SIMULACIÓN

 
 
Modelos estadísticos en simulación
 

 
 
 
 

   
 
 

 
 
 
 

 
 
 

 
 
 
 

 
 
 
   
  

• MODELOS  ESTADÍSTICOS  EN  SIMULACIÓN  

 

1. Índice  
1. Introducción  
2. Valor  esperado  de  una  variable  aleatoria  
2.1. Variables  discretas  
2.2. Variables  continuas  
3. Medidas  de  dispersión  
3.1. Variables  discretas  
3.2. Variables  continuas  
4. Distribuciones  de  probabilidad  discreta  
5. Procesos  de  Poisson  
Distribuciones  de  probabilidad  continua  
 

2. Introducción  
El  propósito  del  presente  documento  es  presentar  a  los  estudiantes  los  conceptos  básicos  de  
estadística   necesarios   para   desarrollar   una   simulación   de   eventos   discretos.   La   estadística  
será  una  herramienta  esencial  para  el  soporte  de  la  construcción  del  modelo,  tanto  al  inicio  
como  al  final  del  análisis  de  resultados.    
 
Por  otra  parte,  teniendo  en  cuenta  que  el  objetivo  general  del  módulo  es  que  los  estudiantes  
desarrollen  las  capacidades  necesarias  para  llevar  a  cabo  un  estudio  completo  de  simulación,  
en   esta   unidad,   se   hará   un   repaso   de   las   principales   funciones   de   probabilidad,   tanto  
continuas  y  discretas,  que  se  emplean  frecuentemente  en  la  construcción  de  estos  tipos  de  
modelo.  

Finalmente,  se  presentará  al  estudiante  una  serie  de  ejercicios  relacionados,  para  reforzar  los  
conocimientos  adquiridos  en  el  desarrollo  del  módulo.  
 
3. Objetivo  general  
Al   finalizar   el   módulo,   los   estudiantes   sabrán   cuáles   son   los   conceptos   básicos   de   estadística  
relacionados   con   la   simulación   de   eventos   discretos,   así   como,   las   principales   funciones   de  
probabilidad  discretas  y  continuas  aplicadas  en  la  construcción  de  este  tipo  de  modelos.  
Al  finalizar  la  primera  semana  de  aprendizaje:  

1. El   estudiante   identificará   los   conceptos   fundamentales   de   los   modelos   estadísticos  

aplicados  a  la  simulación.  
2. El   estudiante   reconocerá   las   distintas   funciones   de   probabilidad   discreta   utilizadas   en  
simulación  de  eventos  discretos.  

 
2   [ POLITÉCNICO GANCOLOMBIANO]
  

El  estudiante  reconocerá  las  distintas  funciones  de  probabilidad  continuas  utilizadas  en  
simulación  de  eventos  discretos.  
 
4. Desarrollo  temático  
   
4.1  Recomendaciones  académicas  

Se  recomienda  al  estudiante  realizar  la  lectura  de  la  cartilla,  en  la  cual,  se  encuentra  toda  la  
información   relevante   que   se   evaluará   en   la   semana.   Adicional,   se   recomienda   revisar   las  
teleconferencias,  así  como  las  video  diapositivas,  pues  estas  son  un  medio  que  puede  aclarar  
las  dudas  generadas  con  la  lectura  o  también  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  harán  que  su  
formación  sea  completa  y  pueda  ser  reforzada  de  forma  práctica.  
 
4.2    Desarrollo  de  cada  una  de  las  unidades  temáticas  
 
1. Introducción  

A   continuación,   se   verán   los   conceptos   básicos   relacionados   con   los   modelos   estadísticos  
que  sirven  de  soporte  para  un  estudio  en  simulación  de  eventos  discretos.  
 
Los   conceptos   que   se   trabajarán   en   este   apartado   son   los   relacionados   con   materias   de  
estadística  y  probabilidad,  que  muy  seguramente  el  lector  ya  ha  cursado,  sin  embargo,  con  el  
objetivo   de   tener   una   metodología   completa,   se   presentarán   nuevamente   los   conceptos,  
pero  relacionados  directamente  a  la  herramienta  de  simulación.  
 
