VARIABLES ALEATORIAS

SÍNTESIS Y ANALISIS DE BIOPROCESOS

ALEJANDRA VALDÉS LOZANO

UPIBI
DEFINICION

• Las variables aleatorias son aquellas

que tienen un comportamiento
probabilístico.
• Los valores de la variable aleatoria
representan los posibles valores de
una cantidad medible o contable
pero cuyo valor es incierto
POR EJEMPLO:

• Clientes que llegarán a un negocio.

• Demanda de cierto artículo.
• Pedidos vía telefónica.
• Tiempo en inventario de un
producto.
CARACTERISTICAS

• La suma de las probabilidades asociadas a

todos los valores posibles de la variable
aleatoria es 1.
• La probabilidad de que un valor aleatorio se
presente siempre será positivo y menor a 1.
• El valor esperado de la distribución de la
variable aleatoria es la media de la misma.
CARACTERISTICAS

• Si la distribución de probabilidad asociada a

una variable aleatoria está definida por más de
un parámetro, dichos parámetros pueden
obtenerse mediante un estimador no sesgado.
Por ejemplo:
• Varianza σ2 de la población se estima
mediante la varianza de la muestra s2.
• La media μ de la población se estima
mediante la media de la muestra x.
VARIABLES DISCRETAS

P x 0

pi 1
i 0
b
P a x b pi pa ... p b
i a
VARIABLES CONTINUAS
P x 0
P x a 0
∞

න𝑓 𝑥 =1
−∞
𝑏

𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = න𝑓 𝑥
𝑎
PARA QUÉ GENERAR VARIABLES
ALEATORIAS

• La simulación se realiza con ayuda de

la generación de variables aleatorias.
• La variabilidad de eventos y
actividades se representa a través de:
• Funciones de densidad
• Distribuciones de probabilidad
FUNCIONES DE DENSIDAD

Se utilizan para fenómenos continuos.

La función de densidad de una variable
aleatoria determina la concentración
de probabilidad alrededor de los
valores de una variable aleatoria
continua.
DISTRIBUCIONES DE PROBABILIDAD
Se usan para fenómenos discretos.
Intuitivamente se trataría de una lista
de los resultados posibles de un
experimento con las probabilidades
que se esperarían ver asociadas con
cada resultado.
MÉTODOS DE GENERACIÓN DE
VARIABLES ALEATORIAS

1. Transformada inversa.
2. Convolución
3. Composición
4. Transformación directa
5. Aceptación y rechazo
METODO DE LA TRANSFORMADA
INVERSA (VC)

Para simular variables aleatorias

continuas, se logra mediante la
función acumulada F(x) y números
pseudoaleatorios ri ~ U(0,1).
METODO DE LA TRANSFORMADA
INVERSA (VC)

1. Definir la función de densidad

f(x) que represente la variable a
modelar.
2. Calcular la función acumulada
F(x).
METODO DE LA TRANSFORMADA
INVERSA
3. Despejar la variable aleatoria x y
obtener la función acumulada
inversa F(x)-1.
4. Generar las variables aleatorias x,
sustituyendo valores de números
pseudoaleatorios ri ~ U(0,1) en la
función acumulada inversa.
METODO DE LA TRANSFORMADA
INVERSA (VD)

Para simular variables aleatorias

discretas, se logra mediante la
probabilidad acumulada P(x) y
números pseudoaleatorios ri ~ U(0,1).
METODO DE LA TRANSFORMADA
INVERSA (VD)

1. Calcular todos los valores de la

distribución de probabilidad p(x) de la
variable a modelar.
2. Calcular todos los valores de la
distribución acumulada P(x).
METODO DE LA TRANSFORMADA
INVERSA

3. Generar números pseudoaleatorios

ri ~ U(0,1)
3. Comparar con el valor de p(x) y
determinar qué valor de x le
corresponde a P(x).
DISTRIBUCION UNIFORME
• Para variables aleatorias uniformes entre a y b
1 a≤x≤b
f ( x) =
b−a
• Se obtiene su función acumulada

1 x−a
F ( x) =  dx =
b−a b−a
x−a
F ( x) = a≤x≤b
b−a
DISTRIBUCION UNIFORME

• Se despeja x :
x = a + (b − a) F ( x)
• Y se substituye F(x) con el número
pseudoaleatorio:
x = a + (b − a)ri
EJEMPLO

El tiempo requerido para lavar un equipo de

producción esta uniformemente distribuido
con un tiempo mínimo de 8 minutos y un
máximo de 12 minutos. Simule el tiempo de
servicio para lavar 10 equipos. Use un proceso
generador uniforme en su análisis. ¿Cuál es el
tiempo promedio para los 10 equipos?
 DISTRIBUCION EXPONENCIAL
• Para variables aleatorias exponenciales con media 1/λ
[continuo/discreto]
− x para x≥0
F ( x ) = e
• Se obtiene la función acumulada
x
F ( x) =  e −x dx = 1 − e −x
0
para x ≥ 0
 DISTRIBUCION EXPONENCIAL

• Se despeja x

1
x=− ln(1 − F ( x))

