Clase 3 PDF

Simulation Modeling for System
Design and Analysis: Fundamental

Principles - Chapter 6
Seleccionando las Distribuciones de

Probabilidad de Entrada para Modelos
de Simulacin
Adaptado del Captulo 5 de

Averill Law, Simulation: Modeling
and Analysis MacGraw Hill, 2007
Francisco J. Ramis, Ph.D.
Principios Generales:
1. La importancia de usar la distribucin
correcta
2. Las fuentes de aleatoriedad en sistemas a
simular
3. Los mtodos para representar la
aleatoriedad de los datos del sistema
4. Ajustando una distribucin terica a
los datos
5. Seleccionando una distribucin en
ausencia de datos

1. La importancia de usar la distribucin

correcta
Ejemplo 1: Reemplazando una distribucin por su media
servidor
Media de tiempo entre llegada = 1 minuto
trabajo en proceso media de tiempo de servicio = 0.99

minuto
Trabajos en cola
Caso 1 tiempos entre llegadas exponenciales

y tiempos de servicios (M/M/1 cola,
asume el sistema actual)
Nmero promedio a largo plazo en la cola 98
Caso 2 -- constante entre llegadas y tiempos de
servicio
Nmero promedio en cola = 0
Conclusin:Uno tambin debe capturar

la variabilidad en los procesos de entrada.

Ejemplo 2: Usando la distribucin incorrecta

Un sistema (M/M/1), cola y un servidor con
tiempos entre llegadas y de servicio
exponenciales
Distribuciones Weibull, exponencial, normal, y
lognormal fueron ajustadas a 200 observaciones
de los tiempos de servicio (ver histograma en
Figura 1).
Histogram
0.20
Proportion
0.15
0.10
0.05
0.00
0.10
0.50
0.90
1.30
1.70
2.10
2.50
2.90
Interval Midpoint
15 intervals of width 0.2 between 0 and 3
Figura 1. Histograma de los datos de tiempos de servicio.

Puede mostrarse que la distribucin Weibull resulta

ser el mejor ajuste para los datos [ver Figura 2
debajo y Seccin 6.7 en Law (2007)].
Density/Histogram Overplot
0.25
Density/Proportion
0.20
0.15
0.10
0.05
0.00
0.10
0.50
0.90
1.30
1.70
2.10
2.50
2.90
Interval Midpoint
1 - Weibull
2 - Lognormal
3 - Exponential
Figura 2. Histograma de densidad para datos de tiempos de servicio.
Resultados de simulacin basados en

100,000 tiempos de servicio:
Distribucin Promedio de
de tiempo
servicios
de Servicio
Porcentaje
de error
Weibull*
4.36
Exponencial
6.71
53.9
normal
6.04
38.5
lognormal
7.19
64.9
*Mejor ajuste

2. Fuentes de aleatoriedad en
sistemas simulados
Los sistemas Industriales:
Los tiempos de Proceso, tiempos entre
fallas de las mquinas, tiempos de
reparacin de las mquinas, tiempos no
disponibles, tiempos sin alimentacin.
Las redes de comunicaciones:
Tiempos entre llegada de mensajes,
longitudes del mensaje, tipos de mensajes.
Sistemas relacionados con la defensa:

El resultado de un compromiso, las
distancias erradas, tiempos de
reparacin para un motor de avin
Sistemas de transportes:
Tiempos entre llegadas de
consumidores, tiempos de carga para
un buque petrolero

Sistemas de servicio:
Tiempos de servicio en un banco, tiempos
para procesar papeles en una compaa
de seguros
Sistemas de Salud
Tiempo entre llegadas a servicio, tiempos
de servicio de los pacientes, tiempos de
toma de exmenes, tiempos de realizacin
de exmenes de laboratorio
Histogram
Proportion
0.15
0.10
0.05
0.00
1.2
10.8
20.4
30.0
39.6
49.2
58.8
68.4
Interval Midpoint
31 intervals of width 2.4 between 0 and 74.4
Figura 3. Histograma de 890 tiempos de proceso para General

Motors.
Weibull es el mejor ajuste

Histogram
0.35
0.30
Proportion
0.25
0.20
0.15
0.10
0.05
0.00
2.50
22.50
42.50
62.50
82.50
102.50
122.50
Interval Midpoint
25 intervals of width 5 between 0 and 125
Figura 4. Histograma de 1606 tiempos de fracasos para

Kimberly- Clark.
Se us distribucin emprica
Histogram
0.25
Proportion
0.20
0.15
0.10
0.05
0.00
12.50
87.50
162.50
237.50
312.50
387.50
Interval Midpoint
17 intervals of width 25 between 0 and 425
Figura 5. Histograma de 88 tiempos de reparacin para Reynolds Metals.