Dentro   del   contenido   desarrollado   en   la   cartilla,   el   estudiante   podrá   encontrar   información   y  
ejemplos  específicos  relacionados  con  los  siguientes  temas:  

 Valor  esperado  de  una  variable  aleatoria  

 Medidas  de  dispersión  para  una  variable  aleatoria  
 Distribuciones  de  probabilidad  discretas  
 Distribuciones  de  probabilidad  continuas  

El   objetivo   de   realizar   la   revisión   de   estos   temas   es   que   para   efectuar   un   proceso   de  

simulación,   los   datos   de   entrada   que   alimentan   el   modelo   siempre   estarán   descritos   por   una  
función   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  dispersión,  estos  serán  relevantes  para  que  el  estudiante  realice  el  análisis  de  
los  resultados  arrojados  por  el  modelo  propuesto  a  partir  de  estas  medidas  básicas.  
 

 
[ SIMULACIÓN ] 3
  

Será   el   análisis   estadístico,   entonces,   un   elemento   fundamental   que   siempre   deberá  

acompañar  cualquier  modelo  de  simulación,  ya  que  ambos  se  complementan,  así  el  primero  
dará  soporte  a  los  resultados  encontrados  por  el  segundo.  

2. Valor  esperado  de  una  variable  aleatorio  

Ejemplo  introductorio  
 
Sea  X  una  variable  aleatoria  (VA)  que  define  el  número  de  hijos  en  una  familia  colombiana.  
¿Cuál  es  el  número  esperado  de  hijos  en  una  familia  colombiana  cualquiera?  
 
Para   responder   a   esta   pregunta   se   necesita   conocer   la   distribución   de   probabilidad   de   la  
variable   aleatoria.   Suponga   que   a   partir   de   un   estudio   hecho   por   el   DANE,   se   tiene   la  
siguiente  información:  
 
Número  de  hijos   Proporción  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   ó   16,66%   de   las   familias   no  
tienen   hijos,   el   50%   ó   15/30   tienen   un   solo   hijo,   y   así   sucesivamente.   Esta   tabla   es   la  
distribución   de   probabilidad   de   la   VA   denominada   el   número   de   hijos   en   una   familia  
colombiana.  El  posible  número  de  hijos  que  puede  tener  cualquier  familia  es  el  rango  de  la  
variable,  definido  así:  
 
! ! = 0,1,2,3  
 
La  proporción  de  familias  que  tienen  su  número  respectivo  de  hijos  representan  la  función  de  
distribución  de  probabilidad  de  la  variable,  definida  así:  
 
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  así:  
 
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   [ POLITÉCNICO GANCOLOMBIANO]
  

2.1  Variable  aleatoria  discreta  

Si  X  es  una  VA  discreta  con  rango  R(X),  entonces  el  valor  esperado  se  define  como  
 
E X = X! g(X)!  
!
2.2  Variable  aleatoria  continua  
Si  X  es  una  VA  continua  con  rango  R(X),  entonces  el  valor  esperado  se  define  como  
 
 
E X = X ∗ f X dX  
!(!)
 
Ejemplo  variable  aleatoria  continua  
 
Sea  X  una  VA  continua  definida  con  la  siguiente  función  de  distribución  de  probabilidad:  
 
!
!" ! = ; 0 ≤ ! ≤ 2  
2
 

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

3. Medidas  de  dispersión  

Sea   X   una   VA   discreta   o   continua.   La   varianza   y   la   desviación   estándar   de   la   VA   se   definen  

como  

 
[ SIMULACIÓN ] 5
  

 
!"#  ! = !(! − ! ! )! =   !!!  
!! =   !"#  !  
 
De  acuerdo  con  esta  definición,  la  varianza  se  puede  calcular  a  través  de  la  expresión:  
 
3.1  Variable  aleatoria  discreta  
 
!"#  ! =   ! !! (!! − !)!  
 
3.2  Variable  aleatoria  continua  
 
 
!"#  ! =   ! ! (! − !)! !"  
!(!)
 

4. Funciones  de  distribuciones  de  probabilidad  discretas:  

A   continuación,   se   describen   las   distribuciones   de   probabilidad   discretas   más   utilizadas   en  

simulación  de  eventos  discretos.    
 
