SIMULACIÓN

GERENCIAL
 

 
 
Modelos Estadísticos en Simulación
 
1
 
 
 
 

 
 
 

 
 
 
 

 
 
 

 
 
 
 

 
 
 
   
  

• MODELOS  ESTADÍSTICOS  EN  SIMULACIÓN  1  

 

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.  
 

2. Introducción  
El  propósito  del  presente  documento  es  presentar  a  los  estudiantes  los  conceptos  básicos  de  
estadística  necesarios  para  desarrollar  una  simulación  de  Montecarlo.  La  estadística  será  una  
herramienta   esencial   para   el   soporte   de   la   construcción   de   modelo,   tanto   al   inicio   como   al  
final  para  realizar  el  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  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   Montecarlo,   así   como   las   principales   funciones   de  
probabilidad  discretas  aplicadas  en  la  construcción  de  este  tipo  de  modelos.  
Al  finalizar  la  primera  semana  de  aprendizaje  el  estudiante:  

1. Identificar   los   conceptos   fundamentales   de   los   modelos   estadísticos   aplicados   a  

simulación  
2. Reconocer   las   distintas   funciones   de   probabilidad   discreta   utilizadas   en   simulación   de  
Montecarlo.  

 
 
 

 
2   [ POLITÉCNICO GRANCOLOMBIANO]
  

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   a   la   lectura   de   la   cartilla   se  
sugiere  al  estudiante  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  Montecarlo.  

Los  conceptos  que  se  trabajarán  en  este  apartado  están  relacionados  con  la  estadística  y  la  
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  que  se  está  presentando  como  es  la  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  se  debe  a  que  para  realizar  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   también   serán   supremamente   importantes   pues   a   partir   de  
estas  medidas  básicas  el  estudiante  deberá  realizar  el  análisis  de  los  resultados  arrojados  por  
el  modelo  propuesto.  
 
Será   el   análisis   estadístico   entonces   un   elemento   fundamental   que   siempre   deberá  
acompañar   cualquier   modelo   de   simulación   ya   que   ambos   se   complementan   y   el   primero  
dará  soporte  a  los  resultados  encontrados  por  el  segundo.  

 
[ SIMULACIÓN GERENCIAL ] 3
  

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  de  las  familias  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:  
 
2.1  Variable  aleatoria  discreta  
 
Si  X  es  una  VA  discreta  con  rango  R(X),  entonces  el  valor  esperado  se  define  como  

 
4   [ POLITÉCNICO GRANCOLOMBIANO]
  

 
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 GERENCIAL ] 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  Montecarlo  
 
4.1  Distribución  de  Bernoulli  
 
Es  la  más  elemental  de  las  distribuciones  discretas,  y  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:  
 

 
6   [ POLITÉCNICO GRANCOLOMBIANO]
  

E X = p  
Var  X = p(1 − p)  
 
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

 
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:  
 

 
[ SIMULACIÓN GERENCIAL ] 7
  

N !
g X = p (1 − p)!!! = P(X = k)  
k
 
Su  media  y  varianza,  están  dadas  respectivamente  por:  
 
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  esperaría  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   más   importantes   dentro   de   la   simulación   y   que  

 
8   [ POLITÉCNICO GRANCOLOMBIANO]
  

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.  
 

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   ha   habido   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  

 
[ SIMULACIÓN GERENCIAL ] 9
  

!"
! ! = !(!! = !; !; )  
!
 
Tomando  el  límite  de  esta  expresión  cuando  N  tiende  a  infinito,  se  obtiene:  
 
!" ! !!"
! ! ! = ! = !! ! , !; !, ! = ! , ! = 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   (Que   se   verá   en   la   siguiente   Semana)   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.  
 
 
 
 

 
 
 

 
 

 
10   [ POLITÉCNICO GRANCOLOMBIANO]