Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LICENCIATURA EN MATEMÁTICAS
(SEP)
MODELACIÓN ESTOCÁSTICA
UNIDAD 1.
DETERMINACIÓN DEL TIPO DE DISTRIBUCIÓN QUE
PRESENTA UN PROCESO ESTOCÁSTICO.D
ESO ESTOCÁSTICO.
Actividad 2. Determinación d
UNIDAD I. DETERMINACIÓN DEL TIPO
DE DISTRIBUCIÓN QUE PRESENTA UN
PROCESO ESTOCÁSTICO.
Actividad 1. Determinación del tipo de distribución que presenta un
proceso estocástico.
1)
Modelo propuesto:𝑼𝒏𝒊𝒇𝒐𝒓𝒎𝒆 (𝟕, 𝟏𝟔. 𝟑𝟑)
Realizamos la tabla de datos correspondientes
𝑓(𝑥|0,14) = 1/𝑎 − 𝑏 1
𝑓(𝑥) = = 0.07142857
14
𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑎, 𝑏 𝑎 < 𝑏 𝟎 ≤ 𝒙 ≤ 𝟏𝟒
𝑎+𝑏 𝝁=𝟕
𝑀𝑒𝑑𝑖𝑎:
2
𝑅𝑎𝑛𝑔𝑜: [𝑎, 𝑏] R: [0,14]
0.16
0.14
0.12
0.1
0.08 FO/40
0.06 FE
0.04
0.02
0
1 2 3 4 5 6 7
2)
Modelo propuesto: 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍(𝟕)
𝑃𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑎, 𝑏 𝑎 < 𝑏 𝟎 ≤ 𝒙 ≤ 𝟏𝟒
1 𝝁=𝟕
𝑀𝑒𝑑𝑖𝑎: 𝜇 =
𝜆
1
𝜆= 𝟏
𝜇
𝝀= = 𝟎. 𝟏𝟒𝟐𝟖𝟓𝟕
𝟕
1 𝟏
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎: 𝜎 = 𝝈= = 𝟒𝟗
𝜆2 (𝟎. 𝟏𝟒𝟐𝟖𝟓𝟕)𝟐
Ahora, calculamos la frecuencia esperada para cada uno de los intervalos (FEi),
integrando la función de densidad propuesta y multiplicándola por el número
total de datos. Utilizamos la siguiente fórmula:
𝑭𝑬𝒊 = 𝒏𝑭(𝒙)
90
80
70
60
50 (FO)/47
40 F(x)
FE
30
20
10
0
1 2 3 4 5 6 7
En este problema, vemos que se trata de una distribución exponencial, dado que
tenemos una variable aleatoria continua y es por eso que se puede definir a partir
de la especificación de su función de densidad; una característica de la
distribución exponencial es que no tiene memoria, con el paso del tiempo la
frecuencia parece ir disminuyendo.
En el ejemplo anterior, la distribución de probabilidad posiblemente corresponde
a una curva con un comportamiento exponencial, ello lo comprobé empíricamente
trazando la función de densidad de una variable exponencial multiplicada por el
número de datos, suponiendo que dicha distribución tenía una media de 4.16666
que fue la que obtuve de los datos. A continuación muestro la definición de la
función que aproximan los valores esperados de la muestra:
3)
Modelo propuesto: 𝑷𝒐𝒊𝒔𝒔𝒐𝒏
Realizamos la tabla de datos correspondientes:
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎: 𝜎 2 = 21.03668
𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑎 = 𝑚í𝑛 𝑋𝑖 = 0
𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑏 = 𝑚𝑎𝑥 𝑋𝑖 = 24
18
16
14
12
10 (FO)
8 FO/62
6 FE
4
2
0
1 2 3 4 5 6 7 8
Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo; la esperanza y la varianza coinciden, tenemos también que el número de
éxitos que ocurren por unidad de tiempo, es totalmente al azar y cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es independiente
de otra área dada y cada producto es independiente de otro producto dado.
En este caso tracé una función de densidad normal con media 12.29032 y desviación
4.5865, que es la raíz de la varianza 21.03668 multiplicada por 62 que es el número
de datos en juego, que se obtuvo utilizando los datos propuestos a partir de la tabla
de frecuencia dada utilizando como representantes la marca de clase de cada
intervalo. Por el momento me parece que ello podría representar un argumento
empírico para decir que los datos provienen de una distribución normal con una
cierta media y una cierta desviación, pero me parece que existirán diversos métodos
paramétricos y no paramétricos para argumentar ello de una mejor forma.
4)
Modelo propuesto: 𝑷𝒐𝒊𝒔𝒔𝒐𝒏
Realizamos la tabla de datos correspondientes
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒂 = 𝒎í𝒏 𝑿𝒊 = 𝟎
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒃 = 𝒎𝒂𝒙 𝑿𝒊 = 𝟐𝟕
25
20
15 (FO)
FO/80
10
FE
5
0
1 2 3 4 5 6 7 8 9
Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo; la esperanza y la varianza coinciden, tenemos también que el número de
éxitos que ocurren por unidad de tiempo, es totalmente al azar y cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es independiente
de otra área dada y cada producto es independiente de otro producto dado.
En este caso tracé una función de densidad normal con media 11.166666 y desviación
4.64774 = √21.60153, multiplicada por 87 que es el número de datos en juego, que
se obtuvo utilizando los datos propuestos a partir de la tabla de frecuencia dada
utilizando como representantes la marca de clase de cada intervalo. Por el momento
me parece que ello podría representar un argumento empírico para decir que los
datos provienen de una distribución normal con una cierta media y una cierta
desviación, pero me parece que existirán diversos métodos paramétricos y no
paramétricos para argumentar ello de una mejor forma.
5)
14
12
Demanda de Televisores
10
4 8 12 16 20 24 28 32 36 40 44
Días
8
7
6
5
FO
4
FO/45
3
FE
2
1
0
0-2 2–4 4–6 6–8 8 – 10 10 – 12 12 – 14
6)
Demanda de Hamburguesas por día
14
12
Demanda de Hamburguesas
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
Días
En este problema se tienen 42 datos históricos, cada uno de los cuales corresponde al número
de computadoras portátiles vendidas en un día determinado, si n es el número de datos
conocidos, iniciaremos calculando n clases:
√42 = 6.48 = 7
De aquí que debamos considerar 7 intervalos, pues 7 es el menor entero mayor o igual
que 6.48
𝑳𝒔
Frecuencia Frecuencia
Intervalo observada FO/42 𝑭(𝒙) = ∫ 𝝀𝒆−𝝀𝒙 𝒅𝒙 esperada
𝑭𝑶 𝑭𝑬𝒊 = 𝒏𝑭(𝒙)
𝑳𝒊
∑ 𝑻𝒐𝒕𝒂𝒍 42
𝟏 −𝒙
−𝝀𝒙 𝒇(𝒙) = 𝒆 𝟕
𝒇(𝒙) = 𝝀𝒆 𝟕
𝑷𝒂𝒓á𝒎𝒆𝒕𝒓𝒐𝒔 𝒂, 𝒃 𝒂 < 𝒃 𝟎 ≤ 𝒙 ≤ 𝟏𝟒
𝟏 𝝁 = 𝟏𝟏. 𝟒
𝑴𝒆𝒅𝒊𝒂: 𝝁 =
𝝀
𝟏
𝝀= 𝟏
𝝁 𝝀= = 𝟎. 𝟎𝟖𝟕𝟕𝟏𝟗𝟐
𝟏𝟏. 𝟒
𝟏 𝟏
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝝈 = 𝝈= = 𝟐𝟓. 𝟎𝟔𝟓
𝝀𝟐 (𝟎. 𝟎𝟖𝟕𝟕𝟏𝟗𝟐)𝟐
20 Frecuencia esperada
Fei
10
0
1 2 3 4 5 6 7
En el caso anterior, encontré que la mejor aproximación a los datos se da con una
v.a. Poisson, en GeoGebra encontré que existe la forma de simular un histrograma
con las probabilidades de una cierta distribución Poisson (es decir, simula la
función de densidad de probabilidades) con un cierto parámetro, por lo que
inicialmente determiné el valor de la media utilizando los datos, así como el valor
de la varianza como se puede ver en la tabla, también generé el histograma de los
datos, pero ahora utilizando frecuencias relativas, de donde pude ver que ambos
histogramas son muy cercanos, concuerdo con los compañeros que existe una
relación con la distribución exponencial pero en este caso la variable que se uso es
el número de eventos en un cierto intervalo de tiempo, siendo la v.a. exponencial
utilizada para medir el tiempo de ocurrencia entre eventos. El comando que
utilicé en GeoGebra fue Poisson[4.52,false] teniendo en cuenta que el valor
segundo es un valor booleano que determina si se muestra la probabilidad
acumulada o no.
7)
Demanda de Taxis por día
14
12
10
Demanda de Taxis
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
Días
En este problema se tienen 47 datos históricos, cada uno de los cuales corresponde al
número de computadoras portátiles vendidas en un día determinado, si n es el número de
datos conocidos, iniciaremos calculando n clases:
√47 = 6.85 = 7
De aquí que debamos considerar 7 intervalos, pues 7es el menor entero mayor o igual que
6.85
Frecuencia
Intervalo observada FO/47 Frecuencia esperada
(𝑭𝑶) = 𝑶 FE
∑ 𝑻𝒐𝒕𝒂𝒍 47
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝝈𝟐 = 𝟔. 𝟖𝟐
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒂 = 𝒎í𝒏 𝑿𝒊 = 𝟎
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒃 = 𝒎𝒂𝒙 𝑿𝒊 = 𝟏𝟒
0.45
0.4
0.35
0.3
0.25
FO/47
0.2
FE
0.15
0.1
0.05
0
1 2 3 4 5 6 7
Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo; la esperanza y la varianza coinciden, tenemos también que el número de
éxitos que ocurren por producto vendido, es totalmente al azar y cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es independiente
de otra área dada y cada producto es independiente de otro producto dado.
En el caso anterior observé que la forma del histograma que se generó tiene una
forma muy clara de campana de Gauss, por lo cual dibujé una función de densidad
normal con media 6.78723 que se obtuvo de los datos y con una desviación de
√6.78723 = 2.61694 con lo cual se obtienen las gráficas anteriores, aunque la
función de densidad la multipliqué por el número de datos para observar el
parecido entre dicha densidad y el histograma generado por los datos. Me parece
que se aproxima de manera clara, por lo cual puede pensarse que es una hipótesis
aceptable el pensar que los datos se distribuyen de manera normal.
Por otro lado se aproximó el histograma de frecuencias relativas con la función de
densidad de probabilidades de una distribución Poisson con media 6.78723.
8)
Demanda de Café Americano por hora
14
12
Demanda de Café Americano
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
Hora
En este problema se tienen 48 datos históricos, cada uno de los cuales corresponde al número
de computadoras portátiles vendidas en un día determinado, si n es el número de datos
conocidos, iniciaremos calculando n clases:
√48 = 6.92 = 7
De aquí que debamos considerar 7 intervalos, pues 7 es el menor entero mayor o igual
que 6.92
Frecuencia
Intervalo observada FO/48 Frecuencia esperada
(𝑭𝑶) = 𝑶 FE
∑ 𝑻𝒐𝒕𝒂𝒍 48
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝝈𝟐 = 𝟕. 𝟐
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒂 = 𝒎í𝒏 𝑿𝒊 = 𝟎
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒃 = 𝒎𝒂𝒙 𝑿𝒊 = 𝟏𝟒
0.35
0.3
0.25
0.2
FO/48
0.15
FE
0.1
0.05
0
1 2 3 4 5 6 7
Señalo lo mismo para este problema, el número de éxitos que ocurren por
producto es totalmente al azar y cada intervalo de tiempo es independiente de
otro intervalo dado, así como cada área es independiente de otra área dada y
cada producto es independiente de otro producto dado.
La gráfica anterior muestra la aproximación del histograma por una función de
densidad normal con media 7.1666 y varianza 6.97222, a continuación se muestra
la aproximación del histograma de frecuencias relativas por la función de
densidad de probabilidad de una v.a Poisson con media 7.1666:
9)
Demanda de bicicletas por día
14
12
Demanda de bicicletas
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Día
En este problema se tienen 45 datos históricos, cada uno de los cuales corresponde
al número de computadoras portátiles vendidas en un día determinado, si n es el
número de datos conocidos, iniciaremos calculando n clases:
√45 = 6.7 = 7
De aquí que debamos considerar 7 intervalos, pues 7 es el menor entero mayor o
igual que 6.7
Frecuencia
Intervalo observada FO/45 Frecuencia esperada
(𝑭𝑶) = 𝑶 FE
∑ 𝑻𝒐𝒕𝒂𝒍 45
0.18
0.16
0.14
0.12
0.1
FO/45
0.08
FE
0.06
0.04
0.02
0
1 2 3 4 5 6 7
1)
Datos:
Intervalo Frecuencia
observada
(FO)
0–2 2
2–4 5
4–6 8
6–8 14
8 – 10 11
10 – 12 6
12 – 14 2
Modelo propuesto: Normal 7.69, 8.05
Tabla de Probabilidades.