4.1  Distribución  de  Bernoulli  
Es  la  más  elemental  de  las  distribuciones  discretas.  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  sólo  dos  elementos,  es  decir   éxito, fracaso , falso, verdadero ,  etc.  
 
Si  X!  es   la   variable   asociada   al   experimento   aleatorio   de   Bernoulli,   y   está   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  función  de  probabilidad  está  dada  por:  
 
g X = p! (1 − p)!!!  
 
Su  media  y  varianza  están  dadas  respectivamente  por:  
 
E X = p  
Var  X = p(1 − p)  
 
 

 
6   [ POLITÉCNICO GANCOLOMBIANO]
  

4.2  Distribución  geométrica  

Si  se  realizan,  sucesivamente,  experimentos  independientes  de  Bernoulli  de  parámetro  p,  a  la  
variable  aleatoria  X  =  número  de  ensayos  hasta  obtener  el  primer  éxito,  se  le  conoce  como  
una  VA  con  distribución  geométrica,  cuya  función  de  distribución  de  probabilidad  está  dada  
por  
 
g X = (1 − p)!!! p = !(! = !)  
 
Su  media  y  varianza  están  dadas  por  
 
1
E X =  
p
1−p
Var  X = !  
p

 
Figura  1.  Time  between  event.  Fuente:  Statit  Solutions  Group  
 
 
4.3  Distribución  binomial  
Si   se   hacen   N   experimentos   independientes,   cuyo   resultado   en   cada   ensayo   puede   ser  
únicamente  ÉXITO  (con  probabilidad  p)  o  FRACASO  (con  probabilidad  1-­‐p),  a  la  VA  X:  número  
de  éxitos  en  los  N  ensayos,  se  le  conoce  como  la  VA  Binomial,  y  su  función  de  distribución  de  
probabilidad  se  le  conoce  como  Distribución  Binomial  de  parámetros  N,  p:  
 
N !
g X = p (1 − p)!!! = P(X = k)  
k
 
Su  media  y  varianza,  están  dadas  respectivamente  por:  

 
[ SIMULACIÓN ] 7
  

 
E X = Np  
Var  X = Npq  
Ejemplo  
 
Un  banco  sabe  que  en  su  tarjeta  de  crédito  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.  ¿Cuál  es  la  probabilidad  de  que  cuatro  exactamente  tengan  sobrecupo?  
b.  ¿Cuántos  clientes  se  esperarían  que  tengan  sobrecupo?  
c.  ¿Cuál  es  la  probabilidad  de  que  ocho  o  más  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  Distribución  binomial  negativa  
Consideremos   el   mismo   tipo   de   experimento   que   se   utilizó   en   la   definición   de   la   VA   X   con  
distribución   geométrica,   y   definamos   la   VA   Xp  como  el  número  de  ensayos  hasta  obtener  el  
r-­‐ésimo   éxito.   Se   dice   que   dicha   VA   tiene   una   distribución   de   Pascal   (también   es   llamada  
Binomial  Negativa)  de  parámetro  r,  r  ≥  1.  Es  claro  que  la  VA  así  definida  es  una  generalización  
natural  de  la  VA  geométrica  mediante  las  siguientes  expresiones:  
 
!−1 !
! ! = ! (1 − !)!!! = ! ! = !      ! ≥ !  
!−1
 
Su  media  y  varianza  están  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   simulación   que   representa   una  
transición  entre  las  variables  discretas  y  las  variables  continuas,  esto  es  el  Procesos  Poisson  
(distribución   discreta)   y   las   distribuciones   de   probabilidad   continuas   más   aplicadas   en  
simulación.  
 

 
8   [ POLITÉCNICO GANCOLOMBIANO]
  

5. Proceso  de  Poisson  

Ejemplo  introductorio  
 
En  cierta  oficina  se  quiere  analizar  un  experimento  aleatorio  que  consiste  en  observar  cómo  
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  través  de  la  recta  real  y  las  
llegadas  como  puntos  de  dicha  recta,  así:  
 

 
 
Respecto   a   dicho   proceso   (el   experimento   aleatorio),   se   puede   definir   la   VA   Xp   para   un  
intervalo  de  tiempo  de  longitud  t  como:  
Xp(t)  =  número  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  distribución,  es  decir:  
 
! !! = !; !, ! = ! ℎ!"!  !"#$%#&!'%!  !  !!"#$%$&  !"  !"  !"#$%&'()  !  
 
