒊 ∈ {𝟎, 𝟏}
F (x)
r0
x
a x0 b
Medición ri Temperatura ºC
1 0,48 97,40
2 0,82 99,10
3 0,69 98,45
4 0,67 98,35
5 0,00 95,00
6 1,00 100,00
48/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
𝑓 (𝑥 ) = 𝜆 𝑒 −𝜆𝑥 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
𝑟𝑖 = 𝐹 (𝑥𝑖 ) = 1 − 𝑒 −𝜆𝑥
𝑒 −𝜆𝑥𝑖 = 1 − 𝑟𝑖 / 𝑙𝑛
−𝜆 𝑥𝑖 = 𝑙𝑛 (1 − 𝑟𝑖 )
Luego:
𝟏
𝒙𝒊 = − 𝒍𝒏 (𝟏 − 𝒓𝒊 ) 𝒄𝒐𝒏 𝒓𝒊 ∈ {𝟎, 𝟏}
𝝀
1
𝑥𝑖 = − 𝑙𝑛 (𝑟𝑖 ) 𝑐𝑜𝑛 𝑟𝑖 ∈ {0, 1}
𝜆
Comprobación en Maple
Distribución Exponencial
> f := x->lambda*exp(-lambda*x);
( x )
f := x e
> int(f(t),t=0..x);
( x )
1e
49/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Tiempo de servicio
Cliente ri
(min)
1 0,64 3,06
2 0,83 5,32
3 0,03 0,09
4 0,50 2,08
5 0,21 0,71
2 x a
si a x c
b a c a
f ( x)
2 b x si c x b
b a c a
x 2 x a
dt si a x c
a b a c a
x
F ( x) f (t ) dt x
2 b t
b a c a
dt si c x b
0
c
50/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Desarrollo en Maple
> restart;
> assume(a<b,a<c,c<b);
> f := x-> piecewise(x>a and x< c,2*(x-a)/(b-a)/(c-a),x>c and
x<b,2*(b-x)/(b-a)/(b-c));
2 ( xa ) 2 ( bx )
f := xpiecewise ax and xc, , cx and xb,
( b a ) ( c a ) ( b a ) ( b c )
> a := 1; b := 7; c:= 3;
a := 1
b := 7
c := 3
> plot(f(x),x=0..8);
> restart;
> f1 := x-> 2*(x-a)/(b-a)/(c-a);
2 ( xa )
f1 := x
( ba ) ( ca )
> F1 := int(f1(t),t=a..x);
x 2a 2 2 a ( xa )
F1 :=
( ba ) ( ca ) ( ba ) ( ca )
> simplify(%);
x 2a 22 a x
( ba ) ( ca )
> factor(%);
( xa ) 2
( ba ) ( ca )
51/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
xi a
2
ri F ( xi )
b a c a
xi a b a c a ri
2
c a
xi a b a c a ri si ri
b a
Con un desarrollo análogo se obtiene la función transformada inversa siguiente en
el segundo tramo c x b:
c a
xi b b a b c 1 ri si ri
b a
Distribución de Bernoulli
p( x) p x 1 p
1 x
para x 0,1
x 0 1
p(x) 1-p p
x 0 1
P(x) 1-p 1
52/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
si ri 0, 1 p x 0
xi
si ri 1 p, 1 x 1
p( x) p x 1 p
1 x
0, 2 x 0,81 x para x 0,1
x 0 1
p(x) 0,8 0,2
P(x) 0,8 1
53/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución de Poisson
x
Distribución de probabilidad p ( x) e si x 0,1, 2,...
x!
x
i
Distribución acumulada P( x) e si x 0
i 0 i!