𝒙 𝒙 − 𝟕. 𝟔𝟗 𝑭(𝒙) = 𝑷(𝒂 ≤ 𝒃)
𝒛=
𝟐. 𝟖𝟒
2 -2.00352 𝑃 (𝑋 ≤ 2) = 0.002256
4 -1.29929 𝑃(2 ≤ 4) = 0.07436
6 -0.59507 𝑃(4 ≤ 6) = 0.17898
8 0.109154 𝑃(6 ≤ 8) = 0.26756
10 0.81338 𝑃(8 ≤ 10) = 0.24854
12 1.51760 𝑃 (10 ≤ 12) = 0.14344
14 2.22830 𝑃 (12 ≤ ∞) = 0.06456
Tenemos la definición de la función de densidad y su integral F(x).
𝟏 𝟏 𝒙−𝑬(𝒙) 𝟐
𝒆−𝟐( )
𝒇(𝒙) = 𝝈
𝝈√𝟐𝝅
𝒃
𝟏 𝟏 𝒙−𝟕.𝟗𝟔 𝟐
𝑭(𝒙) = ∫ 𝒆−𝟐( 𝟐.𝟖𝟑𝟕𝟐 )
𝟐. 𝟖𝟑𝟕𝟐 √𝟐𝝅 𝒂
Tabla de frecuencias.
Intervalo Mc Frecuencia Frecuencia 𝑭𝑬𝒊 (𝑭𝑬𝒊 (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
observada esperada − 𝑭𝑶𝒊 − 𝑭𝑶𝒊 )𝟐 𝑭𝑬𝒊
𝑭𝑶𝒊 𝑭𝑬𝒊 =
𝒏𝑭(𝒙)
𝟕 (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
𝑪=∑
𝒊=𝟏 𝑭𝑬𝒊
= 𝟎. 𝟕𝟕𝟔𝟕 + 𝟎. 𝟓𝟕𝟑𝟒 + 𝟎. 𝟎𝟒𝟎𝟔 + 𝟎. 𝟏𝟎𝟒𝟐 + 𝟎. 𝟎𝟕𝟐𝟒 + 𝟎. 𝟏𝟏𝟑𝟕
+ 𝟎. 𝟑𝟖𝟗𝟔 = 𝟐. 𝟎𝟕𝟎𝟔
Tenemos que
𝒅𝒇 = 𝟕 − 𝟏 = 𝟔
𝑪 ≤ 𝑿𝟐
Consultamos la tabla:
Gráfica de la distribución de Chi cuadrada.
Intervalo Frecuencia
observada
0-2 20
2-4 11
4-6 7
6-8 5
8 - 10 3
10 - 12 2
12 - 14 1
𝑳𝒔
Tabla de datos.
𝑳𝒔
Intervalo Mc Frecuencia Frecuencia (𝑭𝑬𝒊 − 𝑭𝑶𝒊)𝟐 (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
observada 𝑭(𝒙) = ∫ 𝝀𝒆−𝝀𝒙 𝒅𝒙 esperada 𝑭𝑬𝒊
(𝑭𝑶) = 𝑶 𝑭𝑬𝒊 = 𝒏𝑭(𝒙)
𝑳𝒊
(𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
𝝌𝟐 = ∑ = 𝟕. 𝟐𝟖𝟓𝟐
𝑭𝑬𝒊
𝒅𝒇 = 𝟕 − 𝟏 = 𝟔
3)
Datos:
14
12
Demanda de pañales
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
Día
𝟏
𝝁= → 𝝀 = 𝟎. 𝟐𝟐𝟑𝟐
𝝀
Tabla de datos.
Intervalo Mc (𝑭𝑶) = 𝑶 𝑳𝒔 𝑭𝑬𝒊 = 𝒏𝑭(𝒙) (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐 (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
𝑭(𝒙) = ∫ 𝝀𝒆−𝝀𝒙 𝒅𝒙 𝑭𝑬𝒊
𝑳𝒊
(𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
𝝌𝟐 = ∑ = 𝟏. 𝟎𝟓𝟒𝟗
𝑭𝑬𝒊
𝒅𝒇 = 𝟕 − 𝟏 = 𝟔
14
12
10
Bicicletas vendidas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
Día
𝟏
𝒇(𝒙|𝟎, 𝟏𝟒) = , 𝟎 ≤ 𝒙 ≤ 𝟏𝟒
𝟏𝟒
Tabla de Datos.
𝒙
𝟏 𝒙 (𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
Intervalo Mc 𝑭𝑶𝒊 𝑭(𝒙) = ∫ = ⌋ 𝑭𝑬𝒊 = 𝒏𝑭(𝒙) 𝑭𝑬𝒊 − 𝑭𝑶𝒊 (𝑭𝑬𝒊 − 𝑭𝑶𝒊)𝟐 𝑭𝑬𝒊
𝟏𝟒 𝟎
𝟎
0–2 1 7 0.149 7.152 0.152 0.0231 0.003
2–4 3 6 0.149 7.152 1.152 1.3271 0.185
4–6 5 7 0.149 7.152 0.152 0.0231 0.003
6–8 7 6 0.149 7.152 1.152 1.3271 0.185
8 – 10 9 7 0.149 7.152 0.152 0.0231 0.003
10– 12 11 7 0.149 7.152 0.152 0.0231 0.003
12– 14 13 8 0.149 7.152 -0.848 0.7191 0.100
∑ 𝑻𝒐𝒕𝒂𝒍 = 48 𝝌𝟐 = 0.4845
𝒏
b) Sustituimos en la fórmula de chi cuadrada.
(𝑭𝑬𝒊 − 𝑭𝑶𝒊 )𝟐
𝝌𝟐 = ∑ = 𝟎. 𝟒𝟖𝟒𝟓
𝑭𝑬𝒊
𝒅𝒇 = 𝟕 − 𝟏 = 𝟔
5)
Datos:
Intervalo
Frecuencia
observada
(FO)
0–2 2
2–4 5
4–6 9
6–8 13
8 – 10 10
10 – 12 7
12 – 14 2
Modelo propuesto: Normal 7.6, 8.78
Emplearemos la fórmula definida del modelo Normal
𝒙 − 𝝁 𝒙 − 𝟕. 𝟔
𝒛= =
𝝈 𝟐. 𝟗𝟔
Siendo 𝝁 = 𝟕. 𝟔 y 𝝈𝟐 = 𝟖. 𝟕𝟖 → 𝝈 = 𝟐. 𝟗𝟔
a) Tabla de probabilidades.
𝒙 𝒙 − 𝟕. 𝟔 𝑭(𝒙) = 𝑷(𝒂 ≤ 𝒃)
𝒛=
𝟐. 𝟗𝟔
=𝒏=
𝑴𝑫 = 𝟎. 𝟎𝟓𝟎𝟒
c) Comparamos el valor de 𝑴𝑫 con el valor que corresponde con el número
de 𝒏 = 𝟒𝟗 datos en la tabla de la prueba de bondad de ajuste de
Kolmogrov-Smirnov , el cual es 𝟎. 𝟏𝟗𝟐𝟐; entonces, nos vamos a la tabla
para corroborar que se trata del valor propuesto por la tabla de
Kolmogrov-Smirnov.
Con un nivel de significancia de 𝜶 = 𝟎. 𝟎𝟓, el valor es
Intervalo Frecuencia
observada
(FO)
0–2 7
2–4 8
4–6 7
6–8 6
8 – 10 6
10 – 12 7
12 – 14 8
=𝒏
14
12
Demanda de viviendas
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Día
Modelo propuesto: Normal 4.35, 10.88
8)
Datos:
14
12
Tazas de té vendidas
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
Hora
Frecuencia
Intervalo observada
(FO)
0–2 7
2–4 6
4–6 7
6–8 6
8 – 10 6
10– 12 7
12– 14 8
Intervalo Frecuencia PO
observada
(FO)
0–2 7 0,1489
2–4 6 0,1277
4–6 7 0,1489
6–8 6 0,1277
8 – 10 6 0,1277
10– 12 7 0,1489
12– 14 8 0,1702
47
𝟏
𝒇(𝒙) = 𝟎 ≤ 𝒙 ≤ 𝟏𝟒
𝟏𝟒𝒆𝒔
𝟏 𝒆𝒔
𝑭( 𝒙 ) = ∫ 𝒅𝒙 =
𝟎 𝟏𝟒 𝟏𝟒
𝟎. 𝟎𝟑𝟑𝟒𝟑𝟒 ≤ 𝟎. 𝟏𝟗𝟎𝟐𝟖
donde
donde
siendo m1, ..., mn son los valores medios del estadístico ordenado, de
variables aleatorias independientes e identicamente distribuidas,
muestreadas de distribuciones normales. V es la matriz de covarianzas
de ese estadístico de orden.
La hipótesis nula se rechazará si W es demasiado pequeño.
Prueba de Anderson-Darling.
donde,
Resuelve lo siguiente.
1) Ingresa al siguiente enlace:
https://docs.google.com/spreadsheets/d/1RpDv2221OW3s2lO8KEq4RHBvK4zYa
GeuDR7dOKzeL2k/edit?usp=sharing
Métodos para generar variables aleatorias para la función
triangular.
https://docs.google.com/presentation/d/1ffGLK2jp48RWAcGVdbdS8D0qaWh9Oh
KEZv7UY173MQE/edit?usp=sharing
Analiza los datos dados en cada caso, y determina su comportamiento
probando tu propuesta a través de la prueba de Bondad de Ajuste 2 .
14
12
Enfermo de hepatitis
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Dia
¿Cuál es el modelo probabilístico que representa a las personas con
hepatitis atendidas por día en el periodo considerado?
𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 MC 𝑭𝑶
0–2 1 6
2–4 3 5
4–6 5 6
6–8 7 6
8 – 10 9 6
10– 12 11 5
12– 14 13 6
40
Podemos ver que se trata de una distribución uniforme por lo que podemos
usar la prueba de bondad de ajuste definida como:
𝝌𝟐𝜶,𝒅𝒇
1
𝑓 (𝑥|0,14) = , 0 ≤ 𝑥 ≤ 14
14
𝐿𝑠 2
1 1 1 2
( )
𝐹 𝑥 =∫ 𝑑𝑥 = ∫ 𝑑𝑥 = [ 𝑥] = 0.14
14 14 14 0
𝐿𝑖 0
𝑪 < 𝝌𝟐 𝟓%,𝟔
Esto es,
𝟎. 𝟐𝟒𝟗𝟗𝟗𝟓 < 𝟏𝟐. 𝟓𝟗𝟐
Como el valor de 𝜒2(6, 0.05) es mayor que 𝜒2 se considera que es un buen
ajuste con un modelo probabilístico uniforme propuesto, por lo tanto, el
modelo propuesto no puede refutarse y por tanto, puede considerarse
correcta.
Histograma de Frecuencias.
0.2499
12.592
14
12
Computadoras con fallo
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Día
𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 𝑭𝑶
0–2 7
2–4 8
4–6 7
6–8 7
8 – 10 6
10– 12 7
12– 14 7
49
Podemos ver que se trata de una distribución uniforme por lo que podemos
usar la prueba de bondad de ajuste definida como: 𝝌𝟐𝜶,𝒅𝒇
𝐿𝑠 2
1 1 1 2
𝐹 (𝑥 ) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥 = [ 𝑥] = 0.14
14 14 14 0
𝐿𝑖 0
7 (𝐹𝐸𝑖 − 𝐹𝑂𝑖 )2
𝐶=∑
𝐹𝐸𝑖
𝑖=1
(7.00014 − 7 )2 (7.00014 − 8 )2
(7.00014 − 7)2 (7.00014 − 7)2
= + + +
7.00014 7.00014 7.00014 7.00014
(7.00014 − 6)2 (7.00014 − 7)2 (7.00014 − 7)2
+ + +
7.00014 7.00014 7.00014
= 𝟎. 𝟐𝟖𝟓𝟕𝟎𝟖
𝑪 < 𝝌𝟐 𝟓%,𝟔
Es decir,
𝟎. 𝟐𝟖𝟓𝟕𝟎𝟖 < 𝟏𝟐. 𝟓𝟗𝟐
Histograma de Frecuencias.
