Universidad Nacional de Ingeniera

Facultad de Ingeniera Industrial y de Sistemas

Simulacin de Sistemas

Mg(c). Csar Pacheco Vera

cesarpacheco17@gmail.com
Contenido
1. Generacin de procesos aleatorios.
2. Mtodo de la transformada inversa.
3. Generacin de Procesos con
Distribuciones de Probabilidad
convencionales
 Objetivos

1. Generar procesos aleatorios a

partir de funciones de
distribucin de probabilidad
estadsticos.
2. Discutir los mtodos
fundamentales para la generacin
de observaciones variables
aleatorias.
3. Aplicarlos a diferentes casos.
1. Generacin de observaciones de
variables (datos) aleatorias
Dado que existen varios mtodos para la
generacin de observaciones de variables
aleatorias, a continuacin se indican algunos
factores que pueden influir en la decisin de
usar uno u otro mtodo en determinado estudio
de simulacin:
 Exactitud. Es deseable que el algoritmo
proporcione en la medida de lo posible
(dadas las limitaciones de precisin del
ordenador, la inexactitud del generador de
nmeros aleatorios, etc.) observaciones de
la variable aleatoria con exactamente la
distribucin deseada. En la actualidad
existen algoritmos con esta propiedad para
la mayora de las distribuciones comnmente
usadas.

Eficiencia. Es deseable que el algoritmo sea

de ejecucin rpida, y que no requiera de un
gran espacio de memoria.
 Complejidad. Es deseable que la comprensin
conceptual del algoritmo, y su programacin,
no resulten extremadamente complejos.

Robustez. Es deseable que el algoritmo sea

igualmente eficiente para cualquier valor
admisible de los parmetros de la
distribucin.
1.1. Mtodo de la transformada inversa

La exposicin de los fundamentos del mtodo se

ha estructurado en funcin del tipo de
distribucin de la variable aleatoria. De
esta forma, se han distinguido tres casos:
Distribuciones continuas, Distribuciones
continuas truncadas, y Distribuciones
discretas.
El objetivo es generar observaciones de una
variable aleatoria continua, X, cuya
probabilidad acumulada, FX(x), es una funcin
continua y estrictamente creciente para todos
los valores de x tales que 0 < FX(x) <1. El
mtodo de la transformacin inversa consiste
de los siguientes pasos:

1. Generar un nmero seudo aleatorio, u.

2. Devolver x = Fx1(u), donde Fx1 es la
funcin inversa de FX.
Caso 1. Hallar los respectivos generadores de
nmeros aleatorios de las siguientes f.d.p

1+ ; 1 < 0
a) =
1 ;0 1

3 2
b) = 2 ; 1 1
0 ;
1. Distribuciones empricas continuas
En el caso de las distribuciones
empricas continuas, el procedimiento de
definicin depende de si se dispone de
las observaciones originales, o bien si
slo se dispone de los datos agrupados
(es decir, del nmero de observaciones
que caen dentro de cada uno de una serie
de intervalos en que se divide el rango
de la variable aleatoria).
Figura 1. Distribuciones empricas construidas a
partir de datos individuales (izqda.) y de los datos
agrupados (drcha.)
1. En primer lugar, deben hallarse los
intervalos de confianza del conjunto
de datos, con sus respectivas
frecuencias.
2. A continuacin, se define el valor de
x en funcin de la acumulada de la
siguiente forma:

1 0
1 + 2 1 1 , 2 0 1 1
1 0
2 1
= 2 + 3 2 2 , 3 1 2 2
2 1

1
+ 1 1 , 1 1
1 1
APLICACIN
Los siguientes datos representa la cantidad
de cajas de atn vendidas por semana. Cada
caja se vende a 50 soles. El costo de
produccin es de 15 soles por caja.
32 55 75 30 39 59 59
88 53 44 43 89 55 60
45 35 72 75 91 82 91
90 48 27 28 56 100 40
84 94 81 53 30 79 26
23 46 83 27 21 38 29
40 69 79 88 47 42 74

