UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Facultad de Ingeniería Civil, Sistemas y Arquitectura

Escuela Profesional de Ingeniería de Sistemas

GENERACION DE VARIABLES
ALEATORIAS
Modelamiento y Simulación

Ing. César Augusto Guzmán Valle

Objetivo
 Identificar los tipos de variables

 Exponer los métodos básicos para realizar la

generación de variables aleatorias

 Confirmar el grado confianza en un generador de

números pseudoaleatorios.
Mapa Conceptual del Curso

Modelado y Colas con

Simulación un servidor

Proyectos Series de Simulación Colas en

Inventarios
Simulación Nro. Aleato X Eventos Serie

Validación Colas en
de Series Paralelo

Generación
de VA
Mapa Conceptual

Xi+1=(aXi+c) mod m

Tabla de Nros. Procedimientos

Fenómenos Físicos
aleatorios Matemáticos

Números
Aleatorios

Validación de Variables
Series de NA U (0,1)

Variables
Aleatorias
Variable aleatoria
 Un modelo de simulación permite lograr un mejor
entendimiento prácticamente de cualquier sistema.

 “Las variables aleatorias son las que tienen un

comportamiento probabilístico en la realidad”

 Pero como podemos determinar su distribución, como

generarlas en base a esa distribución
 Tipos de variables aleatorias

Responde a Responde a números

números enteros decimales
0,1,2,3,… 2.1, 2.3, 1.5, ….
Discretas

Continuas
Ejemplo: Ejemplo:
• Cantidad de clientes • Tiempo de llegada de
personas
 Tipos de variables aleatorias

Distribuciones de Distribuciones de
Probabilidad Probabilidad
• Uniforme Discreta • Uniforme Continua
Discretas

Continuas
• De Bernoulli • Exponencial
• Hipergeométrica • Normal
• Poisson • Weibull
• binomial • Chi-Cuadrada
• Erlang
Generación de variables aleatorias
 La variabilidad de eventos y actividades se
representan a través de funciones de densidad para
fenómenos continuos y mediante distribuciones de
probabilidad para fenómenos de tipo discreto.
 Los principales métodos para generar las variables
aleatorias son:
 Método de la transformada inversa
 Método de convolución
 Método de composición
 Método de la transformación directa
Método de la transformada inversa
 Para variables aleatorias continuas:
 Definir funciones de densidad F(x) que represente la
variable a modelar
 Calcular la función acumulada F(x)

 Despejar la variable aleatoria x y obtener la función

acumulada inversa F(x)-1
 Generar las variables aleatorias x, sustituyendo
valores con números pseudoaleatorios ri – U(0-1) en la
función acumulada inversa
Método de la transformada inversa
 Para variables aleatorias discretas:
 Calcular todos los valores de la distribución de
probabilidad p(x) de la variable a modelar
 Calcular todos los valores de la distribución acumulada
P(x)
 Generar números pseudoaleatorios ri – U(0-1)

 Comparar con el valor de P(x) y determinar qué valor

de x corresponde a P(x)
Transformada Inversa para variables contínuas
Transformada Inversa para variables discretas
 Distribución Uniforme
 A partir de la función de la densidad de las variables
aleatorias uniformes entre a y b.

 Se obtiene la función acumulada

 Igualando la función acumulada F(x) con el número

pseudoaleatorio ri ~U (0,1), y despejando x se obtiene:
Xi=a + (b - a) F(x)i
Xi=a + (b - a) r
Ejemplo


Medición ri Temperatura
1 0.48 97.40
2 0.82 99.10
3 0.69 98.45
4 0.67 98.35
5 0.00 95.00
Distribución exponencial

Ejemplo


Cliente ri Tiempo de Serv

1 0.64 3.06
2 0.83 5.31
3 0.03 0.09
4 0.50 2.07
5 0.21 0.70
Distribución de Bernoulli


x 0 1
P(x) 1-p p
 Para generar los números pseudoaleatorios se
aplica:
Ejemplo


x 0 1
P(X) 0.8 0.2
P(X) 0.8 1
 La regla para generar esta variable aleatoria
estaría dad por:

Día ri Xi Evento: Maq.

1 0.453 0 No falla
2 0.823 1 Falla
3 0.034 0 No falla
4 0.503 0 No falla
5 0.891 1 falla
Ejercicio

Solución


x p(x) P(x)
0 0.1353 0.1353
1 0.2706 (0.1353 + 0.2706)
2 … …
3
4
5
6
7
8
9
10
Solución

Ejercicio
 La tabla siguiente muestra la demanda diaria de
cepillos dentales en un supermercado. Simular el
comportamiento de la demanda mediante el
método de la transformada inversa.
Día 1 2 3 4 5 6 7 8 9
demanda 1 2 2 1 3 0 3 1 3
Método de convolución

Distribución de erlang

Ejemplo


Pieza Tiempo
Proceso
1
Distribución Normal

Ejemplo


Botella Volumen
(onzas)
Distribución Binomial

Ejemplo
 Al inspeccionar lotes de tamaño N=5, la
probabilidad de que una pieza sea defectuosa es
0.03. simular el proceso de inspección, para 7 lotes,
para determinar el número de piezas defectuosas
por lote.
 N=5; p=0.03
 Se utilizara Bernoulli; donde 0 (buen estado) 1 (mal
estado)
 Ejemplo

lote r1 Be1 r2 Be2 r3 Be3 r4 Be4 r5 be5 Piezas

defectuo
sas

1 0.49 0 0.32 0 0.15 0 0.01 0 0.45 0 0