20
Ejercicios realizados
15
10
0
1 2 3 4 5 6 7 8 91011121314 15161718192021 22232425 26272829303132 33343536373839 40414243 44454647484950 51525354555657 58596061
Día
𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 Mc 𝑭𝑶𝒊
0–5 2.5 4
5 – 10 7.5 15
10 – 15 12.5 26
15 – 20 17.5 13
20 – 25 22.5 3
61
𝟏 𝟏 𝒙−𝝁 𝟐
𝒇(𝒙) = 𝒆−𝟐 ( 𝝈 )
𝝈√𝟐𝝅
Calculamos la media:
∑𝒏𝒊=𝟏 𝒙𝒊 𝒇𝒊
𝝁= 𝒏
∑𝒊=𝟏 𝒇𝒊
(2.5 − 12.1721)2 ∗ 4 + (7.5 − 12.1721)2 ∗ 15 + (12.5 − 12.1721)2 ∗ 26 + (17.5 − 12.1721)2 ∗ 13 + (22.5 − 12.1721)2 ∗ 3
=
61
𝝈𝟐 = 𝟐𝟐. 𝟒𝟕𝟒𝟖
7 (𝐹𝐸𝑖 − 𝐹𝑂𝑖 )2
𝐶=∑
𝑖=1 𝐹𝐸𝑖
(3.20243 − 4)2 (15.79277 − 15)2 (25.60523 − 26)2
= + +
3.202439 15.792778 25.605238
(13.64881 − 13)2 (2.39199 − 3)2
+ + = 𝟎. 𝟒𝟐𝟗𝟗𝟎
13.648811 2.391993
30
25
20
FO
15
FE
10
5
0
0–5 5 – 10 10 – 15 15 – 20 20 – 25
14
12
Alumnos faltistas promedio
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
Día
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 Mc 𝐹𝑂
0–2 1 1
2–4 3 6
4–6 5 7
6–8 7 14
8 – 10 9 11
10– 12 11 6
12– 14 13 2
47
Con esto se puede ver que se trata de una distribución normal y vamos a
corroborarlo por medio de la prueba de bondad de Kolmogrov-Smirnov. Al
contar con la frecuencia observada en cada intervalo, podemos calcular la
media 𝝁 , la varianza 𝝈𝟐 y además su desviación estándar 𝝈, usando la
fórmula de los datos agrupados para intervalos:
Calculamos la media 𝝁:
∑𝒏𝒊=𝟏 𝑴𝒄𝒊 𝒇𝒊
𝝁= =
𝒏
1 ∗ 1 + 3 ∗ 6 + 5 ∗ 7 + 7 ∗ 14 + 9 ∗ 11 + 11 ∗ 6 + 13 ∗ 2
= = 𝟕. 𝟐𝟗𝟕
47
Calculamos la varianza 𝝈𝟐 :
𝟐
∑𝒏𝒊=𝟏 𝒇𝒊 (𝑴𝒄𝒊 − 𝝁)𝟐
𝝈 = =
𝒏
𝝈𝟐 = 𝟏𝟏. 𝟎𝟒𝟖𝟔𝟑𝟖
(1 − 7.297) 2 ∗ 1 + (3 − 7.297) 2 ∗ 6 + (5 − 7.297) 2 ∗ 7 + (7 − 7.297)2 ∗ 14 + (11 − 7.297) 2 ∗ 11 + (11 − 7.297) 2 ∗ 6 + (13 − 7.297)2 ∗ 3
=
47
= 11.048638
Desviación estándar:
𝝈 = √𝟏𝟏. 𝟎𝟒𝟖𝟔𝟑𝟖 = 𝟑. 𝟑𝟐
𝒆𝒔
𝟏 𝟏 𝒙−𝟕.𝟐𝟗𝟕 𝟐
𝑭(𝒙) = ∫ 𝒆−𝟐( 𝟑.𝟑𝟐𝟑𝟗 )
𝟑. 𝟑𝟐𝟑𝟗√𝟐𝝅 𝒐
Donde “es” es el extremo superior de cada intervalo de clase.
Donde
𝑴𝑫 = 𝟎. 𝟎𝟓𝟏𝟗𝟎𝟗𝟐𝟑
14
12
Errores ortográficos
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Día
𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 Mc 𝑭𝑶
0–2 1 19
2–4 3 12
4–6 5 7
6–8 7 5
8 – 10 9 3
10– 12 11 2
12– 14 13 1
49
= 𝟏𝟖𝟕/𝟒𝟗 = 𝟑. 𝟖𝟏𝟔𝟑
𝟏 𝟏
𝝀= = = 𝟎. 𝟐𝟔𝟐𝟎
𝝁 𝟑. 𝟖𝟏𝟔𝟑
𝒇(𝒙) = 𝝀𝒆−𝝀𝒙
𝒆𝒔
𝑭(𝒙) = ∫ 𝟎. 𝟐𝟔𝟐𝒆−𝟎.𝟐𝟔𝟐𝟎𝒙
𝟎
Siendo 𝒆𝒔, el extremo superior de cada intervalo de clase.
Tabla de probabilidades:
Intervalo 𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = 𝑭(𝒙)
0-2 0.40
2-4 0.24
4-6 0.14
6-8 0.08
8-10 0.05
10-12 0.02
12-𝟏𝟒 0.04
𝑴𝑫 = 𝟎. 𝟎𝟐𝟓𝟓
Realizamos la comparación 𝑴𝑫 con el valor correspondiente a los 𝑛 datos
observados con un nivel de significancia de 𝛼 = 0.05 de tal forma que si
𝑴𝑫 es menor o igual que el valor límite de la tabla, entonces no podemos
rechazar la hipótesis con relación a que nuestra información histórica encaja
en el modelo probabilístico propuesto; entonces buscamos el valor para
𝑛 = 49 en la tabla de Kolmogorov-Smirnov y vemos que:
𝟎. 𝟎𝟐𝟓𝟓 ≤ 𝟎. 𝟏𝟗𝟎𝟐𝟖
14
12
Horas que ven TV en promedio
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
Día
Calculamos la media:
∑𝒏
𝒊=𝟏 𝑴𝒄𝒊 𝒇𝒊 1 ∗ 18 + 3 ∗ 9 + 5 ∗ 7 + 7 ∗ 6 + 9 ∗ 4 + 11 ∗ 1 + 13 ∗ 2
𝝁= = =
𝒏 47
𝟏𝟗𝟓
= = 𝟒. 𝟏𝟒𝟖
𝟒𝟕
𝟏 𝟏
𝝀= = = 𝟎. 𝟐𝟒𝟏
𝝁 𝟒. 𝟏𝟒𝟖
Tabla de probabilidades.
𝑴𝑫 = 𝟎. 𝟎𝟒𝟒𝟑
Realizamos la comparación 𝑴𝑫 con el valor correspondiente a los 𝑛 datos
observados con un nivel de significancia de 𝛼 = 0.05 de tal forma que si
𝑴𝑫 es menor o igual que el valor límite de la tabla, entonces no podemos
rechazar la hipótesis con relación a que nuestra información histórica encaja
en el modelo probabilístico propuesto; entonces buscamos el valor para
𝑛 = 47 en la tabla de Kolmogorov-Smirnov y vemos que:
𝟎, 𝟎𝟒𝟒𝟑 ≤ 𝟎. 𝟏𝟗𝟒𝟐
0
0 5 10 15 20 25 30 35 40
Determina cuál es el modelo probabilístico que se ajusta a los datos,
ajusta:
Realiza el análisis con la prueba de Bondad de Ajuste 2 .
𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 Mc 𝑭𝑶𝒊
0–5 2.5 0
5 – 10 7.5 8
10 – 15 12.5 25
15 – 20 17.5 7
40
𝝁
𝟕(𝟏) + 𝟖(𝟏) + 𝟗(𝟐) + 𝟏𝟎(𝟒) + 𝟏𝟏(𝟖) + 𝟏𝟐(𝟗) + 𝟏𝟑(𝟓) + 𝟏𝟒(𝟑) + 𝟏𝟔(𝟓) + 𝟏𝟕(𝟏) + 𝟐𝟎(𝟏)
=
𝟒𝟎
= 𝟏𝟐. 𝟖𝟐𝟓
𝑷(𝑿 = 𝟕) = 𝟎. 𝟎𝟑𝟎𝟒𝟖
𝑷(𝑿 = 𝟖) = 𝟎. 𝟎𝟒𝟖𝟖𝟖
𝑷(𝑿 = 𝟗) = 𝟎. 𝟎𝟔𝟗𝟔𝟓
𝑷(𝑿 = 𝟏𝟎) = 𝟎. 𝟎𝟖𝟗𝟑𝟑
𝑷(𝑿 = 𝟏𝟏) = 𝟎. 𝟏𝟎𝟒𝟏𝟓
𝑷(𝑿 = 𝟏𝟐) = 𝟎. 𝟏𝟏𝟏𝟑𝟏
𝑷(𝑿 = 𝟏𝟑) = 𝟎. 𝟏𝟎𝟗𝟖𝟏
𝑷(𝑿 = 𝟏𝟒) = 𝟎. 𝟏𝟎𝟎𝟓𝟗
𝑷(𝑿 = 𝟏𝟓) = 𝟎. 𝟎𝟖𝟔𝟎𝟏
𝑷(𝑿 = 𝟏𝟔) = 𝟎. 𝟎𝟔𝟖𝟗𝟒
𝑷(𝑿 = 𝟏𝟕) = 𝟎. 𝟎𝟓𝟐𝟎𝟏
𝑷(𝑿 = 𝟏𝟖) = 𝟎. 𝟎𝟑𝟕𝟎𝟔
𝑷(𝑿 = 𝟏𝟗) = 𝟎. 𝟎𝟐𝟓𝟎𝟏
𝑷(𝑿 = 𝟐𝟎) = 𝟎. 𝟎𝟏𝟔𝟎𝟒
Obtenemos las frecuencias esperadas para cada uno de los datos, y los
ponemos en la siguiente tabla:
Histograma de Frecuencias.
Por lo tanto, no se rechaza la hipótesis de que los datos siguen una
distribución Poisson.
CORRECCIÓN.
9) Se hizo una encuesta a 50 familias y se anotó el número de
hijos que tuvieron antes de que naciera el primer hombre.
Teniendo los siguientes resultados:
* Para el 9 es la misma situación, la variable es entera, entonces no puedes pensar que es una
distribución exponencial, por otro lado es necesario conocer las distribuciones ya que algunas se
ajustan mejor a cierto tipo de problemas, generalmente la exponencial se asocia tiempos entre
llegadas para valores reales, pero éstos son discretos.
3 0 0 0 1 0 0 1 1 0
0 0 0 2 1 0 4 5 6 1
0 0 3 2 0 3 3 2 0 2
3 1 1 1 0 2 0 0 3 0
0 4 5 0 0 0 1 1 0 0
𝑫𝒂𝒕𝒐𝒔 𝑭𝑶
0 24
1 10
2 5
3 6
4 2
5 2
6 1
50
Cálculo de la media:
𝟏 𝟏
𝒑= = = 𝟎. 𝟒𝟒𝟔𝟒𝟐𝟖
𝟏 + 𝝁 𝟏 + 𝟏. 𝟐𝟒
Por medio de esta fórmula, podemos medir la cantidad de fallos antes del primer
éxito, que en este caso, es tener un hijo varón.
𝑷(𝑿 = 𝟎) = 𝟎. 𝟒𝟒𝟔𝟒
𝑷(𝑿 = 𝟏) = 𝟎. 𝟐𝟒𝟕𝟏
𝑷(𝑿 = 𝟐) = 𝟎. 𝟏𝟑𝟔𝟖
𝑷(𝑿 = 𝟑) = 𝟎. 𝟎𝟕𝟓𝟕
𝑷(𝑿 = 𝟒) = 𝟎. 𝟎𝟒𝟏𝟗
𝑷(𝑿 = 𝟓) = 𝟎. 𝟎𝟐𝟑𝟐
𝑷(𝑿 = 𝟔) = 𝟎. 𝟎𝟏𝟐𝟖
Tabla de frecuencias.
Histograma de frecuencias.
La conclusión que se tiene es que al comparar ambas pruebas, podemos ver que
la gráfica de los datos sigue una distribución Geométrica.
Calculamos la media
∑𝒏𝒊=𝟏 𝑴𝒄𝒇𝒊 𝟎 ∗ 𝟐𝟒 + 𝟏 ∗ 𝟏𝟎 + 𝟐 ∗ 𝟓 + 𝟑 ∗ 𝟔 + 𝟒 ∗ 𝟐 + 𝟓 ∗ 𝟐 + 𝟔 ∗ 𝟏
𝝁= =
∑𝒏𝒊=𝟏 𝒇𝒊 𝟓𝟎
= 𝟏. 𝟐𝟒
𝟏 𝟏
𝝀= = = 𝟎. 𝟖𝟎𝟔
𝝁 𝟏. 𝟐𝟒
𝒇(𝒙) = 𝝀𝒆−𝝀𝒙
𝒆𝒔
𝑭(𝒙) = ∫ 𝟎. 𝟖𝟎𝟔𝒆−𝟎.𝟖𝟎𝟔𝒙
𝟎
𝑴𝑫 = 𝟎. 𝟎𝟔𝟏𝟑
Compara resultados.
Distribución Poisson.
Notación: 𝑋
Distribución Binomial.
Notación:
1(1)+4(2)+9(2)+16(2)+25(7)+36(11)+49(6)+64(8)+
+81(3)+100(3)+121(2)+144(1)+169(0)+196(1)+225(1)
𝝈𝟐 = −
50
6.92 = 48
Primera propuesta:
Se propone el Modelo Poisson (6.92 )
(6.92)1 𝑒 −6.92
𝑃 (𝑋 = 1) = = 0.00683578
1!