El mejor ajuste es Pearson
Tipo 6

Histogram
Proportion
0.15
0.10
0.05
0.00
50.3
52.3
54.3
56.3
58.3
60.3
62.3
64.3
66.3
68.3
Interval Midpoint
Figura 6. Histograma de 1000 rollos de papeles en yardas para

Kimberly-Clark.
Weibull es el mejor ajuste
Histogram
0.30
Proportion
0.25
0.20
0.15
0.10
0.05
0.00
0.05
0.35
0.65
0.95
1.25
1.55
1.85
2.15
Interval Midpoint
22 intervals of width 0.1 between 0 and 2.2
Figura 7. Histograma de 856 tiempos de cargas de barcos.

log-logistic es el mejor ajuste

Figura 8. Histograma de 219 tiempos entre llegadas de

automviles a un banco.
El exponencial es el mejor ajuste
Figura 9. Histograma de 255 longitudes de estada en una clnica medica.

lognormal es el mejor ajuste

3. Los mtodos para representar

la aleatoriedad para los datos del
sistema
Observados las muestras IID del sistema x1, x2,
..., xn . Desde una distribucin continua.
(distribuciones discretas son tratadas en
Law 2007)
1. Ajustar una distribucin terica conocida
2. Generar desde una distribucin emprica
1. Generar valores aleatorios desde una

distribucin terica y estndar (e.j.,
exponencial) ajustada" a x1, x2, , xn .
Desventajas:
Uno no siempre puede encontrar una distribucin que
proporcione una buena representacin.
Posibles razones:
+ Los datos son de dos o ms poblaciones
heterogneas
+ Los datos han sido redondeados
Para algunas distribuciones (Ej., lognormal),
arbitrariamente pueden generarse grandes valores, los
cuales pueden no ser realistas
10

2. Genere valores aleatorios desde

una
funcin de distribucin emprica F(x)

calculada desde X1, X2, ..., Xn .
Desventajas:
No puede generar valores fuera del rango
de los datos observados
La distribucin emprica puede tener
"irregularidades
Requiere valores de 2n para ser ingresado y
almacenado en un computador
Ejemplo: Generando un valor aleatorio

desde una distribucin emprica.
Datos: x1, x2, ..., xn
Estadstico de orden: x(1), x(2), ..., x(n) (datos en orden
ascendente)
U ~ U(0,1 ) variable aleatoria
Mtodo de transformacin inversa
n = 6:
F(x)
1.0
U 0.8
0.6
0.4
0.2
0.0
X(1)
X(2)
x
X(3)
X(4)
X(5)
X(6)
X
Figura 10. Funcin de distribucin emprica
11

Recomendacin: Use una distribucin

terica estndar si puede encontrar la
adecuada. De lo contrario, use una
distribucin emprica.
Tipo y cantidad de datos para reunir:

Si es posible, reunir al menos 100
observaciones en la variable aleatoria de
inters.
Para una variable aleatoria continua, los
valores de los datos deben tener suficiente
resolucin de modo que la muestra tenga
un gran nmero de valores distintos.
Usted deber entender el proceso que
gener los datos, en lugar de tratar las
Observaciones como simples nmeros
abstractos.
12

Mtodos para la obtencin de datos:

Consulta a expertos
Uso de hojas de recoleccin
Capturadores electrnicos
Filmacin
Captura desde base de datos
Observacin directa
(cronmetros, palms,.)
4. Ajustando una distribucin terica a

los datos
Parmetros para distribuciones continuas:
1) Localizacin , 2) Escala y 3) Forma
1) Localizacin (o shift)
A medida que cambia, la densidad vara de
izquierda a derecha. Si la distribucin de la
variable aleatoria X tiene un parmetro de
localizacin de 0, entonces la distribucin de la
variable aleatoria Y = X + tiene un parmetro de
ubicacin de .
13

