Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cartilla Semana 2 PDF
Cartilla Semana 2 PDF
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:
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:
[ SIMULACIÓN ] 3
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]
! !
! 1
! ! = ! ∙ !" = ! ! !"
! 2 2 !
! !
1 !
! ! = ∙
2 3 !
8
! ! =
6
[ 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
!"# ! = ! ! (! − !)! !"
!(!)
6
[ POLITÉCNICO GANCOLOMBIANO]
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]
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.
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]
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
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]
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]