𝑃(𝑋 = 2) = 0.02365181
𝑃(𝑋 = 3) = 0.05455684
𝑃(𝑋 = 4) = 0.09438334
𝑃(𝑋 = 5) = 0.13062654
𝑃(𝑋 = 6) = 0.15065594
𝑃(𝑋 = 7) = 0.14893416
𝑃(𝑋 = 8) = 0.12882805
𝑃(𝑋 = 9) = 0.09905445
𝑃 (𝑋 = 10) = 0.06854568
𝑃 (𝑋 = 11) = 0.04312146
𝑃 (𝑋 = 12) = 0.02486671
𝑃 (𝑋 = 13) = 0.01323674
𝑃 (𝑋 = 14) = 0.00654273
𝑃 (𝑋 = 15) = 0.00301838
Al multiplicar estas probabilidades por 50 (número de datos), obtenemos las
frecuencias esperadas, lo cual integramos en la siguiente tabla de frecuencias.
TABLA DE FRECUENCIAS.
Y como 13.586132 < 22.362, no se rechaza la hipótesis de que los datos siguen
una distribución Poisson.
por lo que no se rechaza la hipótesis de que los datos siguen una distribución
Poisson.
Intervalo Frecuencia
1-3 3
3-5 4
5-7 18
7-9 14
9-11 6
11-13 3
13-15 2
Histograma de Frecuencias.
a) Calculamos la media y la varianza.
Medía= 𝜇 = 6.92
Varianza: 𝜎 2 = 48
Desviación estándar 𝜎 = 6.92
𝒙−𝝁
𝒛=
𝝈
𝑥 𝑧 𝑃(𝑧) 𝑃(𝑧𝑛 − 𝑧𝑛−1 )
TABLA DE FRECUENCIAS.
Luego calculamos con la tabla 𝜒𝑑𝑓,𝛼 2 con 𝛼 = 0.05 y al estimarse dos tenemos
que los grados de libertad son: 𝒅𝒇 = 𝒌 − 𝒎 − 𝟏 = 𝟕 − 𝟐 − 𝟏 = 𝟒.
𝝌𝟎.𝟎𝟓,𝟒𝟐 = 𝟗. 𝟒𝟖𝟖
Por los resultados vemos que:
𝟑𝟗. 𝟒𝟏𝟔𝟑𝟑𝟖 > 𝟗. 𝟒𝟖𝟖
Por lo tanto, se rechaza la hipótesis de que los datos siguen una distribución
binomial normal.
CONCLUSIÓN.
Estas dos propuestas las propuse, por la razón de que se nos están dando
datos reales, el conteo de ocurrencias es aleatorio y al considerar los datos
como discretos, podemos utilizar la distribución de Poisson, pues en ésta, los
criterios que se siguen es que, el número de éxitos que ocurren por unidad de
tiempo ocurren al azar y cada intervalo de tiempo suele ser independiente de
otro intervalo dado ( recordando que el proceso de Poisson no tiene memoria),
además, la probabilidad de que más de un resultado ocurra en un intervalo es
muy cercana a cero, por lo cual, pudimos apreciar que para este modelo no se
rechazaron las pruebas de hipótesis y los datos siguen esa distribución, lo cual
no ocurre con la distribución binomial, aunque muchas veces, esta distribución
tiende a converger a la distribución de Poisson , cuando el parámetro n tiende
a infinito y el parámetro p, tiende a ser cero; por lo cual, concluyo que el
Modelo de Poisson es el adecuado para esta aplicación.
AUTORREFLEXIÓN I.
1. Ejemplo. Un laboratorio aplica una encuesta para conocer el número de
productos farmacéuticos defectuosos por día, en los Laboratorios Yamuni,
en un periodo de 47 dias.
2. En el siguiente enlace elabora un resumen de tu aplicación y coloca
DOS diapositivas con tu resumen:
https://docs.google.com/presentation/d/1sgUnqT_3cdTT1WZ6GGy3rcsRFEOqrwa6qX
-Vq7k2S38/edit?usp=sharing
3. Responde las siguientes preguntas:
a. ¿Cuál es la utilidad de esta unidad en mi vida cotidiana?
Sinceramente, estoy gratamente sorprendida de la enorme relevancia que
tiene conocer este tipo de Modelos, los cuales podemos asociar casi con
cualquier tipo de fenómeno que se nos presente, como lo pudimos
constatar en cada uno de los ejercicios propuestos en las actividades y en la
evidencia de aprendizaje; creo que resulta de gran utilidad tanto en la vida
cotidiana, como en el plano profesional, pues creo que el conocimiento y
dominio de esta materia constituye un gran apoyo y seguramente la
podremos aplicar al llevar a cabo nuestro proyecto profesional, y en
cualquier área que pretendamos realizarlo, ya sea, si se trata de algún
proyecto industrial, de tipo financiero, logístico, administrativo, matemático,
físico, etc. por lo que ratifico, que es muy importante contar con esta
habilidad, de conocer, no sólo sobre los tipos de distribuciones presentadas,
esto es, cuando debamos representar el comportamiento de valores
aleatorios, sino también, el saber comparar los resultados, para saber si
nuestro modelo propuesto, se ajusta bien o no, a las observaciones
realizadas, como lo aprendimos en las pruebas de bondad de ajuste Ji-
cuadrado y la prueba de Kolmogorov-Smirnov.
.
b. ¿Qué me falta para mejorar mi aprendizaje de esta unidad?
Lo que siento que hace falta para mejorar mi aprendizaje, es continuar
desarrollando este tipo de ejercicios e implementarlos en el programa R o
Minitab, ya que considero, complementa mucho lo aprendido, aunque ello
conlleva dedicarle muchas horas más en el aprendizaje de la programación,
que por hoy, me es muy difícil por cuestiones de tiempo y trabajo, pero que
en mis tiempos libres, me empeñaré en conseguirlo; en cuanto al contenido
nuclear, es cuestión de seguir retroalimentándose cuando surjan dudas y
seguir dedicándole toda nuestra atención, para absorber todos los demás
conocimientos que son muchos y nos quedan por aprender.
c. ¿Qué hago qué me facilita mi aprendizaje?
Considero que el sentido de la responsabilidad, el compromiso conmigo
misma por tratar de aprender cada día y aunque las cosas parezcan difíciles
o imposibles, tratar de ir despejando las lagunas que se nos forman,
mediante el estudio y la preparación para cada cosa que me proponga.
La distribución de
probabilidades del
tiempo entre
llegadas es
potencial
a=M
Modelo Markoviano
(M/M/c)(d/N/f)
e= Es el número
máximo de clientes c= Es el número de
que soporta el servidores (finito)
sistema (finito)
d= Es el orden de
atención a los
clientes
(finito)
2. Una sala de espera tiene capacidad para 3 personas, las personas arriban al
sistema de acuerdo con una tasa de 8 por hora con distribución Poisson y
son atendidas por una recepcionista en 10 minutos con distribución
Exponencial. Si alguien llega , y el sistema está lleno se retira sin entrar.
Modelo
Markoviano
(M/M/c)(d/
∞/∞)
e= Núm. máximo
de clientes que c= Es el número
soporta el sistema de servidores
(infinito) (finito)
d= Es el orden de
atención a los
clientes
(finito)
Existen
tiempos de
llegada
exponenciales
con tasa
f=Núm. de media λ. Tiempo de
clientes a=M servicio
potenciales independiente e
del sistema en idénticamente
línea de distribuido,
espera cualquier clase.
(infinito) b=G
Modelo No
Markoviano
(M/G/1)(d/∞/∞) S=Cuenta con s
servidores que
e= Núm. atienden a un
máximo de núm. ilimitado de
clientes que clientes
soporta el potenciales en
sistema orden
(infinito) determinado, con
d= Es el orden media E(t) y Var
de atención a V(t)
los clientes
(finito)
Existen
tiempos de
llegada
exponenciales
f=Núm. de a=M Tiempo de
clientes servicio
potenciales independiente e
del sistema idénticamente
en línea de distribuido,
espera cualquier clase.
(infinito) b=G
Modelo No
Markoviano
(M/G/S)(d/∞/∞)
e= Núm.
máximo de
S= Número
clientes que
de servidores
soporta el
(finito)
sistema
(infinito)
d= Es el
orden de
atención a los
clientes
(finito)
Ejemplo de Modelos (M/G/S) : (d/ ∞/ ∞)
Modelo (𝑴/𝑮/𝟏)(𝒅 / ∞ / ∞)
𝑴: descripción del proceso de llegada
Distribución de poisson.
Número de clientes potenciales
𝑮: Distribución del tiempo de servicio
Cualquier tipo de distribución.
Independiente
𝟏: una sola cola o fila.
𝒅: orden de atención de los clientes.
FCFS: primeras entradas, primeros servicios
LCFS: últimas entradas, primeros servicios
SIRO: elección aleatoria de servicio
PR: servicio por prioridades
GD: Orden general
∞: número máximo de clientes que soporta el sistema.
cantidad infinita en la fila y siendo atendidos
∞: número de clientes potenciales del sistema de líneas de espera infinita
Modelo (𝑴/𝑮/𝑺)(𝒅 / ∞ / ∞)
𝑴: descripción del proceso de llegada
Distribución de poisson
Número de clientes potenciales
𝑮: Distribución del tiempo de servicio
Cualquier tipo de distribución.
Independiente
𝑺: Cantidad de servidores numero de cola o fila.
𝒅: orden de atención de los clientes.
FCFS: primeras entradas, primeros servicios
LCFS: últimas entradas, primeros servicios
SIRO: elección aleatoria de servicio
PR: servicio por prioridades
GD: Orden general
∞: número máximo de clientes que soporta el sistema.
cantidad infinita en la fila y siendo atendidos: 𝝆<𝟏
∞: número de clientes potenciales del sistema de líneas de espera infinita
Modelo (𝑮/𝑮/𝟏)(𝒅 / ∞ / ∞)
𝑮: descripción del proceso de llegada
Distribución Erlang
Número de clientes potenciales
𝑮: Distribución del tiempo de servicio
Cualquier tipo de distribución.
Independiente
𝟏: una sola cola o fila.
𝒅: orden de atención de los clientes.
FCFS: primeras entradas, primeros servicios
LCFS: últimas entradas, primeros servicios
SIRO: elección aleatoria de servicio
PR: servicio por prioridades
GD: Orden general
∞: c número máximo de clientes que soporta el sistema.
cantidad infinita en la fila y siendo atendidos: 𝝆<𝟏
∞: número de clientes potenciales del sistema de líneas de espera infinita
CONCLUSIONES.
(𝐌/𝐌/𝐜)(𝐅𝐂𝐅𝐒/∞/∞)
(𝐌/𝐃/𝐜) (𝐎𝐆/∞/∞).
(𝐌/𝐃/𝐜) (𝐅𝐂𝐅𝐒/∞/∞).
𝐜 = 𝟐𝟎
(𝐌/𝐌/𝟐𝟎)(𝐅𝐂𝐅𝐒/∞/∞)
𝐜=𝟓
(𝐌/𝐂/𝟓)(𝐅𝐂𝐅𝐒/∞/∞)
𝐛=𝐆
El número de servidores en el sistema. El número de servidores en el sistema,
es atendido por un solo médico, por
tanto:
𝐜=𝟏
(𝐌/𝐆/𝟏)(𝐅𝐂𝐅𝐒/𝟏𝟎/∞)
𝐛=𝐆
El número de servidores en el sistema. El número de servidores en el sistema,
son los 3 carriles en un solo sentido,
por lo tanto:
𝐜=𝟑
(𝐌/𝐆/𝟑)(𝐎𝐆/∞/∞)
𝐜=𝟒
(𝐌/𝐌/𝟒)(𝐅𝐂𝐅𝐒/𝟐𝟎𝟎/𝟑𝟖𝟎)
𝐜=𝟔
(𝐌/𝐌/𝟔)(𝐅𝐂𝐅𝐒/∞/∞)
10) Una sala de urgencias de un hospital recibe a 17 pacientes por hora con una
distribución exponencial y los ingresa a hospitalización según la gravedad de
la situación. Si cuenta con una recepcionista que brinda el servicio inicial en
un promedio de cuatro pacientes con una distribución exponencial con media
de 15 minutos por transacción. El número de personas que ingresa al referido
nosocomio no se puede limitar, y el número de clientes potenciales se puede
considerar infinito. Si algún paciente llega y encuentra que las recepcionistas
se encuentran ocupadas, debe hacer cola para esperar atención.
Sistema de colas según Kendall-Lee.
La distribución de probabilidad del La distribución de tiempo de entradas
tiempo entre llegadas. es Poisson con 17 pacientes que
ingresan por hora, por lo tanto tenemos
que el parámetro es: 𝐚 = 𝐌.
La distribución del tiempo de servicio La distribución de tiempo de servicio es
exponencial de 15 minutos por
transacción, por lo tanto:
𝐛=𝐌
El número de servidores en el sistema. El número de servidores es 1, ya que
sólo hay una recepcionista que atiende,
por lo tanto: 𝐜 = 𝟏
(𝐌/𝐌/𝟏) (𝐏𝐑/∞/∞).