2) Escala
Un cambio en comprime o expande la
densidad. Si la distribucin de X tiene
un parmetro de escala de 1, entonces
la distribucin de Y = X tiene un
parmetro de escala de .
3) Forma
Un cambio en fundamentalmente
altera las propiedades de distribucin
(Ej., la asimetra).
Permita que X sea una variable aleatoria

Exponencial, Gamma, Weibull, Pearson
Tipo V, Pearson Tipo VI, o Log-Logstica,
cuyo parmetro de localizacin
normalmente es 0. Luego Y = X + tiene
un parmetro de ubicacin de . Una
estimacin para se discutir en las
pginas 376-377 de Law & Kelton.
14

Exponencial - expo()
f(x)
expo(1) funcin de densidad
Gamma - gamma(, )
f(x)
= 1/2
=1
=2
=3
gamma(, 1) funciones de densidad
15

Weibull - Weibull(, )
f(x)
=3
=2
=1
= 1/2
Weibull(, 1) funciones de densidad
f(x)
=5
=4
Weibull(, 1) funciones de densidad
16

Normal - N(, 2)
f(x)
N(0, 1) funcin de densidad
Lognormal - LN(, 2)
f(x)
= 3/2
= 1/2
=1
LN(0, 2) funciones de densidad
17

Tipo Pearson V - PT5(, )

f(x)
=4
=2
=1
= 1/2
PT5(, 1) funciones de densidad
Tipo Pearson VI - PT6(1, 2, )

f(x)
1 = 1
2 = 4
2 = 2
2 = 1
x
PT6(1, 2, 1) funciones de densidad
18

f(x)
2 = 4
1 = 2
2 = 2
2 = 1
PT6(1, 2, 1) funciones de densidad
Log-logistic - LL(, )
f(x)
=3
=2
=1
= 1/2
LL(, 1) funciones de densidad
19

Beta - beta(1,2, a, b)
f(x)
2.5
2.0
1.5
1 = 5
2 = 1 .5
1 = 5
2 = 5
1 = 1.5
2 = 5
1.0
0.5
0.0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
beta(1, 2, 0, 1) funciones de densidad
f(x)
5.0
4.5
4.0
3.5
1 = 1
2 = 5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
0.0
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
beta(1, 2, 0, 1) funcin de densidad
20

Johnson SB - JSB(1,2, a, b)
f(x)
4.0
3.5
3.0
2.0
1 = -2
2 = 2
1 = 0
2 = 2
1 = 2
2 = 2
2.5
1.5
1.0
0.5
0.0
0.0
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
JSB(1, 2, 0, 1) funciones de densidad
Escoger la distribucin terica que

mejor represente un conjunto de datos
es una tarea difcil, consumidora de
tiempo, y propensa a cometer errores.
Por lo tanto, se recomienda el uso de
un paquete de software.
21

Enfoque recomendado para elegir una

distribucin terica :
Paso 0:
Use un histograma y un resumen de
estadsticas para determinar las
caractersticas de la distribucin implcita.
Histograma:
Estimacin grfica de la funcin de
densidad
Use la amplitud de intervalo ms
pequea que proporcione un histograma
razonablemente uniforme
Resumen de estadsticas:
Media
Medida de tendencia central
Mediana x0.5
Medida de tendencia central
Coeficiente de variacin,
cv = /
Asimetra,
Medida de variabilidad
3
= E[(X - ) ]/( ) 2 ]
3
Medida de simetra
Importante:
Estudiar posible correlacin de las observaciones.
22

Forma de
distribucin
Simtrica
Inclinado a la
derecha
Inclinado a la
izquierda
Relaciones
= x0.5, = 0
> x0.5, > 0
< x0.5, < 0
cv = 1 para una distribucin exponencial
Conceptos Estadsticos Bsicos
Media del sistema y estimador

