Simulacion

Nombre de la Asignatura
Unidad 3
Variables aleatorias y distribuciones de probabilidad
Tema 1
Distribuciones de probabilidad discretas.
Objetivo
Lorem ipsum dolor sit amet, consectetuer adipiscing eli
Introducción
Lorem ipsum dolor sit amet, consectetuer adipiscing elit
(RESUMEN DEL CONTENIDO DE LA DIAPOSITIVA)

SIMULACIÓN
Resumen:
Para poder comprender la realidad y complejidad de las

operaciones que se llevan acabo en un sistema real, ha sido
necesario construir métodos y herramientas que buscan
imitar y experimentar el comportamiento de los sistemas
reales. La simulación por computadora es una técnica que
imita los procesos de un sistema real para evaluarlo
numéricamente y los datos generados por el software nos
permitirán predecir el comportamiento del sistema que se
está analizando o estudiando.
Abstract
To understand the reality and complexity of the operations

that take place in a real system, it has been necessary to
construct methods and tools to imitate (simulate) and
experience the behavior of real systems. Computer
simulation is a technique that imitates the processes of a
real system to evaluate numerically and data generated by
the software allow us to predict the behavior of the system
being analyzed or studied.
Keywords: system, simulation and model.

Distribución de probabilidad discretas.
Introducción. Variable aleatoria es una característica medible que toma
diferentes valores con probabilidades determinadas.
Las variables aleatorias de un sistema deben de

modelarse de acuerdo a ciertas ecuaciones matemáticas
que sean capaces de reproducir su variabilidad.
La distribución de probabilidad es una función que
asigna a cada suceso definido sobre la variable aleatoria
la probabilidad que dicho suceso ocurra.
Distribuciones La teoría de la probabilidad tiene su origen en el estudio
de de los juegos de azar, que impulsaron los primeros
probabilidad. estudios sobre cálculo de probabilidades en el siglo XVI.
La probabilidad es una función que asigna a cada posible
resultado de un experimento aleatorio un valor no
negativo, de forma que se cumpla la propiedad aditiva.
En la práctica existen unas cuantas leyes de probabilidad
como la ley de Poisson para variables discretas o la ley
normal para variables continuas.
Las distribuciones de
probabilidad discretas son
aquellas que describen la
probabilidad de que ocurran
valores específicos. Dentro de
las principales y más utilizadas,
se muestran en el gráfico
siguiente: Figura 1: Distribuciones de probabilidad discretas
Distribución Esta distribución describe el comportamiento de una
uniforme variable discreta que puede tomar n valores distintos con
discreta la misma probabilidad cada uno de ellos.
Ocurre precisamente cuando los valores son enteros
consecutivos.
Esta distribución asigna igual probabilidad a todos los

valores enteros entre el límite inferior y el límite superior
que definen el recorrido de la variable.
Por ejemplo, cuando se observa el número obtenido mediante el lanzamiento de un
dado, los valores posibles siguen una distribución uniforme discreta en {1, 2, 3, 4, 5, 6},
y la probabilidad de cada cara es 1/6.
Valores: x: a, a+1, a+2,…, b números enteros.
Parámetros: a: mínimo; en donde a es un número entero
b: máximo; en donde b es un número entero y a < b
Figura 2: Parámetros requeridos en FlexSim para la distribución
uniforme discreta
Como se puede observar, en el programa FlexSim, aparte del valor mínimo y máximo
también hace requerido el ingreso de un valor semilla, que para efecto del simulador
este pude ser 0 o 1 (este valor semilla se detallará más adelante en el uso del
programa).
Distribución La distribución binomial es una distribución discreta de mucha
importancia que surge en muchas aplicaciones estadísticas.
binomial
Esta distribución aparece al realizar repeticiones independientes de un

experimento que tenga respuesta binaria, generalmente clasificada
como "éxito" o "fracaso".
Por ejemplo esa respuesta la podemos encontrar en los resultados de

los exámenes parciales, "aprobó" o "reprobó", si se va ir a un viaje o
no, si un artículo de un lote de producción está o no defectuoso..
La variable discreta que cuenta el número de éxitos en n pruebas independientes de
ese experimento cada una con la misma probabilidad de éxito igual a p, sigue una
distribución binomial de parámetros n y p.
Valores: x: 0, 1, 2,…, n
Parámetros: n: número de pruebas en donde n > 0, entero
p: probabilidad de éxito, 0 < p < 1
binomial
En FlexSim se requiere ingresar la cantidad de intentos o pruebas (trials), la probabilidad de