(𝐌/𝐌/𝟓) (𝐅𝐂𝐅𝐒/𝟏𝟓/𝟐𝟓).
(𝐌/𝐌/𝟔)(𝐅𝐂𝐅𝐒/∞/∞)
EVIDENCIA DE APRENDIZAJE.
Aplicación de un modelo de colas para solución
de problemas.
Introducción.
Distribución probabilística de tiempo entre Distribución probabilística de tiempo entre llegadas Distribución probabilística de tiempo entre Comportamiento probabilístico del tiempo Comportamiento probabilístico del tiempo
llegadas exponencial .(a) exponencial .(a) llegadas exponencial.(a) entre llegadas exponencial.(a) entre llegadas cualquier tipo de
Comportamiento probabilístico de tiempo de Comportamiento probabilístico de tiempo de Comportamiento probabilístico de tiempo de Comportamiento probabilístico de tiempo de distribución.(a)
servicio exp. (b). servicio exp. (b). servicio, cualquier tipo de distribución(b). servicio, cualquier tipo de distribución(b). Comportamiento probabilístico de tiempo
CARACTERÍSTICAS Numero de servidores (c) Numero de servidores (c) Numero de servidores (c) Numero de servidores: S servidores (c) de servicio, cualquier tipo de
BÁSICAS. Orden de atención a los clientes FCFS(d) Orden de atención a los clientes FCFS(d) Orden de atención a los clientes LCFS(d) Orden de atención a los clientes FCFS(d) distribución(b).
No. máximo de clientes que soporta el No. máximo de clientes que soporta el sistema es No. máximo de clientes que soporta el sistema No. máximo de clientes que soporta el Numero de servidores : 1 servidor ( c )
sistema es Infinito.(e) finito.(e) es infinito.(e) sistema es infinito.(e) Orden de atención a los clientes LCFS(d)
No. de clientes potenciales del sistema es No. de clientes potenciales del sistema es finito No. de clientes potenciales del sistema es No. de clientes potenciales del sistema es No. máximo de clientes que soporta el
infinito. (f) pero no vacío.(f) infinito.(f) infinito.(f) sistema es infinito.(e)
No. de clientes potenciales del sistema es
infinito.(f)
Resuelve lo siguiente:
https://docs.google.com/spreadsheets/d/1uuCfU5DF_sY87EyuegrFsaQD
70XYmRY2_J6APuGnJKY/edit?usp=sharing
Elige un concepto y coloca tu nombre.
https://docs.google.com/presentation/d/1jkDmEkET2IsXEnjtqQrhnaaKt
YA4SHJ5P1bRDznlkmk/edit?usp=sharing
MODELACIÓN ESTOCÁSTICA.
0 𝝀𝟎 = 𝟒𝝀𝟎 1 2 3 ….
=𝟒
Matriz de transición
MODELACIÓN ESTOCÁSTICA.
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝝀=9
ℎ𝑜𝑟𝑎
𝑚𝑖𝑛
𝐸 (𝑡) = 5
𝑐𝑙𝑖𝑒𝑛𝑡𝑒
MODELACIÓN ESTOCÁSTICA.
Calculamos:
𝑚𝑖𝑛
60 60 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
ℎ𝑟
𝝁= = = 12 = 12𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝐸 (𝑡) 5 𝑚𝑖𝑛 ℎ𝑟
𝑐𝑙𝑖𝑒𝑛𝑡𝑒
Sustituimos en la fórmula:
9 3
𝑷𝟎 = 1 − = ≈ 𝟎. 𝟐𝟗
12 12
𝝀 𝟗
𝝆= = ≈ 𝟎. 𝟕𝟓 < 𝟏
𝝁 𝟏𝟐
𝝀 𝟗
𝑳= = = 𝟑 clientes en el sistema
𝝁−𝝀 𝟏𝟐−𝟗
λ2 (9)2 81
𝑳𝒒 = = = ≈ 𝟐. 𝟐𝟓 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔
𝜇 (μ − λ) 12(12 − 9) 36
𝐖 = 𝐖𝐪 + 𝐄(𝐭)
λ 9 9 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 1 min
𝐖𝐪 = = = = hr. (60 ) = 15 𝐦𝐢𝐧.
𝜇(μ − λ) 12(12 − 9) 36 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 4 hr
ℎ𝑟.
Por lo tanto:
𝜆 9
𝑳= = = 𝟑 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔.
(𝜇 − 𝜆) (12 − 9)
λ2 (9)2 81
𝑳𝒒 = = = ≈ 𝟐. 𝟐𝟓
𝜇(μ − λ) 12(12 − 9) 36
MODELACIÓN ESTOCÁSTICA.
𝝀 𝒌+𝟏 9 9+1 9 10
𝑷𝒏>𝒌 =( ) =( ) = ( ) = 0.056 ≈ 𝟓. 𝟔%
𝝁 12 12
Solución.
𝝀 = 40
𝒎𝒊𝒏𝒖𝒕𝒐𝒔
𝑬(𝒕) = 𝟒
𝒄𝒍𝒊𝒆𝒏𝒕𝒆
𝑚𝑖𝑛 𝑚𝑖𝑛
60 ℎ𝑟 60 ℎ𝑟 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔
𝝁= = 𝑚𝑖𝑛 = 𝟏𝟓
𝐸(𝑡) 4 𝑐𝑙 𝒉𝒓
0 1 2 3 …
𝟒𝟎∆𝒕 𝟒𝟎∆𝒕 𝟒𝟎∆𝒕 𝟒𝟎∆𝒕
Matriz de transición.
0 0 1 2 3 4 5
0 1-40Δt 40Δt 0 0 0 …
1 15Δt 1-55Δt 40Δt 0 0 …
2 0 15Δt 1-55Δt 40Δt 0 …
3 0 0 15Δt 1-55Δt 40Δt …
4 0 0 0 15Δt 1-55Δt …
5 … … … … … …
𝑃0 = (1 − 40∆𝑡)𝑃0 + (15∆𝑡)𝑃1
𝑃1 = (40∆𝑡)𝑃0 + (1 − 55∆𝑡)𝑃1 + (15∆𝑡)𝑃2
𝑃2 = (40∆𝑡)𝑃1 + (1 − 55∆𝑡)𝑃2 + (15∆𝑡)𝑃3
𝑃3 = (40∆𝑡)𝑃2 + (1 − 55∆𝑡)𝑃3 + (15∆𝑡)𝑃4
⋮
MODELACIÓN ESTOCÁSTICA.
1 = 𝑃0 + 𝑃1 + 𝑃2 + ⋯
𝜆0 8
𝑷𝟏 = 𝑃0 = 𝑃0
𝜇1 3
𝜆0 𝜆1 8
𝑷𝟐 = 𝑃0 = ( ) 𝑃0
𝜇1 𝜇2 3
𝜆0 𝜆1 𝜆2 8 2
𝑷𝟑 = 𝑃 = ( ) 𝑃0
𝜇1 𝜇2 𝜇3 0 3
⋮
𝟖
𝑷𝒏 = ( ) 𝒏 𝑷𝟎
𝟑
−1
8 8 2 8 3 8 𝑛
𝑷𝟎 = [1 + + ( ) + ( ) + ⋯ + ( ) + ⋯ ] =
3 3 3 3
1 −1 1 −1
= [1 + 𝜌 + 𝜌2 + ⋯ + 𝜌𝑛 + ⋯ ]−1 = [1 + ] = [1 + ] =
1−𝜌 1 − 8/3
1 −1 3 −1 2 −1 𝟓
= [1 + ] = (1 − ) = ( ) = = 𝟐. 𝟓
−5/3 5 5 𝟐
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜆 = 75
ℎ𝑟.
𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝐸(𝑡) = 1.5
𝑐𝑙𝑖𝑒𝑛𝑡𝑒
0 1 2 3 …
𝟕𝟓∆𝒕 𝟕𝟓∆𝒕
𝟕𝟓∆𝒕 𝟕𝟓∆𝒕 𝟕𝟓∆𝒕
𝟏 − 𝟏𝟓𝟓∆𝒕 𝟏 − 𝟏𝟓𝟓∆𝒕
𝟏 − 𝟕𝟓∆𝒕 𝟏 − 𝟏𝟓𝟓∆𝒕
Matriz de transición:
0 0 1 2 3 4
0 1-75Δt 75Δt 0 0 0
1 40 Δt 1-155Δt 75Δt 0 0
2 0 80 Δt 1-155Δt 75Δt 0
MODELACIÓN ESTOCÁSTICA.
3 0 0 80 Δt 1-155Δt 75Δt
4 0 0 0 80Δt 1-155Δt
𝑷𝟎 = (1 − 75∆𝑡)𝑃0 + (40∆𝑡)𝑃1
𝑷𝟏 = (40∆𝑡)𝑃0 + (1 − 155∆𝑡)𝑃1 + (75∆𝑡)𝑃2
𝑷𝟐 = (80∆𝑡)𝑃1 + (1 − 155∆𝑡)𝑃2 + (75∆𝑡)𝑃3
⋮
𝟏 = 𝑷𝟎 + 𝑷𝟏 + 𝑷𝟐 + ⋯
Para encontrar las probabilidades de estado estable.
15
𝑃1 = 𝑃
8 0
15 15
𝑃2 = ( ) ( ) 𝑃0
8 16
15 15 2
𝑃3 = ( ) ( ) 𝑃0
8 16
⋮
15 15 𝑛−1
𝑃𝑛 = ( ) ( ) 𝑃0
8 16
⋮
Verificamos que el sistema puede alcanzar un estado estable, utilizando
el criterio 𝝆 < 𝟏, para éste, se define el factor de utilización del sistema,
por medio de la fórmula:
𝜆 75 75 15
𝜌= = = = = 0.9375 < 1
𝑆𝜇 2(40) 80 16
Por lo tanto:
𝑳 = 𝟏𝟑. 𝟔𝟏 + 𝟐(𝟏𝟑. 𝟔𝟏) = 𝟒𝟎. 𝟖𝟑 ≈ 𝟒𝟏 es el promedio de clientes en el
sistema.
𝐿 40.83 𝑚𝑖𝑛
𝑊= = = 0.5444 ℎ𝑟 (60 ) = 32.6𝑚𝑖𝑛
𝜆 75 ℎ𝑟
λ = 20 botellas/hora
𝑚𝑖𝑛
60 60
ℎ𝑟
𝝁= = 𝑚𝑖𝑛 = 30𝑏𝑜𝑡𝑒𝑙𝑙𝑎𝑠/ℎ𝑜𝑟𝑎
(
𝐸 𝑡 ) 2
𝑏𝑜𝑡𝑒𝑙𝑙𝑎
𝐋𝐪
𝐖 = 𝑾𝒒 + 𝑬(𝒕) = + 𝑬(𝒕)
𝛌̅
𝑳𝒒 0.640 60𝑚𝑖𝑛
𝑾𝒒 = = = 𝟎. 𝟎𝟑𝟑𝟐 𝒉𝒐𝒓𝒂𝒔( )
𝝀̅ 20 ℎ𝑟
= 𝟏. 𝟗𝟗 𝒎𝒊𝒏. 𝒅𝒆 𝒆𝒔𝒑𝒆𝒓𝒂 𝒆𝒏 𝒇𝒊𝒍𝒂.
λ = 0.7 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎
donde,
𝜇 = es la capacidad de servidor y
𝜆̅ = es la tasa promedio de llegada.
𝑽(𝒂) 0.68027
𝑪𝟐𝒂 = = ≈ 3.33336 < 1
[𝑬(𝒂)]𝟐 [1.4285]2
MODELACIÓN ESTOCÁSTICA.
𝑉(𝑡) 0.49
𝐶𝑠2 = = ≈ 0.49
[𝐸 (𝑡)]2 [1]2
1 ℎ𝑜𝑟𝑎
𝐸 (𝑡) = ≈1
1 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
0.49
V(t) = ≈ 0.49 ℎ𝑜𝑟𝑎/𝑐𝑙𝑖𝑒𝑛𝑡𝑒
1
= 0.83 𝑐𝑙𝑖𝑒𝑛𝑡𝑒/ℎ𝑜𝑟𝑎
𝑽(𝒕) 0.49
𝑪𝟐𝒔 = = = 𝟎. 𝟒𝟗
[𝑬(𝒕)]𝟐 (1)2
𝝀̅ 𝟎.𝟕
𝝆= = = 𝟎. 𝟖𝟒𝟑𝟑𝟕 < 𝟏
𝝁 𝟎.𝟖𝟑
𝐋𝐪 3.3 60𝑚𝑖𝑛
𝑾𝒒 = = = 4.71 ( ) ℎ𝑜𝑟𝑎𝑠 = 2.82ℎ𝑜𝑟𝑎𝑠.
𝛌̅ 0.7 ℎ𝑟
CONCLUSIÓN PERSONAL.
0 𝝀𝟎 = 𝟒𝝀𝟎 1 ….
2 3
=𝟒
Matriz de transición
MODELACIÓN ESTOCÁSTICA.