Varianza del sistema y estimador
Varianza de la media muestral y estimador
Propiedades de los estimadores
Teorema del lmite central
Error tipo I y tipo II
Test de hiptesis
Intervalos de confianza (I.C.)
Correcta interpretacin de (I.C.)
Ley fuerte de grandes nmeros
23

Suponga que X1, X2 Xn son variables

aleatorias IID con media y varianza
y 2 . Entonces los estimadores

insesgados y 2 son.
n
X (n ) =
Xi
(1)
i =1
n
n
S 2 (n) =
2
[ X i X (n)]
i =1
(2)
n 1
47
El intervalo de confianza (aproximado)

de 100(1 ) %, para
donde
(0 < < 1)
MEDIA-LONGITUD
es
X (n) t n 1,1 / 2 S 2 (n) / n
(3)
Los Xis resultantes de una corrida de simulacin no

son IID y, as, (1), (2), y (3) no pueden ser
directamente aplicado.
48
24

Paso 1:
Uso de resultados desde el paso 0 para
seleccionar un conjunto de distribuciones
razonables.
Ajuste cada una de estas distribuciones a
los datos X1, X2, ..., Xn usando el mtodo de
mxima probabilidad (pp. 343-347).
Para una distribucin particular, el mtodo
procede eligiendo aquellos valores para los
parmetros que maximizan la probabilidad de
haber obtenido los datos observados.
Descripcin tcnica :
Defina la funcin de probabilidad L( )
como sigue:
L( ) = f (X 1 ) f (X 2 ) f (X n )
y la funcin de probabilidad-log por
l ( ) = ln [L( )]
Note que maximizar l ( ) es equivalente
a maximizar L( ) , ya que l ( ) es una
funcin montona en .
25

Luego el mximo estimador probable

(MEP) de , denotado por , se obtiene
sacando la derivada de l ( ) , dejndolo
igual a 0, y resolviendo esta ecuacin
para .
Para asegurarse que es el mximo,
en lugar que un mnimo o un punto de
inflexin, necesitamos asegurarnos
que la segunda derivada de l ( )
evaluada en es negativa.
Ejemplo 4: MEP para una distribucin exponencial
f (x ) = (1/ )e - x/ for x > 0

As,
L( ) = (1 / n )e
(1/ )
Xi
i =1
l ( ) = -n ln (1 / )X i
Tomando la Derivada de I(), Se tiene
dl / d = n / + X i / 2
Ajustando dl / d = 0 , se obtiene
= X (n )
26

La segunda derivada de l() es

d
l / d
= n /
(2 /
) X
La cual es negativa cuando = (n).Por lo

tanto, el MLE de (la media del
exponencial) es = (n), la media de
muestra
Paso 2:
Determinar cual de las distribuciones
fijadas (si hay alguna) mejor representa
los datos observados usando uno o
ms test heursticos apropiados (e.j., la
prueba estadstica para la prueba de
Kolmogorov-Smirnov).
Comentario:
La prueba estadsticas deben ser
corregidas.
27

Paso 3:
Determinar la calidad de la mejor
distribucin(es) usando
comparaciones grficas y tests de
bondad de ajuste
Comparaciones Grficas :
Densidad / histograma
Trace la funcin de densidad f (x ) de la
distribucin fijada sobre el histograma.
Trace la funcin de distribucin

Trace la funcin de distribucin de
la distribucin fijada y la muestra de F (x )
funcin de distribucin Fn(x)
en el mismo grfico, donde
Fn(x) = (nmero de Xis x) / n
(ver Figura 11 para una ilustracin).
Trace las diferencias de funcin de
distribucin
Trace F (x )-Fn (x ) para todos los valores de x
en la muestra se desea una lnea a la altura
de 0.
28

Tests de bondad de ajuste :

La meta es probar formalmente las
siguientes hiptesis nulas:
H0: Las Xi son una muestra
independiente de la distribucin fijadaF (x )
Prueba de Chi-cuadrado
Divida el rango de F (x ) en intervalos k :
[a0, a1), ... , [aj-1, aj), , [ak-1, ak)
Fije Nj = nmeros de Xi en el intervalo j

