6-5-2014

Simulacin
Introduccin
Freddy Antonio Aguilar



Simulacin

La simulacin es el disear y desarrollar un modelo computarizado de un sistema o proceso y conducir
experimentalmente con este modelo con el propsito de entender el comportamiento del sistema del
mundo real o evaluar varias estrategias con los cuales puedan operar el sistema.
La simulacin digital es una tcnica que permite imitar en un ordenador el comportamiento de un
sistema fsico o terico segn ciertas condiciones particulares de operacin.

Variable Aleatoria Discreta.
Las variables aleatorias pueden ser discretas y continuas. En el captulo siguiente
trataremos extensamente las variables aleatorias continuas (v. a. c.), pero de
momento, con el objeto de visualizar la diferencia entre ellas, podemos decir que las
discretas surgen generalmente al contar, mientras que las continuas aparecen
cuando se mide.
El nmero de posibles valores de la variable es finito o infinito pero contable.

Para cada posible valor xi de la variable X se tiene que p(xi) = p(X = xi) es
la probabilidad de que la variable X tome el valor xi.

Se cumplen las siguientes condiciones:

a) p(xi) 0 Para todo xi

b)
i=1

Distribucin de Probabilidad o Funcin Masa de Probabilidad (pmf) de X es
el conjunto de pares (xi,p(xi)) con i=1, 2 ...
Ejemplo 4. 1. Sea el experimento de lanzar 3 veces una moneda y representemos por X el
evento del nmero de caras que aparecen. Encontrar los valores que puede tomar la variable
aleatoria.

Solucin.

El espacio maestral de lanzar 3 veces una moneda es:
S = { ccc, cc+, c+c, +cc, c++, +c+, ++c, +++}



Si solamente nos interesa el nmero de caras que aparecen, entonces al punto maestral (+++) le
corresponde el valor cero porque no hay ninguna cara, a cada punto maestral donde hay una
cara (c++, +c+, ++c) le corresponde el valor 1 y as los dems puntos mustrales. Por lo tanto:
X(+++) = 0
(c++) = X(+x+) = X(++c) = 1
X(cc+) = X(c+c) = X(+cc) = 2
X(ccc) = 3

Variable Aleatoria Continua.
El espacio de valores de la variable X (Rx) es un intervalo o un conjunto
de intervalos.

La probabilidad de que el valor de X se encuentre en un intervalo [a,b]
viene dada por la expresin: b
P(a x b) = f (x)dx a
f(x) se llama funcin densidad de probabilidad (pdf) de la variable X

pdf satisface las siguientes condiciones:

a) f(x) 0 Para todo x

b)

c) f(x) = 0 Si xRx

Ejemplo Funcionamiento de una bombilla

Funcin de Distribucin Acumulativa.-


La funcin de distribucin acumulativa (cdf), denotada por F(x), mide la
probabilidad de que la variable X tenga un valor menor o igual que x; es
decir F(x)
= P (X x).



Si X es continua
Fdt


Propiedades de F(x):

a) F es una
funcin no
decreciente. Si a < b
entonces F(a) F(b)
b) limF(x) =1
x
c)
x
Ejemplos Dado Trucado Bombilla

Valor Esperado.

E(x) se denomina media y se define del siguiente modo:

Si X es continua E(X) = x f (x)dx

Si X es discreta
E


La media es una medida de la tendencia central de la variable aleatoria

Varianza.

V(X)
2
se denomina varianza y se define como:

V(X) = E [(X - E(X))
2
] equivalentemente V(X) = E(X
2
) - [E(X)]
2


La varianza de X mide la variacin de los valores de x respecto de la media

La desviacin estndar se define como la raz cuadrada de la varianza de X


Moda.

Se define de la siguiente forma:



Si X es discreta F(x) = p(xi)
xix
x


Variable Discreta: La moda es el valor de la variable que aparece ms
frecuentemente.

Variable Continua: La moda es el valor mximo de pdf

La Moda puede no ser nica.

Si el valor de la moda ocurre en dos valores la distribucin es bimodal


2.- APLICACIONES PRCTICAS DE MODELOS ESTADSTICOS


Sistemas de Colas

La distribucin del tiempo entre llegadas y la distribucin del nmero de llegadas
por periodo de tiempo son importantes a la hora de simular los sistemas de colas.