54/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
x p(x) P(x)
0 0,13534 0,13534
1 0,27067 0,40601
2 0,27067 0,67668
3 0,18045 0,85712
4 0,09022 0,94735
5 0,03609 0,98344
6 0,01203 0,99547
7 0,00344 0,99890
8 0,00086 0,99976
9 0,00019 0,99995
10 0,00004 0,99999
Total 0,99999
Tabla de Montecarlo
Distribución
Distribución Rango Números
Nº de piezas de
Acumulada Aleatorios
probabilidad
xi p(xi) P(xi) <
0 0,13534 0,13534 0 0,13534
1 0,27067 0,40601 0,13534 0,40601
2 0,27067 0,67668 0,40601 0,67668
3 0,18045 0,85712 0,67668 0,85712
4 0,09022 0,94735 0,85712 0,94735
5 0,03609 0,98344 0,94735 0,98344
6 0,01203 0,99547 0,98344 0,99547
7 0,00344 0,99890 0,99547 0,99890
8 0,00086 0,99976 0,99890 0,99976
9 0,00019 0,99995 0,99976 0,99995
10 0,00004 0,99999 0,99995 0,99999
> 10 0,00001 1,00000 0,99999 1,00000
55/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
1 0,6754 2
2 0,0234 0
3 0,7892 3
4 0,5134 2
5 0,3331 1
Ejemplo 5:
La tabla siguiente muestra la demanda diaria observada (empírica) de cepillos
dentales en un supermercado. Simular el comportamiento de la demanda
mediante el método de la transformada inversa.
Día Demanda
1 3
2 2
3 2
4 1
5 3
6 0
7 2
8 1
9 3
Tabla de Montecarlo
Frecuencia Frecuencia Frecuencia Rango Números
Demanda
Absoluta Relativa Acumulada Aleatorios
xi p(xi) P(xi) <
0 1 11,111% 11,111% 0 0,1111
1 2 22,222% 33,333% 0,1111 0,4444
2 3 33,333% 66,667% 0,4444 0,6667
3 3 33,333% 100,000% 0,6667 1,0000
9 100,000%
56/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Las variables aleatorias de cuatro de las distribuciones más conocidas (de Erlang,
normal, binomial y de Poisson) pueden ser generadas a través de este método,
como se verá a continuación.
Distribución de Erlang
1
Y ln 1 r1 ln 1 r2 ln 1 rk
k
1
Y ln 1 r1 1 r2 1 rk
k
1 k
Y ERi ln 1 ri
k i 1
57/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Ejemplo 6:
El tiempo de proceso de cierta pieza sigue una distribución 3-Erlang con media 1/
de 8 minutos/pieza (k = 3)
8 k 8
Y ERi ln 1 ri ln 1 r1 1 r2 1 rk
3 i 1 3
Distribución normal
Y X1 X 2 X k ~ N k x , k x2
1 1
Y r1 r2 rk ~ N k , k
2 12
12 12
Y r1 r2 r12 ~ N , ~ N 6, 1
2 12
Y Z r1 r2 r12 6 ~ N 0, 1
12
x
Z ri 6 ~ N 0, 1
i 1
58/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
12
x Ni ri 6
i 1
Ejemplo 7:
El volumen de líquido de un refresco sigue una distribución normal con media de
12 onzas y desviación estándar de 0,4 onzas. Generar 5 variables aleatorias con
esta distribución para simular el proceso de llenado.
12
x Ni ri 6
i 1
12
Ni ri 6 0, 4 12
i 1
59/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución binomial
Una variable aleatoria binomial con parámetros N y p puede ser generada a través
de la suma de N variables aleatorias con distribución de Bernoulli con parámetro p.
Ejemplo 8:
Al inspeccionar lotes de tamaño N = 5, la probabilidad de que una pieza sea
defectuosa es p = 0,03. Simular el proceso de inspección para determinar el
número de piezas defectuosas por lote.
Este proceso sigue una distribución binomial con N = 5 y p = 0,03, y será simulado
mediante la generación de variables aleatorias de Bernoulli con p = 0,03, de
acuerdo con el procedimiento señalado en la sección anterior, donde BEi 0
representa una pieza en buen estado y BEi 1 una pieza defectuosa.
60/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
0 si x A
I A ( x)
1 si x A
Algunas de las distribuciones más conocidas que pueden expresarse como una
combinación convexa son: triangular, de Laplace y trapezoidal.