• Se iguala la función acumulada con el número pseudoaleatorio

1
x=− ln(1 − ri )

EJEMPLO

El tiempo entre fallas para una

operación particular de manufactura
puede ser descrito por una distribución
exponencial con una media de 100
horas/falla. Simule el tiempo entre 5
fallas. Use el proceso generador
exponencial en su análisis.
DISTRIBUCIÓN DE BERNOULLI
• A partir de la distribución de probabilidad de las variables
aleatorias de Bernoulli con probabilidad de éxito p y de
fracaso (1-p):
• 1− x para X= 0, 1
p( x) = p (1 − p)
x

• Se calculan las probabilidades para los valores que puede

tomar X:
X 0 1
p(X) 1-p p
• Se calculan las probabilidades acumuladas:

X 0 1
P(X) 1-p 1
DISTRIBUCIÓN DE BERNOULLI

• Generando números pseudoaleatorios se aplica la regla:

Si ri  (0,1 − p ) x = 0
• x=
Si ri  (1 − p,1) x = 1
• Donde 1 es éxito y 0 es fracaso .
EJEMPLO

• Los datos históricos sobre la frecuencia

de paro de cierta máquina, muestran
que existe una probabilidad de 0.2 de
que ésta falle en un día cualquiera .
Generar una secuencia aleatoria que
simule éste comportamiento por un
mes.
DISTRIBUCIÓN DE POISSON

• A partir de la distribución de probabilidad de la variable

aleatoria de Poisson con media λ [discreta/continua]
x −
e
• f ( x) = para X= 0, 1,2,3,…
x!
• Se calculan las probabilidades puntuales y acumuladas
X p(x) P(x)
0
1
2
…

y posteriormente su respectiva regla con los intervalos

correspondientes.
EJEMPLO

El número de piezas de producto en

proceso que entran a un sistema de
producción sigue una distribución de
Poisson con media de 2 piezas/hr .
Simular el comportamiento de la
llegada de las piezas al sistema
durante un turno de 8 hrs.
EJEMPLO CON DATOS DE FRECUENCIA

• La siguiente tabla muestra la demanda de

sacos de azúcar en un proceso durante 9
días, simular el comportamiento de la
demanda de un mes mediante el método
de la transformada
DIA 1 2 3inversa.
4 5 6 7 8 9
DEMANDA 1 2 2 1 3 0 3 1 3
(sacos)
MÉTODO DE CONVOLUCIÓN

• En algunas distribuciones de probabilidad la

variable aleatoria Y a simular, puede
expresarse como la suma de otras variables
aleatorias X, de manera más rápida que a
través de otros métodos. Entonces el
método de convolución se puede expresar
como:
Y = X 1 + X 2 + ... + X K
MÉTODO DE CONVOLUCIÓN

• Las variables aleatorias de cuatro de

las distribuciones más conocidas como:
Erlang, Normal, Binomial y de Poisson;
pueden generase a través de este
método.
DISTRIBUCIÓN K-ERLANG

La variable
aleatoria k-Erlang
con media 1/λ
puede producirse a
partir de la
generación de k
variables
exponenciales con
medial 1/λ, como
se muestra:
DISTRIBUCIÓN K-ERLANG

Ejemplo:
El tiempo de proceso de cierta pieza sigue una distribución 3-Erlang con media
1/λ de 8 minutos/pieza.
DISTRIBUCIÓN NORMAL

Ejemplo:
El volumen de líquido de un refresco sigue una
distribución normal con media de 625 mL y
desviación estándar de 2 mL. Genere 20 variables
aleatorias con esta distribución para simular el
proceso de llenado.
DISTRIBUCIÓN BINOMIAL

La variable aleatoria Binomial con parámetros N y p puede ser generada a través de

la suma de N variables aleatorias con distribución de Bernoulli con probabilidad de
éxito p y de fracaso (1-p):
DISTRIBUCIÓN BINOMIAL
Al inspeccionar lotes de tamaño N = 5, la
probabilidad de que una pieza sea defectuosa es
0.03. Simule el proceso de inspección para
determinar el número de piezas defectuosas por
lote.
Este proceso sigue una distribución Binomial con
N = 5 y p = 0.03, y será simulado mediante la
generación de variables aleatorias de Bernoulli con
p = 0.03, de, donde BE = 0 representa una pieza en
buen estado y BE= 1, una pieza defectuosa.
MÉTODO DE COMPOSICIÓN

El método de composición o mixto, permite

generar variables aleatorias X cuando éstas
provienen de funciones de densidad f(x) que
pueden expresarse como una combinación convexa
de m distribuciones de probabilidad fi(x). Entonces
la combinación convexa se puede expresar como:
f ( x) = i =1 f i ( x) I A ( x)
m

• Donde
0 si x  A
I A (x) = 
1 si x  A
MÉTODO DE TRANSFORMACIÓN DIRECTA

• Este método se basa en el teorema de Pitágoras, y

se usa para generar variables aleatorias normales.
En la figura se muestra la relación entre las
variables involucradas en él. Geométricamente