Se  divide  el  intervalo  de  magnitud  t  en  N  intervalos  de  magnitud  t/N,  de  tal  manera  que  t/N  
sea  tan  pequeño  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   éxitos   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  éxito  (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  está  dada  por  
!"
! ! = !(!! = !; !; )  
!
 
Tomando  el  límite  de  esta  expresión  cuando  N  tiende  a  infinito,  se  obtiene:  
 

 
[ SIMULACIÓN ] 9
  

!" ! !!"
! ! ! = ! = !! ! , !; !, ! = ! , ! = 0, 1, 2, ….  
!!
 
El  número  de  eventos  que  suceden  hasta  el  tiempo  t  se  distribuyen  de  manera  Poisson  con  
parámetro  λ.  
 
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   idénticamente,   distribuido   como   una   variable  
aleatoria  exponencial  con  media  1/λ.  Esta  propiedad  es  de  suma  importancia  para  el  modelaje  
de  procesos  en  simulación,  ya  que  buena  parte  de  los  modelos  teóricos  y  empíricos  asumen  
las  entradas  a  un  sistema  con  tiempos  exponenciales,  lo  que  quiere  decir  que  dichas  llegadas  
se  comportan  como  Procesos  de  Poisson.  
 

6. Distribuciones  de  probabilidad  continuas  

A  continuación,  se  presentarán  las  distribuciones  de  probabilidad  continuas  más  empleadas  
en  el  modelaje  de  sistemas  a  través  de  la  simulación  de  eventos  discretos,  aunque  existe  otro  
tipo   de   distribuciones   que   también   pueden   emplearse,   aquí   solo   presentaremos   las   más  
relevantes.  
 
6.1  Distribución  exponencial  
Considérese   un   Proceso   de   Poisson   de   parámetro   λ   observado   a   partir   de   un   instante   t0,   y  
defínase  la  VA  continua  XE  como  
 
XE  =  tiempo  que  transcurre  entre  el  instante  t0  y  la  próxima  llegada  del  proceso  
 
La  función  de  distribución  acumulada,  F(X)  de  la  VA  XE    estará  dada  por:  
 
!!! !; ! = ! !! ≤ ! = 1 − ! !! > !  
!!! !; ! = ! !! ≤ ! = 1 − !(ℎ!"!  0  !!"#$%$&  !"  !"  !"#$%&  !  
!" ! !!"
!!! !; ! = ! !! ≤ ! = 1 − !  
0!
!!! !; ! = ! !! ≤ ! = 1 − ! !!"  
 
Por  lo  tanto,  la  función  de  distribución  acumulada  de  la  VA  exponencial  se  expresa  como  

 
10   [ POLITÉCNICO GANCOLOMBIANO]
  

!!! !; ! = ! !! ≤ ! = 1 − ! !!"  ! > 0  

 
Se   sabe   que   la   función   de   distribución   de   probabilidad   de   una   VA   continua   se   obtiene  
calculando  la  derivada  de  la  función  de  distribución  acumulada.  Por  lo  tanto,  dicha  función,  
fXE(t;  λ)  se  expresa  com  
 
!!! !; ! = !! !!"  ! > 0  
 
Su  media  y  varianza  están  dadas  por  
1
! ! =  
!
1
!"#  ! = !  
!
 

 
Figura  2.  Distribución  exponencial.  Fuente:  Statit  Solutions  Group  
 
 
Ejemplo  
Suponga   que   la   vida   útil   de   una   lámpara   industrial,   en   miles   de   horas,   se   distribuye  
exponencialmente  con  tasa  de  falla  λ=1/3  (una  falla  cada  3000  horas,  en  promedio).    
 
