Modelos de tiempo discreto

Los modelos de tiempo discreto son el tipo de modelo más

fácil de entender de manera intuitiva, ya que sus variables
van cambiando de valor únicamente en instantes de
tiempo equiespaciados. Para simular este tipo de modelo,
el reloj de la simulación (que indica el valor del tiempo
simulado) avanza saltando un cierto intervalo de tiempo
denominado paso de avance en el tiempo, que es
constante a lo largo de la simulación.
 Modelos de eventos discretos
En los modelos de eventos discretos los instantes en que se
producen los eventos no tienen necesariamente que estar
equiespaciados en el eje temporal. El tiempo que transcurre
entre eventos consecutivos puede ser cualquiera, siempre que se
satisfaga que el número de eventos en cualquier intervalo finito
de tiempo sea finito. Una consecuencia de esto es que el
algoritmo de simulación de eventos discretos debe mantener un
calendario de eventos donde ir registrando el instante de
activación de los eventos planificados para instantes futuros.
 Rutina de
Rutina de tiempo Rutinas de eventos Rutina de informes
inicialización
• Asigna valores • Determina cuál es el • Son las rutinas, una • Al finalizar la
iniciales a las evento más para cada tipo de simulación, calcula y
variables de estado, inminente de los evento, que realizan muestra el valor de
inicializa los planificados en el el flujo de acciones las variables de
acumuladores calendario de asociado al evento. salida.
estadísticos y eventos y avanza el Entre estas acciones
planifica eventos reloj de la simulación puede estar
añadiéndolos al hasta ese instante. modificar el valor de
calendario de las variables y
eventos. Los acumuladores
acumuladores estadísticos, así
estadísticos son como añadir o quitar
variables intermedias eventos del
a partir de las cuales calendario de
se calculan las eventos.
variables de salida de
la simulación.
Existen formalismos de modelado de eventos
discretos que no presentan estos
inconvenientes. Un ejemplo es DEVS (Discrete
EVent system Specification), que estando
basado en la planificación de los eventos,
permite describir el modelo de manera
modular y jerárquica.
Hoy en día el modelado orientado a los procesos
suele realizarse empleando entornos de
simulación, que son una capa software construida
sobre un lenguaje de simulación a fin de facilitar
la descripción del modelo mediante interfaces de
usuario muy intuitivas, con menús, diálogos, etc.
 GPSS
(General
Purpose
Simulation AnyLogic
System)

