Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cartilla Semana 2 PDF
Cartilla Semana 2 PDF
1. ndice
1. Introduccin
2. Valor
esperado
de
una
variable
aleatoria
2.1. Variables
discretas
2.2. Variables
continuas
3. Medidas
de
dispersin
3.1. Variables
discretas
3.2. Variables
continuas
4. Distribuciones
de
probabilidad
discreta
5. Procesos
de
Poisson
Distribuciones
de
probabilidad
continua
2. Introduccin
El
propsito
del
presente
documento
es
presentar
a
los
estudiantes
los
conceptos
bsicos
de
estadstica
necesarios
para
desarrollar
una
simulacin
de
eventos
discretos.
La
estadstica
ser
una
herramienta
esencial
para
el
soporte
de
la
construccin
del
modelo,
tanto
al
inicio
como
al
final
del
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,
tanto
continuas
y
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
eventos
discretos,
as
como,
las
principales
funciones
de
probabilidad
discretas
y
continuas
aplicadas
en
la
construccin
de
este
tipo
de
modelos.
Al
finalizar
la
primera
semana
de
aprendizaje:
2
[ POLITCNICO GANCOLOMBIANO]
A
continuacin,
se
vern
los
conceptos
bsicos
relacionados
con
los
modelos
estadsticos
que
sirven
de
soporte
para
un
estudio
en
simulacin
de
eventos
discretos.
Los
conceptos
que
se
trabajarn
en
este
apartado
son
los
relacionados
con
materias
de
estadstica
y
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
de
simulacin.
Dentro
del
contenido
desarrollado
en
la
cartilla,
el
estudiante
podr
encontrar
informacin
y
ejemplos
especficos
relacionados
con
los
siguientes
temas:
[ SIMULACIN ] 3
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
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:
4
[ POLITCNICO GANCOLOMBIANO]
! !
! 1
! ! = ! !" = ! ! !"
! 2 2 !
! !
1 !
! ! =
2 3 !
8
! ! =
6
3. Medidas de dispersin
[ SIMULACIN ] 5
!"# ! = !(! ! ! )! = !!!
!! = !"# !
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
!"# ! = ! ! (! !)! !"
!(!)
6
[ POLITCNICO GANCOLOMBIANO]
Figura
1.
Time
between
event.
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:
N !
g X = p (1 p)!!! = P(X = k)
k
Su
media
y
varianza,
estn
dadas
respectivamente
por:
[ SIMULACIN ] 7
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
esperaran
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
dentro
de
la
simulacin
que
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.
8
[ POLITCNICO GANCOLOMBIANO]
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
hay
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
!"
! ! = !(!! = !; !; )
!
Tomando
el
lmite
de
esta
expresin
cuando
N
tiende
a
infinito,
se
obtiene:
[ SIMULACIN ] 9
!" ! !!"
! ! ! = ! = !! ! , !; !, ! = ! , ! = 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
tiempo
entre
eventos
es
independiente
e
idnticamente,
distribuido
como
una
variable
aleatoria
exponencial
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 GANCOLOMBIANO]
Figura
2.
Distribucin
exponencial.
Fuente:
Statit
Solutions
Group
Ejemplo
Suponga
que
la
vida
til
de
una
lmpara
industrial,
en
miles
de
horas,
se
distribuye
exponencialmente
con
tasa
de
falla
=1/3
(una
falla
cada
3000
horas,
en
promedio).
La
probabilidad
de
que
la
lmpara
dure
ms
de
esta
vida
til
est
dada
por
! ! > 3 = 1 ! ! 3
[ SIMULACIN ] 11
La
funcin
de
distribucin
acumulada
est
dada
por
0 ! < !
!!!
F(X)
=
!!! ! ! < !
1 ! !
Su
media
y
varianza,
estn
dadas
respectivamente
por
!+!
! ! =
2
(! !)!
!"# ! =
12
La
distribucin
uniforme
juega
un
papel
importante
en
simulacin.
Los
nmeros
aleatorios,
distribuidos
uniformemente
entre
0
y
1,
proveen
los
medios
bsicos
para
generar
eventos
aleatorios.
Estos
nmeros
aleatorios
se
usan
para
generar
muestras
de
variables
aleatorias
de
otras
distribuciones
de
probabilidad.
12
[ POLITCNICO GANCOLOMBIANO]
Se
puede
demostrar,
en
efecto,
que
si
se
realizan
N
experimentos
independientes
de
Bernoulli
de
parmetro
p,
para
un
valor
de
N
suficientemente
grande,
se
obtiene:
La
aproximacin
anterior
dio
lugar
a
la
definicin
de
una
VA
continua
conocida
como
la
distribucin
Normal
de
parmetros
y
,
cuya
funcin
de
probabilidad
est
dada
por
Esta
expresin
no
se
puede
evaluar
mediante
mtodos
numricos
tradicionales;
de
hecho
estos
mtodos
se
podran
aplicar
pero
la
integral
debera
evaluarse
para
cada
par
(,
).
Sin
embargo,
una
transformacin
de
variables,
z
=
(x-
)/
,
permite
la
evaluacin
de
esa
integral,
independiente
de
dichos
valores.
Si
!~! !, ! , !"# ! = (! !)/!,
para
obtener:
x
F ( x) = P( X x ) = P Z
( x ) / 1 z2 / 2 z 1 t 2 / 2
= e dz donde ( z ) = e dt
2
2
( x ) /
= ( z )dz = ( x )
La
funcin
(z)
es
la
funcin
de
distribucin
de
probabilidad
de
una
VA
normal
con
media
cero
y
varianza
1.
A
esta
distribucin
se
le
conoce
como
la
distribucin
normal
estndar,
y
ha
sido
tabulada
en
distintos
formatos
para
una
mejor
comprensin
y
resolucin
de
situaciones
que
involucren
VA
normales.
[ SIMULACIN ] 13
Dentro
de
los
recursos
adicionales
encontrar
la
tabla
donde
se
resumen
los
valores
que
toma
la
distribucin
normal
estndar.
Ejemplo
El
tiempo
requerido
en
horas
para
cargar
un
container
se
distribuye
normalmente
con
media
=
12
y
varianza
=
4.
La
probabilidad
de
que
el
container
se
cargue
en
menos
de
10
horas,
estara
dada
por
10 12
F (10) = = (1) = 0.1587
2
14
[ POLITCNICO GANCOLOMBIANO]