61/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución triangular
2 x a
si a x c
b a c a
f ( x)
2 b x si c x b
b a c a
c 2 x a c a
dx si a x c
a b a c a b a
p( x) b
2 b x b c
b a c a
dx si c x b
c b a
2 x a b a 2 x a
si a x c
b a c a c a c a
2
f ( x)
2 b x b a 2 b x si c x b
b a c a b c b c 2
m 2
f ( x) f i ( x) I A ( x) f i ( x) I A ( x)
i 1 i 1
2 x a 2 b x
f ( x) I a x c ( x) I c x b ( x )
c a b c
2 2
donde:
0 si x a x c
I A ( x)
1 si x a x c
62/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
x 2 t a x a
2
dt si a x c
a c a c a
2 2
F ( x)
2 b t b x
x 2
dt 1 si c x b
b c
2 2
c b c
a c a ri
xi
b b c 1 ri
c a
a c a ri si ri
b a
xi
b b c 1 r c a
i si ri
b a
Ejemplo 9:
Generar una muestra de 5 variables aleatorias con distribución triangular a partir
de los parámetros: valor mínimo a = 5, valor máximo b = 20 y moda c =10.
5
5 5 ri si ri
15
xi
20 10 1 r 5
i si ri
15
63/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
h2 z12 z22
z2 ~ N(0, 1)
z1 ~ N(0, 1)
Geométricamente:
z2 22 sen
z2 2ln 1 ri sen
64/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
a b a rj 2 rj
Y sustituyendo obtenemos:
z2 2ln 1 ri sen 2 rj
N
Para cualquier variable aleatoria normal N, z . Al despejar N y sustituir el
valor de z previamente desarrollado, se llega a la expresión final para la
generación de variables aleatorias normales:
Ni 2ln 1 ri sen 2 rj
Ni 2ln 1 ri cos 2 rj
Cualquiera de las dos últimas ecuaciones puede utilizarse para resolver el ejemplo
7, el cual se reproduce a continuación para una referencia más cómoda:
Ejemplo 10:
El volumen de líquido de un refresco sigue una distribución normal con media de
12 onzas y desviación estándar de 0,4 onzas. Generar variables aleatorias con
esta distribución para simular el proceso de llenado.
Ni 2ln 1 ri sen 2 rj 0, 4 12
65/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
k
1
Erlang ERi ln 1 ri 1/ = valor esperado
ERi k i 1 k = parámetro de forma
Ni 2ln 1 ri sen 2 rj
Normal = media
Ni Ni 2ln 1 ri cos 2 rj = desviación estándar
12 = media
Normal Ni ri 6
Ni i 1 = desviación estándar
Exponencial 1
Ei ln 1 ri 1/ = media
Ei
66/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
k
1
Gamma Gi ln 1 ri 1/ = valor esperado
Gi k i 1 k = parámetro de forma
𝐿𝑁𝑖 = 𝑒 𝑁𝑖 donde:
Lognormal = valor esperado
12 2 2
LNi Ni ri 6 ln 1 2 ln 2 = varianza
i 1
2 2
𝑝 =probabilidad de ocurrencia
Bernoulli si ri 0, 1 p x 0
del evento 𝑥 = 1
BEi
BEi si ri 1 p, 1 x 1
1 − 𝑝 = probabilidad de
ocurrencia del evento 𝑥 = 0
𝐵𝐸𝑗 = números aleatorios con
distribución Bernoulli
𝑁
N = número del evento máximo de la
Binomial
𝐵𝑖 = ∑ 𝐵𝐸𝑗 distribución binomial
Bi
𝑗=1 p = probabilidad de éxito de la
distribución nominal que se involucra al
generar los Bernoulli
Inicialización: Hacer N = 0, T = 1 y generar un
Nº aleatorio ri.
Paso 1: Calcular T ' T ri
Paso 2: Si T ' e , entonces hacer N = N + 1, T = media
Poisson
= T’, calcular otro ri y regresar al paso1. N = contador
Pi
Si T ' e , entonces la variable generada está T = contador
dada por Pi N .
Para generar la siguiente variable de Poisson,
regresar a la fase de inicialización.