éxito p (prob) y el valor semilla (stream) que al igual que en la distribución uniforme,
utilizaremos valores 0 o 1.
Distribución Conocida regularmente como lambda, que debe su nombre al gran
de poisson matemático francés Simeon Denis Poisson (1781-1840).
La distribución de Poisson surge cuando un evento o suceso "raro"

ocurre aleatoriamente en el espacio o el tiempo.
La variable asociada es el número de ocurrencias del evento en un

intervalo o espacio continuo, por tanto, es una variable aleatoria
discreta que toma valores enteros de 0 en adelante (0, 1, 2,...).
Así, el número de pacientes que llegan a un consultorio en un lapso dado, el número de
llamadas que recibe un servicio de atención a urgencias durante 1 hora, el número de entidades
arribando cada hora, son ejemplos de variables que siguen una distribución de Poisson.
Valores: x: 0, 1, 2,…, n
Parámetros:
Lambda (λ): media de la distribución, λ > 0
Poisson
Para poder utilizar la distribución Poisson en FlexSim se requiere contar con los dos
parámetros en mención: la media de la distribución (λ) y un valor semilla que puede tomar
valores de 0 o 1. Esta distribución es comúnmente utilizada para representar las llegadas de
elementos a un sistema.
Distribución La distribución geométrica permite calcular la probabilidad que tenga que
realizarse un número k de repeticiones hasta obtener un éxito por primera
geométrica vez.
El conjunto de valores posibles que puede tomar la variable es ilimitado.
La distribución geométrica se utiliza en la distribución de tiempos de

espera, de manera que si los ensayos se realizan a intervalos regulares de
tiempo, esta variable aleatoria proporciona el tiempo transcurrido hasta el
primer éxito.
Esta distribución presenta la denominada propiedad de Markov, o de falta de memoria
que implica que la probabilidad de tener que esperar un tiempo t no depende del
tiempo que ya haya transcurrido.
Valores: x: 0, 1, 2,…, n
Parámetros:
Figura 5 Parámetros requeridos en FlexSim para la distribución
geométrica
En FlexSim se ingresan los valores de probabilidad y el valor semilla que como se ha

mencionado puede ser cero o uno
Distribución La distribución de Bernoulli nombrada en honor al matemático suizo Jakob
Bernoulli es una distribución de probabilidad discreta que toma valor de 1
de para la probabilidad de éxito y valor de 0 para la probabilidad de fracaso.
Bernoulli.
Consiste en realizar un experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no, siendo p la probabilidad que esto sea así (éxito)
y q = 1-p la probabilidad que no lo sea (fracaso).
Cada uno de los experimentos es independiente de los restantes o sea que

la probabilidad del resultado de un experimento no depende del resultado
del resto.
El resultado de cada experimento admite solo esas dos categorías antes mencionadas: éxito o fracaso.
Valores: x: 0, 1, 2,…, n
Parámetros:
p: probabilidad
Valor de éxito: valor para representar el éxito del experimento.
Valor de fracaso: valor para representar el fracaso del experimento.
de Bernoulli
Referencias
• Alvarez, H. S. (2006). Estadística descriptiva y distribuciones de
probabilidad. Barranquilla: Ediciones Uninorte.
• Azarang, M., & García, E. (1996). Simulación y análisis de
modelos estocásticos. México, D.F.: McGraw Hill
Interamericana.
• Batanero, C. (2001). Didáctica de la Estadística. Granada: Grupo
de educación estadística Universidad de Granada.
• Mode, E. (2005). Elementos de probabilidad y estadística.
Barcelona: Reverté.
Unidad 3
Tema 2
Distribuciones de probabilidad continuas.
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract


Distribución de probabilidad continuas.
probabilidad continuas son
aquellas que describen una
variable aleatoria que no sean
siguiente: Figura 1: Distribuciones de probabilidad continuas
Distribución uniforme.
La distribución uniforme resulta muy útil para describir una variable aleatoria con
probabilidad constante sobre el intervalo [a,b] en el que se encuentra definida.
La probabilidad de un suceso dependerá exclusivamente de la amplitud del

intervalo considerado y no de su posición en el campo de variación de la variable.
Campo de variación: a ≤ x ≤ b
Parámetros:
a: mínimo del recorrido;
b: máximo del recorrido.
Figura 2: Parámetros requeridos en FlexSim para la distribución uniforme

Distribución La distribución normal es sin lugar a duda la distribución de probabilidad
más importante del cálculo de probabilidades y de la estadística en
normal. general.
La importancia de la distribución normal queda evidenciada por ser la

distribución límite de numerosas variables aleatorias, discretas y
continuas, como se demuestra a través de los teoremas centrales del
límite.
Las consecuencias de estos teoremas implican la casi universal presencia

de la distribución normal en todos los campos de la ciencia: medicina,
biología, física, economía, etc.
En general, muchas medidas en todos estos campos de estudio se aproximan a la distribución normal.
Campo de variación: -∞ < x < +∞
Parámetros:
μ: (Mu), media de la distribución, -∞ < μ < +∞
σ: (Sigma), desviación estándar de la distribución, σ > 0
Figura 3: Parámetros requeridos en FlexSim para la distribución normal
Los parámetros que se ingresan en FlexSim son (Media, Desviación estándar, valor
semilla).
Distribución La distribución lognormal resulta muy útil para modelar datos de
numerosos estudios medicos tales como el tiempo de supervivencia en
lognormal. pacientes con cáncer o con VIH.
La variable resultante al aplicar la función exponencial a una variable que

se distribuye normal con una media μ y con una desviación estándar σ,
sigue una distribución lognormal con parámetros Mu (escala) y sigma
(forma).
Si una variable X se distribuye normalmente, la variable lnX sigue una

distribución lognormal.
Este tipo de distribución de probabilidad también es frecuente observarlo en actividades manuales tales como
ensamblajes, inspecciones o reparaciones. El tiempo entre fallas es a menudo distribuido de forma lognormal.
Campo de variación: 0 < x < ∞
Parámetros:
Mu: parámetro de escala, -∞ < Mu < +∞
Sigma: parámetro de forma, Sigma > 0
Figura 4: Parámetros requeridos en FlexSim para la distribución lognormal
Como se puede observar en la ventana de ingreso de parámetros en FlexSim aparece

la distribución lognormal2 que en esencia es similar solo que con 2 parámetros.
Distribución La distribución exponencial es el equivalente en variable
exponencial. continua de la distribución geométrica discreta.
Esta distribución exponencial describe procesos en los que

interesa saber el tiempo hasta que ocurre determinado evento,
en particular se utiliza para modelar tiempos de supervivencia.
En esencia es la inversa de la distribución de Poisson.

Otras aplicaciones de la distribución beta son proporciones aleatorias tales como el porcentaje de elementos defectuosos en un lote, tiempos de actividades,
particularmente cuando múltiples tareas componen la actividad. El análisis PERT está basado en la distribución beta.
Campo de variación:
0≤x≤1
Parámetros:
p: parámetro de forma, p > 0
q: parámetro de forma, q > 0
Figura 6: Parámetros requeridos en FlexSim para la distribución beta
En la figura 6 se muestran los parámetros que requiere se ingresen en FlexSim para

una distribución beta. Estos parámetros los proporciona el ExpertFit.
Distribución La distribución beta es posible para una variable aleatoria continua que
toma valores en el intervalo [0,1], lo que la hace muy apropiada para
beta. modelar proporciones.
En la inferencia bayesiana, por ejemplo, es muy utilizada como

distribución cuando las observaciones tienen una distribución binomial.
Uno de los principales recursos de esta distribución es el ajuste a una gran

variedad de distribuciones empíricas, pues adopta muy diversas
dependiendo de cuáles sean los valores de los parámetros de forma p y q
mediante los que viene definida la distribución beta.
Referencias
Interamericana.
Unidad 3
Tema 2
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract



Parámetros:

normal. general.

límite.

Parámetros:
semilla).

(forma).

Parámetros:



0≤x≤1
Parámetros:



Referencias
Interamericana.
Unidad 3
Tema 2
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract



Parámetros:

normal. general.

límite.

Parámetros:
semilla).

(forma).

Parámetros:



0≤x≤1
Parámetros:



Referencias
Interamericana.
Unidad 3
Tema 2
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract



Parámetros:

normal. general.

límite.

Parámetros:
semilla).

(forma).

Parámetros:



0≤x≤1
Parámetros:



Referencias
Interamericana.
Unidad 3
Tema 1
Distribuciones de probabilidad discretas.
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract


Introducción. Variable aleatoria es una característica medible que toma
diferentes valores con probabilidades determinadas.
Las variables aleatorias de un sistema deben de

modelarse de acuerdo a ciertas ecuaciones matemáticas
que sean capaces de reproducir su variabilidad.
La distribución de probabilidad es una función que
asigna a cada suceso definido sobre la variable aleatoria
la probabilidad que dicho suceso ocurra.
Distribuciones La teoría de la probabilidad tiene su origen en el estudio
de de los juegos de azar, que impulsaron los primeros
probabilidad. estudios sobre cálculo de probabilidades en el siglo XVI.
La probabilidad es una función que asigna a cada posible
resultado de un experimento aleatorio un valor no
negativo, de forma que se cumpla la propiedad aditiva.
En la práctica existen unas cuantas leyes de probabilidad
como la ley de Poisson para variables discretas o la ley
normal para variables continuas.
probabilidad discretas son
aquellas que describen la
probabilidad de que ocurran
siguiente: Figura 1: Distribuciones de probabilidad discretas
Distribución Esta distribución describe el comportamiento de una
uniforme variable discreta que puede tomar n valores distintos con
discreta la misma probabilidad cada uno de ellos.
Ocurre precisamente cuando los valores son enteros
consecutivos.
Esta distribución asigna igual probabilidad a todos los

valores enteros entre el límite inferior y el límite superior
que definen el recorrido de la variable.
Por ejemplo, cuando se observa el número obtenido mediante el lanzamiento de un
dado, los valores posibles siguen una distribución uniforme discreta en {1, 2, 3, 4, 5, 6},
y la probabilidad de cada cara es 1/6.
Valores: x: a, a+1, a+2,…, b números enteros.
Parámetros: a: mínimo; en donde a es un número entero
b: máximo; en donde b es un número entero y a < b
uniforme discreta
Como se puede observar, en el programa FlexSim, aparte del valor mínimo y máximo
también hace requerido el ingreso de un valor semilla, que para efecto del simulador
este pude ser 0 o 1 (este valor semilla se detallará más adelante en el uso del
programa).
Distribución La distribución binomial es una distribución discreta de mucha
importancia que surge en muchas aplicaciones estadísticas.
binomial
Esta distribución aparece al realizar repeticiones independientes de un

experimento que tenga respuesta binaria, generalmente clasificada
como "éxito" o "fracaso".
Por ejemplo esa respuesta la podemos encontrar en los resultados de

los exámenes parciales, "aprobó" o "reprobó", si se va ir a un viaje o
no, si un artículo de un lote de producción está o no defectuoso..
La variable discreta que cuenta el número de éxitos en n pruebas independientes de
ese experimento cada una con la misma probabilidad de éxito igual a p, sigue una
distribución binomial de parámetros n y p.
Valores: x: 0, 1, 2,…, n
Parámetros: n: número de pruebas en donde n > 0, entero
binomial
En FlexSim se requiere ingresar la cantidad de intentos o pruebas (trials), la probabilidad de