Simule la venta de atn para 10 semanas y

determine la utilidad promedio semanal. Use
Si son datos discretos que tienen su
respectiva frecuencia, se considera el
intervalo de la acumulada donde cae ui, y el
valor de x, sera la respectiva frecuencia.
APLICACIN
Los siguientes datos indica la cantidad de
autos que llegan a una playa de
estacionamiento. La capacidad mxima del
estacionamiento es de 3 autos por da
2 0 2 1 2 1 2
2 1 0 3 1 1 0
3 0 2 2 3 1 1
0 3 0 3 0 1 0
3 2 3 3 2 2 1
1 3 2 3 2 3 2
0 2 2 1 1 0 3
Simule 10 das de servicio y determine las
caractersticas del mismo. Use
0.06 0.76 0.68 0.11 0.79 0.96 0.53
0.76 0.77 0.53 0.96 0.86 0.30 0.40
0.79 0.15 0.66 0.95 0.74 0.93 0.52
1.1. Distribucin Uniforme

Quiz la funcin de densidad de probabilidad

ms simple es aquella que se caracteriza por
ser constante, en el intervalo (a, b) y cero
fuera de el. Esta funcin de densidad define
la distribucin conocida como uniforme.
Matemticamente, la funcin de densidad
uniforme se define como sigue:
La funcin de la distribucin acumulada FX(x),
para una variable aleatoria X uniformemente
distribuida se representa por:

Como u=Fx(x)=

Entonces, aplicando la inversa tenemos, el

generador Nmeros aleatorios

u u
Figura. Variables aleatorias uniformes.
APLICACIN

El tiempo promedio de servicio en la

ventanilla de un banco es U(1,4). Genere el
tiempo de atencin de 10 clientes y obtenga
el tiempo promedio de servicio en la
ventanilla.
1.2. Distribucin Exponencial

Se dice que una variable aleatoria X tiene

una distribucin exponencial, si se puede
definir a su funcin de densidad como:

con >0 y x0. La funcin de distribucin

acumulada de X sta dada por:
Entonces

En consecuencia

Por consiguiente, para cada valor del nmero

aleatorio u se determina un nico valor para
x. Los valores de x toman tan slo magnitudes
no negativas.
Figura. Variables aleatorias exponencial.
APLICACIN

El tiempo promedio de llegada de clientes a

un servicio de reparacin y mantenimiento de
autos es cada E(20). Genere el tiempo de
atencin de 10 clientes y obtenga el tiempo
promedio de arribos.
1.3. Distribucin Normal

La ms conocida y ms ampliamente utilizada

es sin duda la distribucin normal y su
popularidad se debe cuando menos a dos
razones que presentan sus propiedades
generales. Las pruebas matemticas nos
sealan, que bajo ciertas condiciones de
calidad, resulta justificado que esperamos
una distribucin normal mientras que la
experiencia estadstica muestre que, de
hecho, muy a menudo las distribuciones se
aproximan a la normal.
la funcin de distribucin recibir el
nombre de distribucin normal estndar, con
funcin de densidad:

Del cual podemos generar variables

aleatorias normalmente distribuidas

Considerando K nmeros aleatorios

Figura. Variables aleatorias normales.
APLICACIN

El nmero de clientes que llega por da a un

cajero automtico del banco de la nacin se
da mediante N(20,9). Genere el nmero de
clientes para diez das y obtenga el
promedio de clientes por da. Considere K=2.
1.4. Distribucin Logartmica Normal

Si el logaritmo de una variable aleatoria

tiene una distribucin normal, entonces la
variable aleatoria tendr una distribucin
continua sesgada positivamente, conocida con
el nombre de distribucin logartmica
normal. Frecuentemente se hace uso de esta
distribucin para describir procesos
aleatorios que representan al producto de
varios eventos pequeos e independientes.
Donde

y
Figura. Variables aleatorias logartmicas normales.
APLICACIN

El nmero de clientes que llega por da a un

cajero automtico del banco de la nacin se
da mediante los datos mostrados en la
siguiente tabla. Genere el nmero de
clientes para diez das y obtenga el
promedio de clientes por da. Use el
siguiente generador.
0.54 0.77
32 55 75 30 39 59 59 0.57 0.23
0.80 0.94
88 53 44 43 89 55 60 0.15 0.87
45 35 72 75 91 82 91 0.62 0.91
90 48 27 28 56 100 40 0.94 0.27
0.97 0.71
84 94 81 53 30 79 26 0.13 0.28
23 46 83 27 21 38 29 0.46 0.56
40 69 79 88 47 42 74 0.55 0.02
2. Distribuciones de probabilidad
Discretas

