Distribución Parámetros Función de densidad y Función acumulada Generación a partir de números aleatorios

1
𝑓(𝑥) = {𝑏 − 𝑎 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Uniforme 𝑎,𝑏 0 𝑠𝑖 𝑥 < 𝑎
𝑿 = 𝒂 + (𝒃 − 𝒂)𝑹
𝑥−𝑎
𝐹(𝑥) = { 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑏 < 𝑥

−𝜆
𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝟏
Exponencial 𝜆 𝑿 = − 𝐥𝐧(𝑹)
−𝜆𝑥 𝝀
𝐹(𝑥) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝛽 −𝛼 𝑥 𝛼−1 𝑒 −𝑥⁄𝛽
𝑓(𝑥) = { 𝑠𝑖 𝑥 ≥ 0
Γ(𝛼)
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 Pasos:
𝛼−1 1. Calcular las constantes 𝑎 = 1⁄√2𝛼 − 1, 𝑏 = 𝛼 − ln 4,
(𝑥 ⁄𝛽)𝑗
1 − 𝑒 −𝑥⁄𝛽 ∑ 𝑠𝑖 𝑥 ≥ 0 𝑞 = 𝛼 + 1⁄𝑎, 𝜃 = 4,5 y 𝑑 = 1 + ln 𝜃
𝐹(𝑥) = { 𝑗!
𝑗=0 2. Generar 𝑅1 y 𝑅2
Gamma 𝛼,𝛽 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
3. Sean 𝑉 = 𝑎 ln[𝑅1 ⁄(1 − 𝑅1 )], 𝑌 = 𝛼𝑒 𝑉 , 𝑍 = 𝑅12 𝑅2 y
Γ(𝛼) es la Distribución Gamma. 𝑊 = 𝑏 + 𝑞𝑉 − 𝑌
4. Si 𝑊 ≥ ln 𝑍 retornar 𝑿 = 𝒀, en otro caso vuelva al
Propiedades: Γ(𝑧 + 1) = 𝑧Γ(𝑧) para cualquier 𝑧 > 0. Γ(𝑘 + paso 1
1
1) = 𝑘! para cualquier 𝑘 ∈ ℤ+ . Γ (𝑘 + ) = √𝜋 ∙ 1 ∙ 3 ∙
2
𝑘
5 ⋯ (2𝑘 − 1)⁄2 . Γ(1⁄2) = √𝜋.

1−𝛼 𝛼−1 −(𝑥⁄𝛽 )𝛼

𝑓(𝑥) = {𝛼𝛽 𝑥 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Weibull 𝛼,𝛽 𝑿 = 𝜷(− 𝐥𝐧 𝑹)𝟏⁄𝜶
−(𝑥⁄𝛽 )𝛼
𝐹(𝑥) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Pasos:
1 −(𝑥−𝜇)2 ⁄(2𝜎2 ) 1. Generar 𝑅1 , 𝑅2 , ⋯ , 𝑅12
Normal 𝜇 , 𝜎2 𝑓(𝑥) = 𝑒
√2𝜋𝜎 2 2. Aplicar la relación:
 𝟏𝟐

𝑿 = 𝝁 + 𝝈 (∑ 𝑹𝒊 − 𝟔)
𝒊=𝟏

Pasos:
1. Calcular:
𝜇2
𝜇 ′ = 𝐸(𝑌) = ln
1 −(ln 𝑥 − 𝜇)2 √𝜇 2 + 𝜎 2
Lognormal 𝜇,𝜎 2 𝑓(𝑥) = {𝑥√2𝜋𝜎 2 𝑒𝑥𝑝 2𝜎 2
𝑠𝑖 𝑥 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝜎2
𝜎 ′2 = ln (1 + )
𝜇2
2. Generar 𝑌 ∼ 𝑁(𝜇 ′ , 𝜎 ′2 )
3. Retornar 𝑿 = 𝒆𝒀