éxito p (prob) y el valor semilla (stream) que al igual que en la distribución uniforme,
utilizaremos valores 0 o 1.
Distribución Conocida regularmente como lambda, que debe su nombre al gran
de poisson matemático francés Simeon Denis Poisson (1781-1840).
La distribución de Poisson surge cuando un evento o suceso "raro"

ocurre aleatoriamente en el espacio o el tiempo.
La variable asociada es el número de ocurrencias del evento en un

intervalo o espacio continuo, por tanto, es una variable aleatoria
discreta que toma valores enteros de 0 en adelante (0, 1, 2,...).
Así, el número de pacientes que llegan a un consultorio en un lapso dado, el número de
llamadas que recibe un servicio de atención a urgencias durante 1 hora, el número de entidades
arribando cada hora, son ejemplos de variables que siguen una distribución de Poisson.
Valores: x: 0, 1, 2,…, n
Parámetros:
Lambda (λ): media de la distribución, λ > 0
Poisson
Para poder utilizar la distribución Poisson en FlexSim se requiere contar con los dos
parámetros en mención: la media de la distribución (λ) y un valor semilla que puede tomar
valores de 0 o 1. Esta distribución es comúnmente utilizada para representar las llegadas de
elementos a un sistema.
Distribución La distribución geométrica permite calcular la probabilidad que tenga que
realizarse un número k de repeticiones hasta obtener un éxito por primera
geométrica vez.
El conjunto de valores posibles que puede tomar la variable es ilimitado.
La distribución geométrica se utiliza en la distribución de tiempos de

espera, de manera que si los ensayos se realizan a intervalos regulares de
tiempo, esta variable aleatoria proporciona el tiempo transcurrido hasta el
primer éxito.
Esta distribución presenta la denominada propiedad de Markov, o de falta de memoria
que implica que la probabilidad de tener que esperar un tiempo t no depende del
tiempo que ya haya transcurrido.
Valores: x: 0, 1, 2,…, n
Parámetros:
Figura 5 Parámetros requeridos en FlexSim para la distribución
geométrica
En FlexSim se ingresan los valores de probabilidad y el valor semilla que como se ha

mencionado puede ser cero o uno
Distribución La distribución de Bernoulli nombrada en honor al matemático suizo Jakob
Bernoulli es una distribución de probabilidad discreta que toma valor de 1
de para la probabilidad de éxito y valor de 0 para la probabilidad de fracaso.
Bernoulli.
Consiste en realizar un experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no, siendo p la probabilidad que esto sea así (éxito)
y q = 1-p la probabilidad que no lo sea (fracaso).
Cada uno de los experimentos es independiente de los restantes o sea que

la probabilidad del resultado de un experimento no depende del resultado
del resto.
El resultado de cada experimento admite solo esas dos categorías antes mencionadas: éxito o fracaso.
Valores: x: 0, 1, 2,…, n
Parámetros:
p: probabilidad
Valor de éxito: valor para representar el éxito del experimento.
Valor de fracaso: valor para representar el fracaso del experimento.
de Bernoulli
Referencias
Interamericana.
Unidad 3
Tema 2
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract



Parámetros:

normal. general.

límite.

Parámetros:
semilla).

(forma).

Parámetros:



0≤x≤1
Parámetros:



Referencias
Interamericana.
Unidad 3
Tema 2
Objetivo
Introducción

SIMULACIÓN
Resumen:

Abstract



Parámetros:

normal. general.

límite.

Parámetros:
semilla).

(forma).

Parámetros:



0≤x≤1
Parámetros:



Referencias
Interamericana.

Simulacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulacion

Cargado por

Copyright:

Formatos disponibles

Nombre de la Asignatura

(RESUMEN DEL CONTENIDO DE LA DIAPOSITIVA)

Para poder comprender la realidad y complejidad de las

To understand the reality and complexity of the operations

Keywords: system, simulation and model.

Las variables aleatorias de un sistema deben de

Esta distribución asigna igual probabilidad a todos los

Esta distribución aparece al realizar repeticiones independientes de un

Por ejemplo esa respuesta la podemos encontrar en los resultados de

En FlexSim se requiere ingresar la cantidad de intentos o pruebas (trials), la probabilidad de

La distribución de Poisson surge cuando un evento o suceso "raro"

La variable asociada es el número de ocurrencias del evento en un

El conjunto de valores posibles que puede tomar la variable es ilimitado.

La distribución geométrica se utiliza en la distribución de tiempos de

En FlexSim se ingresan los valores de probabilidad y el valor semilla que como se ha

Cada uno de los experimentos es independiente de los restantes o sea que

(RESUMEN DEL CONTENIDO DE LA DIAPOSITIVA)

Para poder comprender la realidad y complejidad de las

To understand the reality and complexity of the operations

Keywords: system, simulation and model.

La probabilidad de un suceso dependerá exclusivamente de la amplitud del

Figura 2: Parámetros requeridos en FlexSim para la distribución uniforme

La importancia de la distribución normal queda evidenciada por ser la

Las consecuencias de estos teoremas implican la casi universal presencia

La variable resultante al aplicar la función exponencial a una variable que

Si una variable X se distribuye normalmente, la variable lnX sigue una

Como se puede observar en la ventana de ingreso de parámetros en FlexSim aparece

Esta distribución exponencial describe procesos en los que

En esencia es la inversa de la distribución de Poisson.

En la figura 6 se muestran los parámetros que requiere se ingresen en FlexSim para

En la inferencia bayesiana, por ejemplo, es muy utilizada como

Uno de los principales recursos de esta distribución es el ajuste a una gran

(RESUMEN DEL CONTENIDO DE LA DIAPOSITIVA)

Para poder comprender la realidad y complejidad de las

To understand the reality and complexity of the operations

Keywords: system, simulation and model.

La probabilidad de un suceso dependerá exclusivamente de la amplitud del

Figura 2: Parámetros requeridos en FlexSim para la distribución uniforme

La importancia de la distribución normal queda evidenciada por ser la

Las consecuencias de estos teoremas implican la casi universal presencia

La variable resultante al aplicar la función exponencial a una variable que

Si una variable X se distribuye normalmente, la variable lnX sigue una

Como se puede observar en la ventana de ingreso de parámetros en FlexSim aparece

Esta distribución exponencial describe procesos en los que

En esencia es la inversa de la distribución de Poisson.

En la figura 6 se muestran los parámetros que requiere se ingresen en FlexSim para

En la inferencia bayesiana, por ejemplo, es muy utilizada como

Uno de los principales recursos de esta distribución es el ajuste a una gran

(RESUMEN DEL CONTENIDO DE LA DIAPOSITIVA)

Para poder comprender la realidad y complejidad de las

To understand the reality and complexity of the operations

Keywords: system, simulation and model.

La probabilidad de un suceso dependerá exclusivamente de la amplitud del

Figura 2: Parámetros requeridos en FlexSim para la distribución uniforme

La importancia de la distribución normal queda evidenciada por ser la

Las consecuencias de estos teoremas implican la casi universal presencia

La variable resultante al aplicar la función exponencial a una variable que

Si una variable X se distribuye normalmente, la variable lnX sigue una

Como se puede observar en la ventana de ingreso de parámetros en FlexSim aparece

Esta distribución exponencial describe procesos en los que

En esencia es la inversa de la distribución de Poisson.

En la figura 6 se muestran los parámetros que requiere se ingresen en FlexSim para

En la inferencia bayesiana, por ejemplo, es muy utilizada como

Uno de los principales recursos de esta distribución es el ajuste a una gran