2.1. Distribucin Geomtrica

Entre las primeras y probablemente ms

simples de las formulaciones matemticas de
procesos estocsticos, se encuentra la
llamada de ensayos de Bernoulli. Estos
ensayos son experimentos independientes al
azar, en los que el resultado de cada ensayo
queda registrado, ya sea como un xito o un
fracaso. La probabilidad de xito se denota
por p (0 p 1).
La distribucin geomtrica queda descrita por
la siguiente funcin de probabilidad:

Consecuentemente

donde al valor x siempre se le redondea al

entero que sea menor. Esto se puede lograr de
manera muy simple con slo retener los
nmeros hasta antes del punto decimal.
2.2. Distribucin Binomial Negativa

Cuando los procesos de ensayos de Bernoulli,

tal como se han descrito en la seccin
anterior, se repiten hasta lograr que
ocurran k xitos (k>1), la variable
aleatoria que caracteriza al nmero de
fallas tendr una distribucin binomial
negativa. La funcin de distribucin de
probabilidad para una distribucin binomial
negativa est dada por:
En consecuencia:

Para una media y una varianza dados, k es un

entero determinado por

con
APLICACIONES

Genera 10 datos aleatorios usando cada una

de las distribuciones previas. Use los
siguientes nmeros aleatorios.
2.3. Distribucin de Bernoulli

A partir de la distribucin de las variables

aleatorias de Bernoulli:

1 = 0
= = 1
0
Su media es:

= 1 1 para x=0,1

Se calculan las probabilidades para x=0 y

x=1, para obtener:
0 1
1
Si acumulamos los valores de p(x) obtenemos:

0 1
1 1

Al generar los nmeros pseudoaleatorios

~(0,1) se aplica la regla:

0 0,1
=
1 1 , 1

Su distribucin acumulada es:

0 < 0
= 1 0 < 1
1
La media de la distribucin de Bernoulli es
APLICACIONES

Los datos histricos sobre la frecuencia de

paros de una mquina muestran que existe una
probabilidad de 0.2 de que sta falle (x=1)
y de 0.8 de que no falle (x=0) en un da
determinado. Genere una secuencia aleatoria
que simule este comportamiento para 40 das
con los nmeros aleatorios dados y elabore
un cuadro resumen.
2.4. Distribucin Poisson
El frances Simeon-Dennis Poisson descubri
una funcin de distribucin de probabilidad
discreta que parte de un frecuencia de
ocurrencia media y que se dedica al estudio
del nmero de eventos que se logran durante
un cierto periodo de tiempo

Funcin de Densidad:

() = ! = 0,1,2,
0
Funcin de Distribucin Acumulada:

0 <0


() =
0
!
=0

Parmetro: > 0 es un nmero entero

Media y Varianza:
Algoritmo para generar la variable en un
distribucin de Poisson

Iniciamos haciendo x = 0, y generar un

aleatorio ri

Paso 1. Calcular p(x)

Paso 2. Si p(x) < 1, entonces hacer x=x+1, y
regresar al paso 1.
Si p(x) = 1 , entonces la variable generada
esta dada por: x = 0.
El proceso se repite hasta que la sumatoria
de p(x) sea igual a 1.
Luego generar las variables de Poisson, en
relacin a ri segn corresponda
APLICACIONES

El nmero de piezas que entran a un sistema

de produccin sigue una distribucin de
Poisson con media de 2 piezas/hr. Simule el
comportamiento de la llegada de piezas al
sistema en 40 horas.