Ej = nmero esperado de Xi en el
intervalo j si F (x ) estuviesen correctos
=n
Entonces las estadsticas de chi-cuadrado
son dadas por
2
(2 0)
Claramente, 2 ser pequeasi F (x ) es

un buen ajuste.
29

Rechazamos H0 al nivel (ej., 0.1) si

2
2 > k - 1, 1 -
donde 2k - 1, 1 - es el (1 - ) - cuantil
para una distribucin chi-cuadrado con
k - 1 g.l. (p. 709).
f(x)
Densidad de Chi-cuadrado con k - 1 df
Area achurada =
k21,1
No hay rechazo
Rechazo
Figura 12. La disposicin para la prueba de chi-cuadrado .
30

Recomendaciones para elegir los

intervalos k :
Use intervalos equidistantes en
lugar de intervalos de igual amplitud.
k 3 y Ej 5 para todo j
Pruebas de Kolmogorov-Smirnov (K-S)

Dn = distancia mxima vertical entre F (x ) y
Fn(x) para todo x
No hay intervalo de especificacin
Ms poderoso que la prueba de chi-cuadrado
Slo aplicable a distribuciones
exponenciales, normales, log normales,
Weibull, log-logsticas, y uniformes
Cada distribucin tiene sus propios valores
Crticos
A menudo mal utilizado en paquetes de
software de simulacin y libros
31

F4 (x )
1.0
0.5
0
x (1) x (2)
x (3)
x (4)
Figura 11. Muestra de la funcin de distribucin para n = 4.
Dr. Jos A. Seplveda, P.E.
Input Data Analysis, 26
Kolmogorov-Smirnov Test
Sea X1, X2, , Xn (datos ordenados de menor a mayor valor), el

estadstico, Dn , se calcula de la siguinete manera:
donde:
si
> d
+
n
= m ax { D
+
n
, D
_
n
i
= m ax
F$ ( X
1 i n n
= m a x F$ ( X
1 i n
n , 1
(i )
(i )
i 1
, la distribucin docimada es rechazada.
32

Pruebas de Anderson-Darling (A-D)

Diseadas para detectar discrepancias
en las colas de una distribucin
Ms poderoso que la prueba K-S
Tambin aplicable a las distribuciones
Gamma y Tipo Pearson V
Cada distribucin tiene sus propios
valores crticos
A menudo mal utilizados en paquetes de
software de simulacin
Limitaciones de tests de bondad de

ajuste :
La hiptesis nula es a menudo falsa
El poder de las pruebas es bajo para
los tamaos pequeos o moderados de
las muestras
El poder de las pruebas se acerca a 1 a
medida que el tamao de las muestras
aumenta, causando que la hiptesis nula
sea rechazada
Intervalos de especificacin son
crticos para pruebas de chi-cuadrado
33

5. Eligiendo una distribucin en la

ausencia de datos
Asuma que la variable aleatoria X es
continua y asigne un tiempo para la
tarea. Consulte con un experto en la
materia para las siguientes estimaciones
subjetivas:
a = tiempo mnimo de tarea
b = tiempo mximo de tarea
m = tiempo probable de tarea (modo)
Luego represente X por una funcin de

densidad triangular en el intervalo [a, b]:
f(x)
area = 1
h
a
Figura 13. Funcin de densidad triangular en el intervalo [a, b].
34

Ejemplo 5: Peligro de no recopilar los

datos y usar cuidadosamente una
distribucin triangular (pp. 386-389).
Sistema de colas de servidor individual:
Tiempos entre llegadas exponenciales con
media 1
Tiempos de servicios Lognormal con media
0.9 y varianza 1.39
Suponga que la distribucin de tiempos de
servicio es desconocida y aproximada por
cada una de las siguientes distribuciones
triangulares :
Distribucin triangular 1: a = 0, m = 0.20,

y b = 1.97 (90 percentil de lognormal)
Distribucin triangular 2: a = 0, m = 0.20,
y = 0.90, resulta en b = 2.50
[ = (a + m + b) / 3 para una distribucin
triangular]
35

Density Function Plot

1.00
f(x)
0.75
0.50
0.25
0.00
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
X-Value
1 - Lognormal
2 - Triangular
Figura 14. Lognormal y triangular 1 distribuciones.