𝑃0 = (1 − 2∆𝑡)𝑃0 + (3∆𝑡)𝑃1
𝑃1 = (2∆𝑡)𝑃0 + (1 − 2∆𝑡)𝑃1 + (3∆𝑡)𝑃2
𝑃2 = (2∆𝑡)𝑃1 + (1 − 2∆𝑡)𝑃2 + (3∆𝑡)𝑃3
⋮
1 = 𝑃0 + 𝑃1 + 𝑃2 + ⋯
2
𝑃1 = 𝑃0
3
2
𝑃2 = ( ) 2 𝑃0
3
2
𝑃3 = ( ) 3 𝑃0
3
⋮
2
𝑃𝑛 = ( ) 𝑛 𝑃0
3
⋮
2
Si tenemos que 𝜌 = , entonces, tenemos la siguiente ecuación:
3
MODELACIÓN ESTOCÁSTICA.
−1
2 2 2 2 𝑛
𝑃0 = (1 + + ( ) + ⋯ + ( ) + ⋯ ) =
3 3 3
= (1 + 𝜌 + 𝜌 2 + ⋯ + 𝜌 𝑛 + ⋯ )−1 =
1 −1 1
= (1 + ) =
1−𝜌 4
𝟐 𝟓
𝑳 = 𝑳𝒒 + 𝑺𝝆 = 𝟏 + =
𝟑 𝟑
𝟏 𝟏
𝑬(𝒕) = =
𝝁 𝟑
𝟏 𝟏
𝑽(𝒕) = 𝟐 =
𝝁 𝟗
𝟏 𝟏
𝑬(𝒂) = =
𝝀 𝟐
𝟏 𝟏
𝑽(𝒂) = =
𝝀𝟐 𝟒
𝑽(𝒂) 𝟏/𝟒
𝑪𝟐𝒂 = = =𝟏
[𝑬(𝒂)]𝟐 𝟏/𝟒
Por lo tanto:
𝟏 𝟒 𝟓
𝑪𝟐𝒑 = 𝑪𝟐𝒂 (𝟏 − 𝝆𝟐 ) + 𝑪𝟐𝑺 𝝆𝟐 = 𝟏 ( ) + 𝟏 ( ) =
𝟗 𝟗 𝟗
MODELACIÓN ESTOCÁSTICA.
(𝑴 ∕ 𝑴 ∕ 𝟐)(𝑭𝑪𝑭𝑺 ∕ ∞ ∕ ∞)
0 𝝀𝟎 = 𝟒𝝀𝟎 1 2 3 ….
=𝟒
Matriz de transición
𝑃0 = (1 − 2∆𝑡)𝑃0 + (3∆𝑡)𝑃1
MODELACIÓN ESTOCÁSTICA.
Luego:
2 2
𝑃𝑛 = 𝜌 𝑛−1𝑃0 = 𝜌 𝑛−1
3 9
MODELACIÓN ESTOCÁSTICA.
1 1 𝟏𝟑
𝑳 = 𝑳𝒒 + 𝑺𝝆 = +2( ) =
18 3 𝟏𝟖
1 1
𝐸 (𝑡 ) = =
𝜇 3
1 1
𝑉 (𝑡) = 2 =
𝜇 9
1 1
𝐸 (𝑎 ) = =
𝜆 2
1 1
𝑉 (𝑎) = 2 =
𝜆 4
𝑽(𝒂) 𝟏/𝟒
𝑪𝟐𝒂 = = =𝟏
[𝑬(𝒂)]𝟐 𝟏/𝟒
𝟏
𝑽(𝒕) 𝟗
𝑪𝟐𝑺 = = 𝟏 =𝟏
[𝑬(𝒕)]𝟐
𝟗
8 8
𝐶𝑝2 = 𝐶𝑎2(1 − 𝜌 2) + 𝐶𝑆2𝜌 2 = 1 ( ) + 1 ( ) = 1.777̅
9 9
TABLA COMPARATIVA.
Elementos 𝝆 𝑷𝟎 𝑷𝒏 𝑳 𝑳𝒒 𝑾 𝑾𝒒 𝑪𝟐𝒂 𝑪𝟐𝑺 𝑪𝟐𝒑
calculados
CONCLUSIÓN.
AUTORREFLEXIÓN 2.
1. Busca datos de un fenómeno de líneas de espera:
a. Plantea el problema
b. Establece los datos relacionados a tu problema.
c. Ajusta y verifica a qué distribución se ajusta la llegada y el o
los servicios.
d. Utilizando la notación de Kendall- Lee establece el tipo de
línea de espera considera si es markoviana.
e. Utilizando la información encuentra:
i. Utilización promedio del servicio
ii. Tasa promedio de llegadas
iii. Número promedio de clientes en el sistema de
colas
iv. Número promedio de clientes en la cola
v. Tiempo promedio de espera en el sistema
vi. Tiempo promedio de espera en la fila
MODELACIÓN ESTOCÁSTICA.
https://docs.google.com/presentation/d/1ZPp0XlOk5WcIvYijMBLLbS0DW
SvuPdlf_cCsYQeUeZw/edit?usp=sharing
MODELACIÓN ESTOCÁSTICA.
MODELACIÓN ESTOCÁSTICA.
UNIDAD 3.GENERACIÓN DE
NÚMEROS PSEUDOALEATORIOS.
ACTIVIDAD 1. GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Foro.
Buenas tardes, compañeros y docente del foro, les dejo mi aportación.
1) Semilla: 55.
2) Semilla: 49.
3) Semilla: 65.
4) Semilla: 89.
5) Semilla: 94.
6) Semilla: 41.
7) Semilla: 46.
8) Semilla: 78.
Metodo de Congruencia N
𝑟0 = 55
1.200000
𝑎= 180 1.000000
c= 88 0.800000
𝑚= 900 0.600000
0.400000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.200000 N
𝑟1 = 4840 5020 520 0.664112 0.000000
𝑟2 = 45760 45940 40 0.051086 520 40 100 880 220
N
𝑟0 = 49 1.200000
𝑎= 180 1.000000
c= 88 0.800000
0.600000
𝑚= 900
0.400000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.200000 N
𝑟1 = 4312 4492 892 1.139208 0.000000
892 376 868 64 412
𝑟2 = 78496 78676 376 0.480204
𝑟3 = 33088 33268 868 1.108557 4492 78676 33268 76564 5812
𝑟4 = 76384 76564 64 0.081737 4312 78496 33088 76384 5632
𝑟5 = 5632 5812 412 0.526181
N
𝑟0 = 65 1.200000
𝑎= 180 1.000000
c= 88 0.800000
0.600000
𝑚= 900 0.400000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.200000 N
𝑟1 = 5720 5900 500 0.638570 0.000000
500 80 20 140 800
𝑟2 = 44000 44180 80 0.102171
𝑟3 = 7040 7220 20 0.025543 5900 44180 7220 1940 12500
𝑟4 = 1760 1940 140 0.178799 5720 44000 7040 1760 12320
𝑟5 = 12320 12500 800 1.021711
N
𝑟0 = 89
𝑎= 180 1.200000
1.000000
c= 88 0.800000
𝑚= 900 0.600000
0.400000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.200000 N
𝑟1 = 7832 8012 812 1.037037 0.000000
812 536 548 704 32
𝑟2 = 71456 71636 536 0.684547
𝑟3 = 47168 47348 548 0.699872 8012 71636 47348 48404 62132
𝑟4 = 48224 48404 704 0.899106
7832 71456 47168 48224 61952
𝑟5 = 61952 62132 32 0.040868
N
𝑟0 = 94
1.200000
𝑎= 180 1.000000
c= 88 0.800000
𝑚= 900 0.600000
0.400000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.200000 N
𝑟1 = 8272 8452 352 0.449553 0.000000
𝑟2 = 30976 31156 556 0.710089 352 556 508 784 772
𝑟3 = 48928 49108 508 0.648787 8452 31156 49108 44884 69172
𝑟4 = 44704 44884 784 1.001277
8272 30976 48928 44704 68992
𝑟5 = 68992 69172 772 0.985951
N
MODELACIÓN ESTOCÁSTICA.
𝑟0 = 46 N
𝑟02= 2116 0.200000
𝑎= 180 0.150000
c= 88
0.100000
𝑚= 900
0.050000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N N
𝑟1 = 186208 186388 88 0.112388 0.000000
𝑟2 = 147928 147969 9 0.011494 88 9 50 31 132
𝑟3 = 15129 15170 50 0.063857 186388 147969 15170 84091 52152
𝑟4 = 84050 84091 31 0.039591
186208 147928 15129 84050 52111
𝑟5 = 52111 52152 132 0.168582
𝑟0 = 78 N
𝑟02= 6084 0.160000
𝑎= 180 0.140000
0.120000
c= 88 0.100000
0.080000
𝑚= 900 0.060000
0.040000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.020000 N
𝑟1 = 535392 535572 72 0.091954 0.000000
72 113 94 15 56
𝑟2 = 121032 121073 113 0.144317
𝑟3 = 189953 189994 94 0.120051 535572 121073 189994 158055 25256
𝑟4 = 158014 158055 15 0.019157 535392 121032 189953 158014 25215
𝑟5 = 25215 25256 56 0.071520
𝑟0 = 55
N
𝑟02= 3025 0.250000
𝑎= 180 0.200000
c= 88 0.150000
𝑚= 900 0.100000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.050000 N
𝑟1 = 266200 266380 160 0.204342 0.000000
𝑟2 = 268960 269001 81 0.103448 160 81 122 103 24
𝑟3 = 136161 136202 122 0.155811 266380 269001 136202 205123 173184
𝑟4 = 205082 205123 103 0.131545
266200 268960 136161 205082 173143
𝑟5 = 173143 173184 24 0.030651
𝑟0 = 49
N
𝑟02= 2401 0.200000
𝑎= 180 0.150000
c= 88
0.100000
𝑚= 900
0.050000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N N
𝑟1 = 211288 211468 148 0.189017 0.000000
148 69 110 91 12
𝑟2 = 248788 248829 69 0.088123
𝑟3 = 115989 116030 110 0.140485 211468 248829 116030 184951 153012
𝑟4 = 184910 184951 91 0.116220 211288 248788 115989 184910 152971
𝑟5 = 152971 153012 12 0.015326
MODELACIÓN ESTOCÁSTICA.
GRUPO 2. Determina tres números pseudo-aleatorios entre cero y uno, usando
la semilla que creas conveniente y tu método preferido a través de cuatro
procesos
𝑟 =
diferentes.
5
𝑟0 = 41 N
𝑎= 870 1.500000
c= 88 1.000000
0.500000
𝑚= 900 0.000000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 878 44 452 N
𝑟1 = 3608 4478 878 1.121328 4478 77444 4052
𝑟2 = 77264 77444 44 0.056194
3608 77264 3872
𝑟3 = 3872 4052 452 0.577267
𝑟54 =
𝑟0 = 46 N
𝑎= 306 1.500000
c= 88 1.000000
𝑚= 900 0.500000
𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N 0.000000
c𝑟𝑖 N
754 832 496
𝑟1 = 4048 4354 754 0.962963
𝑟2 = 66352 66532 832 1.062580 4354 66532 73396
𝑟3 = 73216 73396 496 0.633461 4048 66352 73216
𝑟54 =
𝑟0 = 78
𝑎= 406
N
c= 88 0.150000
𝑚= 900 0.100000
0.050000
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N
0.000000
𝑟1 = 6864 7270 70 0.089400
70 40 100
N
𝑟2 = 6160 6340 40 0.051086
7270 6340 3700
𝑟3 = 3520 3700 100 0.127714
𝑟54 = 6864 6160 3520
𝑟0 = 41
𝑟02= 1681
𝑎= 214
c= 88
𝑚= 900
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N
𝑟1 = 147928 148142 2 0.002554
𝑟2 = 3362 3403 163 0.208174
𝑟3 = 274003 274044 84 0.107280
𝑟4 = 141204 141245 125 0.159642
𝑟0 = 67
𝑟02= 4489
𝑎= 214
c= 88
𝑚= 900
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N
𝑟1 = 395032 395246 146 0.186462
𝑟2 = 245426 245467 127 0.162197
𝑟3 = 213487 213528 48 0.061303
𝑟4 = 80688 80729 89 0.113665
𝑟0 = 70
𝑟02= 4900
𝑎= 214
c= 88
𝑚= 900
c𝑟𝑖 𝑎 + 𝑐𝑟𝑖 𝑎 + 𝑐𝑟𝑖 mod m N
𝑟1 = 431200 431414 134 0.171137
𝑟2 = 225254 225295 115 0.146871
𝑟3 = 193315 193356 36 0.045977
𝑟4 = 60516 60557 77 0.098340
Semilla: 25.
Primero el cuadrado de la semilla
𝑟1 = 252 = 625 =0 .0625
Así, si el número central se considera 625 se le agrega un cero a la izquierda y se
eleva al cuadrado.