El tiempo de servicio puede ser constante o probabilstico.

Distribuciones utilizadas:

Exponencial. Si los tiempos de servicio son completamente aleatorios.

Normal. Si los tiempos de servicio son constantes pero existe una
variabilidad que produce fluctuaciones positivas y negativas.

Normal Truncada. Si existen valores de la variable que deben ser
mayores o menores que un cierto valor y el resto siguen una distribucin
normal.

Gamma y Weibull. Se utilizan para modelar Tiempos de Servicio.




Sistemas Inventario.

Existen tres variables aleatorias:

a) Nmero de items solicitados en cada pedido o en cada periodo
de tiempo


b) Tiempo entre pedidos
c) Tiempo entre realizar un pedido y recibir dicho pedido

La variable nmero de items o tamao del pedido suele ser representada
por las siguientes distribuciones:

Geomtrica. Se caracteriza por tener la moda centrada en la
unidad

Binomial Negativa. Se caracteriza por tener una cola larga

Poisson. Est tabulada y se conoce con profundidad. Tiene una
cola ms corta que la binomial negativa


Mantenimientos y Fiabilidad.

El tiempo de fallo puede ser modelado por varias funciones:

Distribucin Exponencial. Si solamente ocurren fallos
aleatorios

Distribucin Gamma. Surge del modelado por redundancia.

Distribucin Weibull. Cuando hay muchos componentes en un
sistema y el fallo se debe al defecto ms serio del conjunto de
defectos

Distribucin Normal. Cuando los fallos se deben al desgaste
normal

Distribucin Logonormal. Se utiliza para describir el tiempo de
fallo de algn tipo de componentes

Datos Limitados o Incompletos.

No se dispone del suficiente nmero de datos

Las funciones que se utilizan son:



Distribucin uniforme. Se utiliza cuando se sabe que el tiempo entre
llagadas o de servicio es aleatorio pero no se dispone de ms
informacin

Distribucin Triangular. Se puede utilizar cuando se hacen
suposiciones sobre el mximo, el mnimo y la moda

Distribucin Beta. Proporciona una gran variedad de formas en su
distribucin


3.- DISTRIBUCIONES DISCRETAS

Distribucin de Bernoulli

Es una distribucin de probabilidad con dos puntos de probabilidad
discreta definida como:
p(0) = q
p(1) = p siendo p+q = 1 con p,q >0

Sea un experimento consistente en n ensayos y cada uno de ellos
puede tener xito o fracaso (1 0). Sea por ejemplo xj=1 xito y xj=0
fracaso.
Se tiene: p(x1, x2 ... xn) = p1(x1).
p2(x2) ... pn(xn)

p
xj = 1 j = 1, 2 ... n
xj = 0 j = 1, 2 ... n
pj(xj) = p(xj) = 1 p = q

0 otros



Distribucin Binomial

La variable X indica el nmero de xitos en n ensayos de Bernoulli y
tiene una distribucin binomial dada por:
npx q x = 0, 1, 2 ... n nx
p(x)= x




resto 0
La media y la varianza son:

E (x) = np V(x) = npq

Distribucin Geomtrica
(Relacionada con la secuencia de ensayos de Bernoulli)

La variable X indica el nmero de ensayos para obtener el primer xito.
La distribucin de esta variable es:

x1

El evento {X = x} ocurre
cuando hay x-1 fallos seguidos de un xito
Cada uno de los fallos tiene asignada una probabilidad de q=1-p y cada
uno de los xitos tiene probabilidad p. As:

p(FFF....FS) = q
x-1
.p

La Media y la Varianza vienen dados por:
E(x) = 1 V(x ) = q
p p2
Distribucin de Poisson

Se utiliza para modelar tiempos entre eventos aleatorios ocurridos en
un intervalo de tiempo fijo.

La funcin masa de probabilidad (pmf) est dada por:
x = 0, 1 ... ex

p(x) = x! otros con > 0
0
p(x) =q p
0
x = 1, 2
...
otros


Una propiedad importante de la distribucin de Poisson es E(x) = V(x)
= La funcin de distribucin acumulativa es:
x e

i
F(x) =

i=0 i!