1.00
f(x)
0.75
0.50
0.25
0.00
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
X-Value
1 - Lognormal
2 - Triangular
Figura 15. Lognormal y triangular 2 distribuciones.
36

Comparacin de los tres sistemas de

colas:
Distribucin Promedio a
de tiempos largo plazo
de Servicio de tamao
de cola
Lognormal
11.02
Triangular 1
Triangular 2
1.30
5.66
Porcentaje
de error
--88.2
48.7
Problema 1: Pueden a y b ser

usadas para definir una distribucin
triangular?
Conclusin: Es indispensable recolectar

los datos en las variables del sistema
importantes y elegir cuidadosamente
las distribuciones correspondientes.
37

Lectura recomendada
Secciones 6.1, 6.2, 6.4 hacia 6.7, 6.11
en Law & Kelton
Law, A. M. :
Modelo y Anlisis de Simulacin,
Tercera Edicin, McGraw-Hill, New
York (2007).
38


0.80
0.70
f(x)
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
2.50
X-Value
1 - Weibull
Clic aqu para regresar.

1.00
f(x)
0.75
0.50
0.25
0.00
0.0
1.0
2.0
3.0
4.0
5.0
6.0
X-Value
2 - Exponential
39


0.80
0.70
0.60
f(x)
0.50
0.40
0.30
0.20
0.10
0.00
-0.50
0.00
0.50
1.00
1.50
2.00
X-Value
3 - Normal

1.00
0.90
0.80
0.70
f(x)
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
X-Value
4 - Lognormal
40

Clase 3 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 3 PDF

Cargado por

Copyright:

Formatos disponibles

Simulation Modeling for System

Design and Analysis: Fundamental

Seleccionando las Distribuciones de

Adaptado del Captulo 5 de

Simulation Modeling for System

1. La importancia de usar la distribucin

Media de tiempo entre llegada = 1 minuto

trabajo en proceso media de tiempo de servicio = 0.99

Caso 1 tiempos entre llegadas exponenciales

Conclusin:Uno tambin debe capturar

Simulation Modeling for System

Ejemplo 2: Usando la distribucin incorrecta

Figura 1. Histograma de los datos de tiempos de servicio.

Simulation Modeling for System

Puede mostrarse que la distribucin Weibull resulta

Figura 2. Histograma de densidad para datos de tiempos de servicio.

Resultados de simulacin basados en

Simulation Modeling for System

Sistemas relacionados con la defensa:

Simulation Modeling for System

Figura 3. Histograma de 890 tiempos de proceso para General

Simulation Modeling for System

Figura 4. Histograma de 1606 tiempos de fracasos para

Figura 5. Histograma de 88 tiempos de reparacin para Reynolds Metals.

Simulation Modeling for System

Figura 6. Histograma de 1000 rollos de papeles en yardas para

Figura 7. Histograma de 856 tiempos de cargas de barcos.

Simulation Modeling for System

Figura 8. Histograma de 219 tiempos entre llegadas de

Figura 9. Histograma de 255 longitudes de estada en una clnica medica.

Simulation Modeling for System

3. Los mtodos para representar

1. Generar valores aleatorios desde una

Simulation Modeling for System

2. Genere valores aleatorios desde

funcin de distribucin emprica F(x)

Ejemplo: Generando un valor aleatorio

Simulation Modeling for System

Recomendacin: Use una distribucin

Tipo y cantidad de datos para reunir:

Simulation Modeling for System

Mtodos para la obtencin de datos:

4. Ajustando una distribucin terica a

Simulation Modeling for System

Permita que X sea una variable aleatoria

Simulation Modeling for System

expo(1) funcin de densidad

gamma(, 1) funciones de densidad

Simulation Modeling for System

Weibull(, 1) funciones de densidad

Weibull(, 1) funciones de densidad

Simulation Modeling for System

N(0, 1) funcin de densidad

LN(0, 2) funciones de densidad

Simulation Modeling for System

Tipo Pearson V - PT5(, )

PT5(, 1) funciones de densidad

Tipo Pearson VI - PT6(1, 2, )

PT6(1, 2, 1) funciones de densidad

Simulation Modeling for System

PT6(1, 2, 1) funciones de densidad

LL(, 1) funciones de densidad

Simulation Modeling for System