𝑟2 = 6252 =390625 =0 .9062
Se hace lo mismo con el resultado de 𝑟2 para obtener 𝑟3
𝑟3 = 90622 =82119844 =0.1198
Diagrama de dispersión
0.5
0.25
1 2 3
Semilla: 99.
Ejecutamos con base a la regla del método congruencial:
MODELACIÓN ESTOCÁSTICA.
𝑟𝑖+1 = (a +c𝑟𝑖 ) mod m
Donde
𝑟𝑖 = 99
a=544
c=19
m=920
n r a c m Columna1 a+cr residuo m-1 Nal
1 99 544 19 920 2425 585 919 0.63656148
2 585 544 19 920 11659 619 919 0.67355822
3 619 544 19 920 12305 345 919 0.37540805
4 345 544 19 920 7099 659 919 0.71708379
5 659 544 19 920 13065 185 919 0.20130577
6 185 544 19 920 4059 379 919 0.41240479
7 379 544 19 920 7745 385 919 0.41893362
8 385 544 19 920 7859 499 919 0.5429815
9 499 544 19 920 10025 825 919 0.89771491
10 825 544 19 920 16219 579 919 0.63003264
11 579 544 19 920 11545 505 919 0.54951034
12 505 544 19 920 10139 19 919 0.02067465
13 19 544 19 920 905 905 919 0.98476605
14 905 544 19 920 17739 259 919 0.28182807
15 259 544 19 920 5465 865 919 0.94124048
16 865 544 19 920 16979 419 919 0.45593036
17 419 544 19 920 8505 225 919 0.24483134
18 225 544 19 920 4819 219 919 0.2383025
19 219 544 19 920 4705 105 919 0.11425462
20 105 544 19 920 2539 699 919 0.76060936
21 699 544 19 920 13825 25 919 0.02720348
22 25 544 19 920 1019 99 919 0.10772579
23 99 544 19 920 2425 585 919 0.63656148
24 585 544 19 920 11659 619 919 0.67355822
25 619 544 19 920 12305 345 919 0.37540805
26 345 544 19 920 7099 659 919 0.71708379
27 659 544 19 920 13065 185 919 0.20130577
28 185 544 19 920 4059 379 919 0.41240479
29 379 544 19 920 7745 385 919 0.41893362
30 385 544 19 920 7859 499 919 0.5429815
31 499 544 19 920 10025 825 919 0.89771491
32 825 544 19 920 16219 579 919 0.63003264
33 579 544 19 920 11545 505 919 0.54951034
34 505 544 19 920 10139 19 919 0.02067465
35 19 544 19 920 905 905 919 0.98476605
36 905 544 19 920 17739 259 919 0.28182807
37 259 544 19 920 5465 865 919 0.94124048
38 865 544 19 920 16979 419 919 0.45593036
39 419 544 19 920 8505 225 919 0.24483134
40 225 544 19 920 4819 219 919 0.2383025
MODELACIÓN ESTOCÁSTICA.
Diagrama de dispersión
20000
1
18000
0.9
16000
0.8
14000
0.7
12000
0.6
10000
0.5
0.4 8000
0.3 6000
0.2 4000
0.1 2000
0 0.63656148
0.673558215
0.375408052
0.717083787
0.201305767
0.412404788
0.418933624
0.542981502
0.897714908
0.630032644
0.549510337
0.020674646
0.98476605
0.281828074
0.941240479
0.455930359
0.244831338
0.238302503
0.114254625
0.760609358
0.027203482
0.107725789
0.63656148
0.673558215
0.375408052
0.717083787
0.201305767
0.412404788
0.418933624
0.542981502
0.897714908
0.630032644
0.5495103370.238302503 0
0.020674646
0.98476605
0.281828074
0.941240479
0.455930359
0.244831338
00 1010 20
20 30
30 40
40 50
50
Números aleatorios
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
CONCLUSIÓN.
Algunas veces nos vamos a encontrar que no todos los métodos utilizados son los
mejores para generar números pseudoaleatorios, como en los últimos ejercicios
realizados; pero creo que ayuda mucho, la prueba de bondad de ajuste chi cuadrada
así como la interpretación de la gráfica, con la cual podemos darnos una idea, en
este caso, de que se acerca a una distribución normal; aunque resulta un poco
laborioso, siempre resulta bueno intentar de hacerla de forma manual, y en este
caso, hice la comprobación con el programa Geogebra; otra cosa que observé, es que
los resultados que se obtienen con el método congruencial son más precisos y
depende mucho de la semilla que se elija.
𝑐−𝑎
𝐴1 =
𝑏−𝑎
𝑏−𝑐
𝐴2 =
𝑏−𝑎
2
𝑓1 (𝑥) = (𝑥 − 𝑎)
(𝑐 − 𝑎 )2
( 𝑥 − 𝑎 )2
𝐹1 (𝑥 ) =
( 𝑏 − 𝑎 )2
MODELACIÓN ESTOCÁSTICA.
2
𝑓2 (𝑥 ) = (𝑥 − 𝑏)
(𝑏 − 𝑐 )2
( 𝑥 − 𝑏 )2
( )
𝐹1 𝑥 =
( 𝑏 − 𝑐 )2
𝑐−𝑎 2 𝑏−𝑐 2
𝑓 (𝑥 ) = ( (𝑥 − 𝑎 )) + ( (𝑏 − 𝑥 ))
𝑏 − 𝑎 (𝑐 − 𝑎 ) 2 𝑏 − 𝑎 (𝑏 − 𝑐 )2
0 𝑝𝑎𝑟𝑎 𝑥 < 𝑎
2 (𝑥 − 𝑎 )
𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑐
(𝑏 − 𝑎)(𝑐 − 𝑎)
𝑓 (𝑥 ) =
2(𝑏 − 𝑥 )
𝑝𝑎𝑟𝑎 𝑐 < 𝑥 ≤ 𝑏
(𝑏 − 𝑎)(𝑏 − 𝑐 )
{ 0 𝑝𝑎𝑟𝑎 𝑥 > 𝑏
Es del 20.22% de que un hombre tenga menos o igual del 1.67 cm.
EVIDENCIA DE APRENDIZAJE.
SIMULACIÓN DE NÚMEROS PSEUDOALEATORIOS Y
DE VARIABLES ALEATORIAS.
INTRODUCCIÓN.
En la actualidad, la simulación es una de las herramientas de análisis
cuantitativo que más uso tienen y se presenta como una solución a muchos
problemas de índole administrativa; simular equivale a tratar de duplicar las
funciones, apariencias y características de un sistema real, mediante la
construcción de un modelo matemático que se asemeje lo más posible a la
representación real del sistema, y a partir de ahí, obtener conclusiones y tomar
decisiones de acción, con base en los resultados de la simulación. De esta
manera, el sistema real no sufre cambios, sino hasta que se tienen en el modelo
del sistema, las ventajas y desventajas de lo que puede ser una decisión de
política importante.
Los números pseudo-aleatorios constituyen la parte medular de la simulación
de procesos estocásticos y generalmente se usan para generar el
comportamiento de variables aleatorias, tanto continuas como discretas. Debido
a que no es posible generar números realmente aleatorios, los consideramos
como pseudo-aleatorios, generados por medio de algoritmos determinísticos
que requieren parámetros de arranque. Dada la importancia de contar con un
conjunto de números pseudo aleatorios suficientemente grande, en este trabajo
se presentan diferentes algoritmos determinísticos para obtenerlos; es
conveniente señalar que el conjunto de números pseudo-aleatorios, debe ser
sometido a una variedad de pruebas para verificar si son realmente
independientes y uniformes. Si las pruebas son superadas, podrán utilizarse en la
simulación; de lo contrario, simplemente debemos desecharlos.
Generar un conjunto de números pseudo-aleatorios es una tarea relativamente
sencilla, sólo es necesario diseñar un algoritmo de generación. Lo que resulta
difícil es diseñar un algoritmo que genere un conjunto de números pseudo -
aleatorios con período de vida suficientemente grande y además pase sin
problemas las pruebas de uniformidad e independencia, lo cual implica evitar
problemas como éstos:
Que los números pseudo-aleatorios no estén uniformemente distribuidos, es
decir, que haya demasiados números en un subintervalo y en otro muy pocos o
ninguno.
MODELACIÓN ESTOCÁSTICA.
Que los números pseudo-aleatorios generados sean discretos en lugar de
continuos.
Que la media del conjunto sea muy alta o muy baja, es decir, que esté por arriba
o por debajo de ½.
Que la varianza del conjunto sea muy alta o muy baja, es decir, que se localice
por arriba o por debajo del 1/12.
PRODUCTOS MEDIOS.
Este método es muy similar al anterior ya que se tomará como número aleatorio siguiente de la serie, a los n
dígitos centrales del resultado de una multiplicación previa.
Se requiere dos semillas.
Una modificación para este método consiste en utilizar un multiplicador constante, en lugar de dos números
aleatorios como se muestra a continuación:
NO CONGRUENCIALES
Rn+1 = K * Rn
Estos métodos son similares al cuadrado medio.
Sin embargo los dos tienen periodos más extensos y los números parecen estar distribuidos uniformemente.
Este método tiende a degenerar a un valor constante.
Tanto el método de cuadrados medios como el de producto medio tienen un periodo corto para la cantidad
de números aleatorios que vamos a necesitaremos generar en cada uno de nuestros Modelos.
MULTIPLICADOR CONSTANTE.
Lineales.
CONGRUENCIALES
En forma semejante al método anterior el generador congruencial multiplicativo genera el próximo número
pseudo - aleatorio a partir del último número calculado, siguiendo la siguiente relación de recurrencia:
𝑿𝒏 + 𝟏 = 𝒂𝑿𝒏𝒎𝒐𝒅 𝒎
Para este generador también se deben escoger adecuadamente los valores de a, X0, y m, con la finalidad de
que se pueda asegurar un período máximo para la series pseudo - aleatorias generadas por este método. A
continuación se dan las reglas que indican como se deben escoger estos valores.
MODELACIÓN ESTOCÁSTICA.
No lineales:
CONGRUENCIAL CUADRÁTICO.
Método de Montecarlo.
MODELACIÓN ESTOCÁSTICA.
𝒇(𝒙) = ∑ 𝜶𝒆−𝜶𝒙𝒊
𝒊=𝟏
Aplicando la transformada inversa para la exponencial, obtenemos:
𝟏
𝒙𝒊 = − 𝐥𝐧(𝟏 − 𝒓𝒊 ) , 𝒊 = 𝟏, 𝟐, 𝟑, 𝟒
𝜶
Por tanto:
MODELACIÓN ESTOCÁSTICA.
𝟒 𝟒
𝟏 𝟏
𝒙 = ( ) ∑ 𝐥𝐧(𝟏 − 𝒓𝒊 ) = − 𝐥𝐧 (∏(𝟏 − 𝒓𝒊 ))
𝜶 𝜶
𝒊=𝟏 𝒊=𝟏
Primera simulación.
𝟒
𝟏
𝒙 = − 𝐥𝐧 (∏(𝟏 − 𝒓𝒊 )) =
𝟓
𝒊=𝟏
1
= − ln[(1 − .541507)(1 − .756066)(1 − .097063)(1
5
− .725415)] =
1
= − ln(. 027729325) = 𝟎. 𝟕𝟏𝟕𝟎𝟓𝟐𝟗𝟒𝟖
5
Segunda simulación.
𝑟1 = 0.449553
𝑟2 = 0.710089
𝑟3 = 0.648787
𝑟4 = 0.985951
1
𝑥 = − ln[(1 − .449553)(1 − .710089)(1 − .648787)(1 − .2985951)]
5
1
= − ln[. 039311496] = 𝟎. 𝟔𝟒𝟕𝟐𝟒𝟕𝟔𝟓𝟐
5
Tercera simulación.
𝑟1 = 0.684547
𝑟2 = 0.699872
𝑟3 = 0.459106
𝑟4 = 0.270868
1
𝑥 = − ln[(1 − .684547)(1 − .699872)(1 − .459106)(1 − .270868)] =
5
MODELACIÓN ESTOCÁSTICA.
1
− ln[. 037338726] = 𝟎. 𝟔𝟓𝟕𝟓𝟒𝟒𝟖𝟓
5
Cuarta simulación.
𝑟1 = 0.638570
𝑟2 = 0.102171
𝑟3 = 0.125543
𝑟4 = 0.178799
1
𝑥 = − ln[(1 − .638570)(1 − .102171)(1 − .125543)(1 − .178799)] =
5
1
=− 5 ln[. 2033026737] =0.291320415
Quinta simulación.
𝑟1 = 0.132822
𝑟2 = 0.424010
𝑟3 = 0.761175
𝑟4 = 0.546615
1
𝑥 = − ln[(1 − .132822)(1 − 0.424010)(1 − 0.761175)(1 − 0.546615)] =
5
1
− ln[0.054084164] = 0.583442767
5
Solución:
𝑓(𝑥 ) = ∑ 𝛼𝑒 −𝛼𝑥𝑖
𝑖=1
En el material desarrollado vimos que usando la transformada inversa para la
exponencial se tiene:
1
𝑥𝑖 = − ln(1 − 𝑟𝑖 ) , 𝑖 = 1,2,3,4
𝛼
Por tanto:
MODELACIÓN ESTOCÁSTICA.
