Resumen de “Modelos estadísticos de simulación”

Una característica fundamental que permite clasificar los métodos de simulación en deterministas
o estocásticos es el uso o no de variables aleatorias para formalizar la evolución del sistema que se
representa.

Definiciones importantes para la construcción y análisis de un modelo de un proceso aleatorio:

 Experimento: proceso cuyo resultado no se conoce con certeza.

 Espacio de muestreo: Conjunto de posibles resultados de un experimento.
 Punto de muestreo: Un resultado posible del experimento.
 Variable aleatoria: Es una variable aleatoria si puede tener asignado cualquier valor (no
previsible) en un rango infinito (variable aleatoria continua) o finito (variable aleatoria
discreta) de posibles valores. Asigna un número a cada posible resultado del experimento.
Aunque la secuencia de valores que serán asignados a una variable aleatoria no puede ser
prevista, sí que es posible conocer el rango de valores en los que se puede variar, así como
la probabilidad de tener asignado un cierto valor.
 Proceso estocástico: Proceso que evoluciona en el tiempo y/o espacio y, que involucra una
variable aleatoria, de tal modo que el comportamiento del proceso no puede preverse con
exactitud.
 Distribución de probabilidad: Permite relacionar un conjunto de valores o medidas con su
frecuencia relativa de aparición.
 Función de desn9idad de probabilidad f(X): Describe la probabilidad que una variable
aleatoria X asuma un cierto valor xi:
F (xi) = P(X=xi)
 Función de distribución acumulativa: Describe la probabilidad de que una variable
aleatoria X suma un valor más pequeño o igual que un cierto valor de xi:
F(x)= P (X ≤ xi)
 Estimación de la media: Dado un conjunto de variables aleatoria X1, X2,…, Xn, la media de
la muestra es
∑𝑛𝑖=1 𝑋𝑖
𝑋̅(𝑛) =
𝑛
 Estimación de la varianza: Dado un conjunto de variables aleatorias X1, X2,…, Xn, la
variancia de la muestra es:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅(𝑛))2
𝑆 2 (𝑛) =
𝑛−1
Las variables de un sistemas físico que lo se pueden prever con exactitud se modelarán como
procesos estocásticos, es decir, definiendo el rango de valores que puede asumir la variable
aleatoria asociada al proceso estocástico, así como la posibilidad de asumir cada uno de los valores
posibles.

Desarrollo de un modelo estocástico: Toma y análisis e los datos --> Ajuste de una función de
distribución Validación del ajuste.
Adquisición y análisis de datos

En el modelado de un componente aleatorio de un sistema, tan sólo deben registrarse los datos
referentes al proceso estocástico, sin considerar ni las causas de la actividad aleatoria, ni sus
consecuencias.

Existen dos técnicas para evaluar la independencia de los valores: las gráficas de auto correlación y
los diagramas de dispersión.

Las gráficas de autocorrelación se emplean normalmente para evaluar la independencia

(aleatoriedad) de una muestra. La independencia se determina calculando los valores de
autocorrelación para diferentes valores de retardo. . La autocorrelación del retardo k es la
correlación entre muestras separadas por k valores. Por ejemplo, la autocorrelación de retardo 1
se aplica a todos los pares de valores Xi consecutivos (X1, X2), (X2, X3), (X3, X4),… y así
sucesivamente. Para una muestra de tamaño n, la autocorrelación de retardo se calcula
empleando n-k pares de muestras. Por tanto, es necesario que n sea mayor que k.

Las correlaciones determinadas con pequeñas muestras son poco fiables debido a la variabilidad
inherente a la propia estimación. Los valores obtenidos para retardos entre k=1 y k=10 son los que
aportan mayor información sobre la independencia de la muestra, mientras que retardos
superiores a k=20 no aportan ninguna información. Para muestras independientes se espera que
los valores obtenidos estén centrados en el cero y sean de pequeña magnitud. Para muestras
dependientes, y por tanto no aleatorias, los valores de autocorrelación serán significativamente
diferentes de cero (los valores de autocorrelación límite con -1 y 1).

En procesos no estacionarios, los parámetros de la distribución de probabilidad son función del

tiempo y, por lo tanto, los valores de la muestra no están idénticamente distribuidos.