La  probabilidad  de  que  la  lámpara  dure  más  de  esta  vida  útil  está  dada  por  
 
! ! > 3 = 1 − ! ! ≤ 3  
 

 
[ SIMULACIÓN ] 11
  

En   Excel,   se   busca   la   función   DISTR.EXP,   con   parámetros:   X=3;   λ=1/3;   Acumulado   =   1.   El  

resultado  de  esta  función  sería  de  0,632;  luego  la  probabilidad  de  que  la  lámpara  dure  más  
que  la  vida  útil  diseñada  es  de  1-­‐0,632  =  0,368.  
 
6.2  Distribución  uniforme  
Una   VA   X   se   distribuye,   uniformemente,   en   el   intervalo   (a,   b)   si   su   función   de   distribución   de  
probabilidad  está  dada  por  
 
1
! ! = ! − ! ,          ! ≤ ! ≤ !  
0,                                  !. !. !.
 

 
 
La  función  de  distribución  acumulada  está  dada  por  
 
0                                        ! < !    
!!!
F(X)  =   !!!                        ! ≤ ! < !  
1                                      ! ≥ !      
 
Su  media  y  varianza,  están  dadas  respectivamente  por  
 
!+!
! ! =  
2
(! − !)!
!"#  ! =  
12
 
La  distribución  uniforme  juega  un  papel  importante  en  simulación.  Los  números  aleatorios,  
distribuidos   uniformemente   entre   0   y   1,   proveen   los   medios   básicos   para   generar   eventos  
aleatorios.   Estos   números   aleatorios   se   usan   para   generar   muestras   de   variables   aleatorias  
de  otras  distribuciones  de  probabilidad.  

 
12   [ POLITÉCNICO GANCOLOMBIANO]
  

6.3  Distribución  Normal  

Considérese   la   VA   binomial   XB,   definida   por   el   lanzamiento   de   una   moneda   15   veces.   Si   se  
grafica  la  probabilidad  de  obtener  0,1,2,…,15  caras,  se  obtiene  la  siguiente  gráfica  

 
Se   puede   demostrar,   en   efecto,   que   si   se   realizan   N   experimentos   independientes   de  
Bernoulli  de  parámetro  p,  para  un  valor  de  N  suficientemente  grande,  se  obtiene:  
 

 
 
La   aproximación   anterior   dio   lugar   a   la   definición   de   una   VA   continua   conocida   como   la  
distribución  Normal  de  parámetros  µ  y  σ,  cuya  función  de  probabilidad  está  dada  por  

 
 
Esta   expresión   no   se   puede   evaluar   mediante   métodos   numéricos   tradicionales;   de   hecho  
estos  métodos  se  podrían  aplicar  pero  la  integral  debería  evaluarse  para  cada  par  (µ,  σ).  Sin  
embargo,  una  transformación  de  variables,  z  =  (x-­‐  µ)/  σ,  permite  la  evaluación  de  esa  integral,  
independiente  de  dichos  valores.  
 
Si  !~! !, ! , !"#  ! = (! − !)/!,  para  obtener:  
 
  ⎛ x − µ ⎞
  F ( x) = P( X ≤ x ) = P⎜ Z ≤ ⎟
  ⎝ σ ⎠
  ( x−µ ) / σ 1 −z2 / 2 z 1 −t 2 / 2
= e dz donde Φ( z ) = ∫ e dt
  ∫
−∞
2π
−∞
2π
 
( x−µ ) / σ
  = φ ( z )dz = Φ ( xσ− µ )
 
∫
− ∞

 
La   función   Φ(z)   es   la   función   de   distribución   de   probabilidad   de   una   VA   normal   con   media  
cero  y  varianza  1.  A  esta  distribución  se  le  conoce  como  la  distribución  normal  estándar,  y  ha  
sido   tabulada   en   distintos   formatos   para   una   mejor   comprensión   y   resolución   de   situaciones  
que  involucren  VA  normales.  

 
[ SIMULACIÓN ] 13
  

Dentro   de   los   recursos   adicionales   encontrará   la   tabla   donde   se   resumen   los   valores   que  
toma  la  distribución  normal  estándar.  
 
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,  
estaría  dada  por  
 
 

⎛ 10 − 12 ⎞
F (10) = Φ⎜ ⎟ = Φ(−1) = 0.1587
⎝ 2 ⎠

 
 
 
 
 
 
   
 
 
 
 

 
14   [ POLITÉCNICO GANCOLOMBIANO]