4 4
1 1
𝑥 = ( ) ∑ ln(1 − 𝑟𝑖 ) = − ln (∏(1 − 𝑟𝑖 ))
𝛼 𝛼
𝑖=1 𝑖=1
Ahora, usando Excel, se generan los números:
𝑟1 = 0.467289261, 𝑟2 = 0.586165112, 𝑟3 = 0.491180205, 𝑟4 = 0.855542032
Por tanto, la primera simulación es:
4
1
𝑥 = − ln (∏(1 − 𝑟𝑖 ))
5
𝑖=1
1
= − ln[(1 − 0.467289261)(1 − 0.586165112)(1 − 0.491180205)(1
5
1 1
− 0.855542032)] = − ln(0.01620407) = − (−4.12249297)
5 5
= 𝟎. 𝟖𝟐𝟒𝟒𝟗𝟖𝟓𝟗
Para la segunda simulación:
𝑟1 = 0.353629784, 𝑟2 = 0.540490564, 𝑟3 = 0.558970186, 𝑟4 = 0.266479015
1
𝑥 = − ln[(1 − 0.353629784)(1 − 0.540490564)(1 − 0.558970186)(1
5
1 1
− 0.266479015)] = − ln[0.09608515] = − (−2.34252052)
5 5
= 𝟎. 𝟒𝟔𝟖𝟓𝟎𝟒𝟏𝟎
Para la tercera simulación:
𝑟1 = 0.15605013, 𝑟2 = 0.74620582, 𝑟3 = 0.38424669, 𝑟4 = 0.68026755
1
𝑥 = − ln[(1 − 0.15605013)(1 − 0.74620582)(1 − 0.38424669)(1
5
− 0.68026755)] =
1 1
− ln[0.042168853] = − (−3.1660734419) = 𝟎. 𝟔𝟑𝟑𝟐𝟏𝟒𝟔𝟖𝟒
5 5
Para la cuarta simulación:
𝑟1 = 0.98798498, 𝑟2 = 0.67018686, 𝑟3 = 0.43082984, 𝑟4 = 0.51330694
1
𝑥 = − ln[(1 − 0.98798498)(1 − 0.67018686)(1 − 0.43082984)(1
5
− 0.51330694)] =
1 1
− ln[0.001097715] = − (−6.814524431) = 𝟏. 𝟑𝟔𝟐𝟗𝟎𝟒𝟖𝟖𝟔
5 5
Para la quinta simulación:
𝑟1 = 0.75323506, 𝑟2 = 0.60685699, 𝑟3 = 0.69867496, 𝑟4 = 0.16677258
1
𝑥 = − ln[(1 − 0.75323506)(1 − 0.60685699)(1 − 0.69867496)(1
5
− 0.16677258)] =
1 1
− ln[0.024357505] = − (−3.714915279) = 𝟎. 𝟕𝟒𝟐𝟗𝟖𝟑𝟎𝟓𝟔
5 5
Solución:
Evento de salida.
Si la cola está vacía, se declara ociosa la instalación, se actualiza las
estadísticas de utilización de la instalación.
Si la cola no está vacía:
a) Se selecciona un cliente de la cola, para ponerlo en la
instalación. Se actualizan las estadísticas de utilización de
instalación y la cola.
b) Se genera y guarda cronológicamente el tiempo de
ocurrencia del evento de salida del cliente(=tiempo de
simulación actual+tiempo de servicio)
Como los tiempos entre llegadas son exponenciales, el número de clientes que
llega se distribuye como Poisson al igual que el número de clientes que se
atienden. Por otra parte, el día de trabajo es de 3 horas, por tanto, tomando
como unidad de tiempo 10 minutos, el equivalente en horas es de 6 clientes por
hora con lo que 𝜇 = 6 y la unidad de tiempo 1 hrs. Con esto, en un día de
trabajo, en promedio, llegarían 18.
Generamos números pseudoaleatorios entre 0 y 1 distribuidos de manera
1
uniforme y aplicamos 𝑥𝑖 = − 𝜆 ln(1 − 𝑟𝑖 ) , 𝑖 = 1,2,3, … para generar los tiempos
entre llegadas exponenciales simulados. Para esto nos ayudamos de Excel tanto
en los 𝑟𝑖 como introduciendo la fórmula para los 𝑥𝑖 . Luego, se tiene la siguiente
tabla para los tiempos entre llegadas:
Del mismo modo simulamos los tiempos de servicio como una exponencial en
donde también tomaremos 𝜇 = 6 clientes por hora y lo haremos hasta las 3
horas que dura abierto el servicio. Nos valemos nuevamente de Excel para
1
generar números pseudoaleatorios e implementar 𝑥𝑖 = − 𝜆 ln(1 − 𝑟𝑖 ) , 𝑖 = 1,2,3, …
para simular los tiempos de servicio exponenciales. La tabla siguiente tiene los
cálculos:
ocupado y tiene que esperar 39.67 – 28.34 = 11.33 minutos en la cola para ser
atendido. Cuando se atiende a 𝑥3 , el tiempo de servicio es de 8.60 minutos, por
lo que su estancia en la peluquería será el tiempo de espera más el tiempo en
que lo atienden, es decir 11.33+8.60 = 19.93 minutos y la salida tendrá lugar
entonces en el instante 28.34+19.93 = 48.27.
Siguiendo esto para cada caso, distinguimos aquí 4 cosas: el momento en el que
se produce una llegada, el tiempo que un cliente puede esperar en la cola, el
tiempo que permanece un cliente en la peluquería (tiempo de espera más el de
servicio), y el momento en el que sale de la peluquería (momento en el que llegó
más tiempo que dura en la peluquería). De este modo, haciendo los cálculos
como antes para cada llegada asociada a un servicio, se tiene:
Notemos que el último cliente salió hasta el momento 189.75 que son casi 3
horas 10 minutos. Esto quiere decir que si un cliente más llega ya no será
atendido pues se terminó el turno de trabajo del peluquero. Este último cliente lo
contabilizamos, pues ingresó al sistema en el minuto 142.82 esperó 13.39 por lo
que comenzó su servicio en 156.21 y desde luego el peluquero no puede saber
con precisión cuanto se tarda con cada cliente.
i. ¿Cuántos clientes llegaron?
Del conteo de llegadas tenemos que llegaron 13 clientes a la peluquería
ii. ¿A cuántos clientes atendió?
El peluquero pudo atender a los 13 clientes
iii. ¿Cuánto tardaron en promedio en la peluquería?
MODELACIÓN ESTOCÁSTICA.
1.08 125.83
7.14 132.97
4.30 137.27
5.48 142.75
1.60 144.35
14.23 158.58
1.54 160.12
2.65 162.77
2.12 164.89
3.59 168.48
3.41 171.89
4.74 176.63
16.77 193.4
5.10 53.03
8.61 1.90
2.58 14.49
1.50
2.49
5.87
2.90
3.74
12.15
8.40
1.08
7.14
4.30
5.48
1.60
14.23
1.54
2.65
2.12
3.59
3.41
4.74
16.77
De manera que B dispara primero y lo hará contra A que es el más fuerte entre
A y C. Luego, generamos un número aleatorio uniforme y lo comparamos con la
probabilidad que tiene B de acertar a su oponente, es decir, 𝑃𝐵 = 0.40. Con la
ayuda de Excel generamos 𝑟 = 0.61, de tal manera que 𝑟 < 𝑃𝐵 .
Notemos que los exponenciales son los tiempos entre los disparos, por tanto el
de menor valor es quien hace el primer disparo. Entonces, simulamos los
tiempos entre los disparos y tenemos la siguiente tabla:
A 0.39498072
B 0.00655182
C 0.29541388
A 1.29993882
B 0.67695084
C 1.44655756
Donde se ve por ejemplo que tira primero B, luego C, luego A, luego B, luego A y
por último C. Esto es solo la parte de los tiempos entre disparo que simula el
orden en que van disparándose entre sí los barcos.
Ahora, como siempre se trata de disparar al más fuerte o al que quede, para
simular esto, se simulan variables binomiales que corresponden a las
probabilidades que tiene cada barco de acertar a su objetivo, es decir que si
𝑟 < 𝑃𝐵 con 𝑟 un número pseudoaleatorio entre 0 y 1 entonces el barco que
MODELACIÓN ESTOCÁSTICA.
Combate 1 4.12039364
Combate 2 4.06042413
Combate 3 2.37722883
Combate 4 1.80017427
Combate 5 6.20204321
Combate 6 2.52014413
Combate 7 3.89665127
Combate 8 4.80339882
Combate 9 2.22686345
Combate 10 3.96601819
MODELACIÓN ESTOCÁSTICA.
0.9155 0.5789
0.2052 0.7242
0.8245 0.3870
0.6287 0.2237
0.3054 0.6258
De esta manera comparamos los rangos de cada estado con 𝑅𝑖 que son los
valores empíricos simulados al principio. Así se tiene que la primera simulación
que consiste en 5 años con elecciones cada año es:
Año de elecciones 𝑹𝒊 𝑿𝒊 𝑿𝒋
1 0.2541 E1 E1
2 0.5154 E1 E3
3 0.3562 E3 E3
4 0.2229 E3 E2
5 0.6214 E2 E2
3 0.3870 E3 E3
4 0.2237 E3 E2
5 0.6258 E2 E2
𝒓𝒊 𝑹𝒊
0.3162 0.6567
0.5295 0.5440
0.1707 0.5904
0.7246 0.7605
0.7956 0.2353
0.5555 0.5263
0.9763 0.6197
0.1362 0.6657
0.9911 0.6195
0.6093 0.5374
D L C
E1 D 0.3 0.3 0.4
E2 L 0.1 0.7 0.2
E3 C 0.2 0.5 0.3
De esta manera comparamos los rangos de cada estado con 𝑅𝑖 que son los
valores empíricos simulados al principio. Así se tiene que la primera simulación
que consiste en 5 años con elecciones cada año es:
Año de elecciones 𝑹𝒊 𝑿𝒊 𝑿𝒋
1 0.6567 E1 E3
2 0.5440 E3 E2
3 0.5904 E2 E2
4 0.7605 E2 E2
5 0.2353 E2 E2
𝒓𝒊 𝒙𝒊 (Cajas)
0.2853 296.706
0.8087 305.435
0.2518 296.036
0.4547 298.8205
0.5514 299.757
0.4471 298.7065
0.6784 301.568
0.0864 286.288
0.1168 292.504
0.7148 302.444
0.9295 311.475
0.4322 298.483
MODELACIÓN ESTOCÁSTICA.
0.2759 296.518
0.1592 293.776
0.5464 299.732
0.4023 298.0345
0.2867 296.734
0.9229 311.145
0.9199 310.995
0.9227 311.135
3. Se sabe que por cada ventilador que falle antes de los tres años, se
tiene que pagar $550 al cliente, de los resultados cuanto se tendrá que
pagar en total. ¿Cuál será la probabilidad de que el ventilador falle
antes de los tres años (utilice el histograma para calcular esta
probabilidad? ¿Cuál es la probabilidad de que dure 3 o más años?
MODELACIÓN ESTOCÁSTICA.
entre:
𝒂 = 𝟎 𝒚 𝒃 = 𝟗 , 𝒇(𝒙|𝟎, 𝟎. 𝟗𝟗), 𝟎 ≤ 𝒙 ≤ 𝟎. 𝟗𝟗
Calculamos la frecuencia esperada para cada uno de los intervalos (𝐹𝐸𝑖),
total de datos.
𝟏.𝟔𝟒
𝟎. 𝟎𝟏
𝒇(𝒙) = ∫ ( ) 𝒅𝒙 = 𝟎. 𝟎𝟎𝟏𝟏𝟏
𝟎 𝟗
Multiplicado por 𝑛 𝑑𝑎𝑡𝑜𝑠 → 0.00111 ( 40) = 0.04444
Cálculo del estimador C. Donde:
frecuencias.
de:
AUTORREFLEXIÓN 3.
1. Elabora una simulación. Plantea el problema.
MODELACIÓN ESTOCÁSTICA.
0 Culiacán 1
1 Culiacán 2
2 Culiacán 3
3 Culiacán 4
4 Culiacán 5
5 Mazatlán 1
6 Mazatlán 2
7 Mazatlán 3
8 Mazatlán 4
9 Mazatlán 5
10 Los Mochis 1
11 Los Mochis 2
12 Los Mochis 3
13 Los Mochis 4
14 Los Mochis 5
15 Guasave 1
16 Guasave 2
17 Guasave 3
18 Guamúchil 1
19 Guamúchil 2
20 Guamúchil 3
21 Guamúchil 4
22 Mazatlán 6
23 Rosario 1
24 Cosalá 1
25 Concordia 1
26 El Fuerte 1
27 El Fuerte 2
28 Choix 1
29 Choix 2
30 Angostura 1
31 Badiraguato 1
MODELACIÓN ESTOCÁSTICA.