2(𝑥 − 𝑎)
𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏 Pasos:
(𝑏 − 𝑎)(𝑐 − 𝑎)
𝑓(𝑥) = 2(𝑐 − 𝑥) 1. Calcular:
𝑠𝑖 𝑐 < 𝑥 < 𝑐
(𝑐 − 𝑏)(𝑐 − 𝑎) 𝑏−𝑎
{ 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝑏′ =
𝑐−𝑎
Triangular 𝑎,𝑏,𝑐 0 𝑠𝑖 𝑥 < 𝑎 2. Retornar:
(𝑥 − 𝑎)2
𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑐
(𝑏 − 𝑎)(𝑐 − 𝑎)
𝐹(𝑥) =
(𝑐 − 𝑥) 2 𝒂 + √(𝒃 − 𝒂)(𝒄 − 𝒂)𝑹 𝒔𝒊 𝟎 ≤ 𝑹 ≤ 𝒃′
1− 𝑠𝑖 𝑐 < 𝑥 ≤ 𝑏
𝑿={
(𝑐 − 𝑏)(𝑐 − 𝑎) 𝒃 + √[(𝒄 − 𝒂)𝑹 − (𝒃 − 𝒂)](𝒄 − 𝒃) 𝒔𝒊 𝒃′ < 𝑹 ≤ 𝟏
{ 1 𝑠𝑖 𝑏 < 𝑥

𝑥 𝛼1−1 (1 − 𝑥)𝛼2 −1
𝑓(𝑥) = { 𝐵(𝛼1 , 𝛼2 )
𝑠𝑖 0 < 𝑥 < 1 Pasos:
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 1. Generar 𝑌1 ~𝑔𝑎𝑚𝑚𝑎(𝛼1 , 1) y 𝑌2 ~𝑔𝑎𝑚𝑚𝑎(𝛼2 , 1)
independiente de 𝑌1
Beta 𝛼1 , 𝛼2 𝐵(𝛼1 , 𝛼2 ) es la Función Beta. 2. Retornar:
Propiedades para 𝑧1 , 𝑧2 > 0: 𝐵(𝑧1 , 𝑧2 ) = 𝐵(𝑧2 , 𝑧1 ).
𝒀𝟏
𝑿=
Γ(𝑧 )Γ(𝑧 )
𝐵(𝑧1 , 𝑧2 ) = 1 2 . 𝒀𝟏 + 𝒀𝟐
Γ(𝑧1 +𝑧2 )

Log-logistic 𝛼,𝛽
 𝛼(𝑥 ⁄𝛽 )𝛼−1 𝟏⁄
𝑹 𝜶
𝑓(𝑥) = {𝛽[1 + (𝑥 ⁄𝛽)𝛼 ]2 𝑠𝑖 𝑥 > 0
𝑿 = 𝜷( )
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝟏−𝑹

1
𝑠𝑖 𝑥 > 0
𝐹(𝑥) = {1 + (𝑥 ⁄𝛽 )−𝛼
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Para los 𝑋(𝑖) datos ordenados de menor a mayor se puede

definir:

𝑖−1 (𝒊 − 𝟏)
𝐹(𝑖) =
𝑛−1
𝑿 = 𝒙𝒊−𝟏 + 𝒂𝒊 (𝑹 − )
Valores originales
𝒏
Empírica observados: Que es aproximadamente la proporción de los 𝑋𝑗 que son
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 menores que 𝑋(𝑖). Siendo ésta una función lineal creciente a Cuando:
trozos. La pendiente de cada segmento se calcula como: (𝑖 − 1) 𝑖
≤𝑅≤
𝑥(𝑖) − 𝑥(𝑖−1) 𝑛 𝑛
𝑎𝑖 =
1⁄
𝑛

Bibliografía:

• Banks, J., Carson, J., Nelson, B. & Nicol, D. (2010). Discrete event system simulation. Fifth edition. Pearson.
• Coss Bu, R. (2005). Simulación. Un enfoque práctico. Limusa Noriega.
• Fishman, G. (1973). Concepts and methods in discrete event digital simulation. Wiley-Interscience.
• Law, A. & Kelton, W. (2000). Simulation modeling and analysis. Third ed. McGraw Hill.