Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
1. INTRODUCCIÓN
Una vez que se han generado los valores pseudoaleatorios según la distribución
uniforme se debe comprobar que efectivamente están uniformemente distribuidos, lo
que significa que son uniformes e independientes.
Para probar la uniformidad se aplica la prueba de Kolmogorov-Smirnov, la
prueba de la χ 2 y la prueba de los promedios; mientras que para probar la
independencia se utiliza el test de rachas y la prueba de poker.
En las figuras 1 a 4 se muestran, para un nivel de confianza del 95%, las pruebas
de Kolmogorov-Smirnov, χ 2 , de rachas y de los promedios que se han realizado sobre
1000 valores simulados utilizando la función ALEATORIO() de Excel. Tras efectuar
diversas tiradas aleatorias comprobamos que las pruebas resultan satisfactorias en todos
los casos.
TEST KOLMOGOROV-SMIRNOV
Diferencia máxima 0,021
Estimador Kolmogorov-Smirnov
D0,05;1000 0,043
NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD
Figura 1
Figura 2
TEST DE RACHAS
U 667
MEDIA 666,333 TEST DE LOS PROMEDIOS
DESV.TÍPICA 13,321 MEDIA 0,513
Z 0,050 Z 1,447
Z0,025 1,960 Z0,025 1,960
NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD NO SE RECHAZA LA HIPÓTESIS DE UNIFORMIDAD
Figura 3 Figura 4
Figura 5
Figura 6
Hasta hace algunos años las funciones de tipo estadístico que incorporaban las
distintas aplicaciones de hoja de cálculo eran muy limitadas, obligando al usuario a
programar aquellas funciones que necesitaba (Bernal García), o bien era preciso adquirir
programas complementarios como @RISK, Analyze-It, Crystal Ball y otros, que
incorporan funciones adicionales a la hoja de cálculo.
Así, en la última versión de la hoja de cálculo Excel aparece una amplia serie de
funciones estadísticas relacionadas con las distribuciones probabilísticas. Con todas
estas funciones se pueden realizar simulaciones basadas en las distribuciones beta, F,
gamma, logarítmico-normal, normal y t de Student, ya que para todas ellas existen
funciones inversas, las cuales a partir de la probabilidad acumulada y de los parámetros
propios de cada distribución devuelven el valor que hace que se obtenga dicha
probabilidad.
El procedimiento para ello consiste en generar números aleatorios de acuerdo
con la distribución uniforme y a partir de dicho valor (que siempre será mayor o igual
que cero y menor que 1) aplicar la correspondiente función inversa para obtener el valor
al que le corresponde la probabilidad obtenida aleatoriamente1.
1
Por ejemplo, la función DISTR.NORM.INV(probabilidad, media, desviación típica) devuelve
el valor inverso de la distribución acumulativa normal para la media y desviación típica especificadas,
siendo la probabilidad un valor pseudoaleatorio uniformemente distribuido entre 0 y1.
6 XIII Jornadas de ASEPUMA
Aplicación de la simulación con hoja de cálculo a la Teoría de Colas
Figura 5
En este caso el proceso es mucho más sencillo ya que esta función no es discreta
y además es fácil obtener el valor buscado a partir de la expresión de su función de
distribución, utilizando la técnica de la transformada inversa:
1
xi = − ln U i
λ
Una vez que se han analizado los procedimientos para simular valores para las
distribuciones de frecuencias que se necesitan, se deben validar sus resultados.
FRECUENCIA
SIMULACIÓN POISSON
0 1120
1 4260
2 7317 10000
9000
3 8702 8000
4 7548 7000
5 5321 6000
5000
6 3070
4000
7 1586 3000
8 705 2000
9 253 1000
0
10 75
0 1 2 3 4 5 6 7 8 9 10 11 12
11 35
12 8 POISSON SIMULADA POISSON TEÓRICA
TOTAL 40000
Figura 6
5. CONCLUSIONES
6. REFERENCIAS BIBLIOGRÁFICAS
• Fishman, G. S. (1978). Principles of Discrete Event Simulation. John Wiley & Sons,
New York.
• Rubinstein, R. Y. (1981). Simulation and the Monte Carlo Method. John Wiley &
Sons, New York.
• Wallace, N.D. (1974). “Computer generation of gamma random variables with non-
integral shape parameters”, Communications of the Association for Computing
Machinery, 17, 691-695.