Esta funcin est tabulada

Ejemplo: Servicio de Fontanera



4.- DISTRIBUCIONES CONTINUAS

4.1.- Distribucin Uniforme

Se utiliza cuando todos los valores en un rango finito se pueden
considerar iguales
La variable aleatoria X est uniformemente distribuida en el intervalo
(a,b) si pdf est dada
por:
Se tiene que p(x1 <
x < x2) = F(x2)-
F(x1)=
x2x1

es proporcional a la
ba
longitud del intervalo para todo x1
y x2 que satisfaga a x1 < x2
b

La media y la Varianza
son:
E(X) =
a +b V(X) = (b a)2
2 12


Distribucin Exponencial

Se utiliza para modelar tiempos entre llegadas y tambin tiempos entre
servicios




cdf est dada
por:













1 f
(x) =
b a

0
0

F (x) = x a
b a
1
a x
<b


otros
x < a
a x
< b x
b


Una variable aleatoria X se dice que tiene distribucin exponencial con
parmetro > 0 si su pdf est dada por:


La
media y la Varianza son: E(x) =V


Distribucin Gamma

Se utiliza para representar el tiempo requerido para finalizar una tarea
Una variable aleatoria X tiene una distribucin Gamma con parmetros
y si pdf es:


(

x)1

ex x > 0
f (x) =()
0 otros

donde es un parmetro de forma y es un parmetro de escala y
adems:

x
dx para entero () =
(1)!

La Media y la Varianza son: E(x) =
V(x) =
1

2

Cuando es entero, la distribucin Gamma est relacionada con la
Exponencial

Para = 1 se obtiene una distribucin Exponencial


4.4.- Distribucin Erlang

La expresin pdf de Gamma, para = K, con K entero se denomina
distribucin de Erlang de orden K

f (x) =
ex
0


x 0
x F(x) =

1ex
0 resto
resto 0




La Media y la Varianza son: E(x) =
1
V(x) =
1
K2

Se verifica que:








Una
variable
aleatoria X con media (- < < ) y varianza
2
tiene una
distribucin normal si pdf es:
1 1 x
2
f (x) = exp - < x <
2 2


Se utiliza la notacin N(, )

La cdf de la Distribucin Normal es:
x
1
1t 2


F(x) = p(X x) =

2 exp 2 dt

La funcin acumulativa cdf est tabulada y es:
z t 2
1e 2 dt

- Distribucin Weibull

Se utiliza en modelos de fiabilidad para representar tiempos de vida
de dispositivos. Un sistema formado por muchas partes
independientes y el sistema falla cuando hay un fallo.
Una variable aleatoria tiene una distribucin Weibull si pdf es

k1 ekx (Kx)i x > 0

x 0
F(x ) =1
i=0


0

Distribucin Normal


i!



x exp x
f ( x) =

x
otros

z
2
) (



=



1

Los tres parmetros de una distribucin Weibull son (- < < )
que es el parmetro de localizacin; ( > 0) que es el parmetro
de escala y (>0) que es el parmetro de forma. Para = 0 se
tiene que la pdf es:
1
x
x










Distribucin Triangular

Se utiliza cuando no se conoce la forma exacta de la distribucin pero
se estima el mnimo, el mximo y la moda
Una variable aleatoria X tiene distribucin Triangular si pdf es:

2(x a)

0

f
(x) =

0
exp

x 0

otros
(b a)( c a)

f (x) = 2(c x)
(c b)(c a)
0

a x
b b < x
c
otros




La cdf de una distribucin Triangular es:

0
2 x a
(
x

a)

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

(c b)(c a) b < x c
1 x > c


TABLA - RESUMEN

Distribuci
n
f(x) p(x) F(x) E(x) V(x)







F(x) =p(xi )
xi x
x
F(x) = f (t)dt


E(X) =xi
p(xi )
i
E
dx


V(X) =
E(X
2
)
[E(X)]
2

-
Poisson
e

x x =0,1,2
p(x) = x!
0 resto




E(x) =

V(x) =

Exponenc
ial
(x)=ex
x 0 f 0
resto


1ex
F(x) =
0

E(x)
=

V(x) =
1
2


Erlang-k
1 x
f (x)=
()(x) e
0



k1 ekx
(Kx)i

F(x) =1i=0
i!
0


E(x) =

V(x) =
1

K2
Weibull x 1 x
exp
f (x) =


0

0

F(x) = x

1exp