𝑙𝑛(1 − 𝑟𝑖 )
Geométrica 𝐺𝐸𝑖 = 𝑐𝑜𝑛 𝐺𝐸𝑖 ≥ 1 ∈ ℤ 𝑝=probabilidad
𝑙𝑛(1 − 𝑝)
67/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
68/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
69/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
70/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
x
Distribución de probabilidad p ( x) e si x 0,1, 2,...
x!
x
i
Distribución acumulada F ( x) e si x 0
i 0 i!
Rango {0, 1, 2, … }
Parámetros >0
Media
Varianza
71/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución uniforme
𝑼𝑫(𝒂, 𝒃)
discreta
1
𝑝(𝑥) = 𝑠𝑖 𝑥 ∈ {𝑖, 𝑖 + 1, … , 𝑗}
Distribución de probabilidad 𝑏−𝑎+1
𝑝(𝑥) = 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥−𝑎+1
𝑃(𝑥) = 𝑠𝑖 𝑖 ≤ 𝑥 ≤ 𝑗
Distribución acumulada 𝑏−𝑎+1
𝑃(𝑥) = 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑎 y 𝑏 son números enteros, con 𝑎 < 𝑏
Parámetros Parámetro de localización: 𝑎
Parámetro de escala: 𝑏 − 𝑎
Rango {𝑖, 𝑖 + 1, … , 𝑗}
1
Media (𝑎 + 𝑏 )
2
1
Varianza [(𝑏 − 𝑎 + 1)2 − 1]
12
72/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
73/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Nota:
La función de densidad de probabilidades de la distribución beta puede presentar
formas muy distintas dependiendo de los valores de los dos parámetros de forma
𝛼 y 𝛽 como se muestra en la siguiente figura:
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝜷(𝜶, 𝜷, 𝟎, 𝟏)
74/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
75/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Nota:
En el ejemplo 𝜆 = 0,25 (𝑟𝑎𝑡𝑒) y la media de la distribución es: 1⁄𝜆 = 4.
Cuando el parámetro de forma ∝= 1, la distribución gamma devuelve la
distribución exponencial con: 𝜆 = 1⁄𝛽 .
76/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
Distribución 𝑮(𝜶, 𝜷)
gamma
1
𝑓 (𝑥) = 𝑥 𝛼−1 𝑒 −𝑥⁄𝛽 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
𝛽 Γ(𝛼)
𝛼
Distribución ∞
de
probabilidad 𝑑𝑜𝑛𝑑𝑒 Γ(𝑥) = ∫ 𝑢 𝑥−1 𝑒 −𝑢 𝑑𝑢 𝑒𝑠 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑔𝑎𝑚𝑚𝑎
0
Γ(𝑥) = (𝑥 − 1)! 𝑝𝑎𝑟𝑎 𝑥 𝑒𝑛𝑡𝑒𝑟𝑜
𝐹 (𝑥) = − 𝑝𝑎𝑟𝑎 𝛼 𝑛𝑜 𝑒𝑛𝑡𝑒𝑟𝑎
𝑗
Distribución
−𝑥⁄ (𝑥⁄𝛽 )
𝛼−1
acumulada
𝐹 (𝑥) = 1 − 𝑒 𝛽 ∑ 𝑝𝑎𝑟𝑎 𝛼 𝑒𝑛𝑡𝑒𝑟𝑎
𝑗!
𝑗=0
Rango [0, )
Parámetro de forma: 𝛼 > 0,05
Parámetros
Parámetro de escala: 𝛽 > 0
Media 𝛼𝛽
Varianza 𝛼 𝛽2
77/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
78/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
79/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
80/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
si a x c
b a c a
Distribución acumulada F ( x)
b x
2
1 b a c a si c x b
Valor mínimo: a
Parámetros Valor máximo: b
Moda: c (valor más probable o likeliest)
Rango a, b
1
Media a b c
3
Varianza
1 2
18
a b2 c 2 ab ac bc
81/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
b a
2
Varianza
12
82/83
UNIVERSIDAD BOLIVARIANA
SEDE LA SERENA
ESCUELA DE INGENIERÍA
83/83