SIMUL8 Arena
SIMAN Lenguajes SIMSCRIPT
Entornos

SLAM ProModel FlexSim

 Autómatas celulares
Este tipo de modelo fue empleado
originalmente por von Neumann y Ulam para
describir la autorreproducción de sistemas Posee una El
biológicos. De ahí proviene su denominación. estructura regular: comportamiento
Cada uno de los componentes iguales que esta compuesto de todos los
compone el autómata celular se denomina una de componentes componentes
célula y el conjunto de células se denomina iguales, está regido por el
espacio celular. La distribución espacial de las conectados de mismo conjunto
células puede ser un mallado unidimensional, acuerdo a un de reglas.
bidimensional o multidimensional, conectado cierto patrón
de manera uniforme. Las células que influyen espacial.
sobre una célula en particular, denominadas sus
vecinas, son a menudo aquellas situadas más
cerca en el sentido geométrico.
 Modelos basados en agentes
El modelado basado en agentes es una metodología de
modelado computacional desarrollada para el estudio de
los sistemas complejos. En este contexto, los sistemas
complejos son aquellos que están compuestos de
múltiples elementos individuales interactuantes, de
manera que el comportamiento agregado del sistema no
es una reproducción a escala sin más del comportamiento
individual, sino que surgen “fenómenos emergentes”.
Es importante distinguir entre el comportamiento al nivel micro,
del individuo, y el comportamiento al nivel macro, global del
sistema, ya que el comportamiento en ambos niveles puede ser
muy diferente. Por ejemplo, la emergencia de patrones y el orden
observado al nivel de sistema es, en ocasiones, el resultado de la
aleatoriedad en el comportamiento de los múltiples elementos
individuales que interaccionan en el sistema.
Imagine un juego de azar, cuenta con dos dados y una
baraja de cartas. El juego consiste en lanzar los dados, si el
numero obtenido es inferior a 7 toma una carta, si es mayor
a siete repite el lanzamiento de los dados y si es
exactamente siete toma dos cartas. Si dentro de las cartas
tomadas saca un As gana el juego de lo contrario repite
tiene un nuevo turno.
a) Diseñe el estudio de simulación hasta el planteamiento
del modelo (Objetivo, hipótesis, modelo conceptual)
b) Prepárese para exponerlo frente a la clase.
FUNDAMENTOS DE ESTADISTICA
 Espacio muestral
Al conjunto de todos los resultados posibles de un
experimento estadístico se le llama espacio muestral
y se representa con el símbolo S.
Ejemplo:
Considere el experimento de lanzar un dado. Si nos
interesara el numero que aparece en la cara
superior, el espacio muestral seria:
Un experimento consiste en lanzar una moneda y después lanzarla una
segunda vez si sale cara. Si en el primer lanzamiento sale cruz,
entonces se lanza un dado una vez. Para listar los elementos del
espacio muestral que proporciona la mayor información construimos
el diagrama de árbol. Las diversas trayectorias a lo largo de las ramas
del árbol dan los distintos puntos muestrales. Si empezamos con la
rama superior izquierda y nos movemos a la derecha a lo largo de la
primera trayectoria, obtenemos el punto muestral HH, que indica la
posibilidad de que ocurran caras en dos lanzamientos sucesivos de la
moneda. De igual manera, el punto muestral T3 indica la posibilidad de
que la moneda muestre una cruz seguida por un 3 en el lanzamiento
del dado. Al seguir todas las trayectorias, vemos que el espacio
muestral es
 Eventos
Un evento es un subconjunto de un espacio
muestral.
Dado el espacio muestral S = {t | t ≥ 0}, donde t es
la vida en años de cierto componente electrónico,
el evento A de que el componente falle antes de
que finalice el quinto año es el subconjunto A = {t |
0 ≤ t < 5}.
 Conteo de puntos muestrales
¿Cuántos puntos muestrales hay en el espacio
muestral cuando se lanza un par de dados una vez?
Si un miembro de un club que tiene 22 integrantes
necesitara elegir un presidente y un tesorero, ¿de
cuántas maneras diferentes se podría elegir a
ambos?
Con frecuencia nos interesamos en un espacio muestral que
contiene como elementos a todas las posibles ordenaciones
o arreglos de un grupo de objetos. Por ejemplo, cuando
queremos saber cuántos arreglos diferentes son posibles
para sentar a seis personas alrededor de una mesa, o cuando
nos preguntamos cuántas ordenaciones diferentes son
posibles para sacar dos billetes de lotería de un total de 20.
En este caso los diferentes arreglos se llaman permutaciones.
Una permutación es un arreglo de todo o parte de un
conjunto de objetos.
En un año se otorgará uno de tres premios (a la
investigación, la enseñanza y el servicio) a
algunos de los estudiantes, de un grupo de 25,
de posgrado del departamento de estadística. Si
cada estudiante puede recibir un premio como
máximo, ¿cuántas selecciones posibles habría?
En muchos problemas nos interesamos en el
número de formas de seleccionar r objetos de n
sin importar el orden. Tales selecciones se
llaman combinaciones. Una combinación es
realmente una partición con dos celdas, donde
una celda contiene los r objetos seleccionados y
la otra contiene los (n – r) objetos restantes.
Un niño le pide a su madre que le lleve cinco
cartuchos de Game-BoyTM de su colección de
10 juegos recreativos y 5 de deportes. ¿De
cuántas maneras podría su madre llevarle 3
juegos recreativos y 2 de deportes?
 Probabilidad de un evento
La probabilidad de un evento A es la suma de los pesos de todos los
puntos muestrales en A. Por lo tanto,

0 ≤ P(A) ≤ 1, P(ϕ) = 0 y P(S) = 1.

Además, si A1, A2, A3,… es una serie de eventos mutuamente

excluyentes, entonces

P(A1 ∪ A2 ∪ A3 ∪ …) = P(A1) + P(A2) + P(A3) + ・・・ .

1. Se carga un dado de forma que exista el doble de
probabilidades de que salga un número par que
uno impar. Si E es el evento de que ocurra un
número menor que 4 en un solo lanzamiento del
dado, calcule P(E).

2. En una mano de poquer que consta de 5 cartas

encuentre la probabilidad de tener 2 ases y 3 jotas.
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE
PROBABILIDAD
Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
De una urna que contiene 4 bolas rojas y 3 negras se sacan 2
bolas de manera sucesiva, sin reemplazo. Los posibles resultados
y los valores y de la variable aleatoria Y, donde Y es el número de
bolas rojas, son
Un embarque de 20 computadoras portátiles
similares para una tienda minorista contiene 3
que están defectuosas. Si una escuela compra al
azar 2 de estas computadoras, calcule la
distribución de probabilidad para el número de
computadoras defectuosas.
Si una agencia automotriz vende 50% de su
inventario de cierto vehículo extranjero
equipado con bolsas de aire laterales, calcule
una fórmula para la distribución de probabilidad
del número de automóviles con bolsas de aire
laterales entre los siguientes 4 vehículos que
venda la agencia.
Existen muchos problemas en los que desearíamos
calcular la probabilidad de que el valor observado de
una variable aleatoria X sea menor o igual que algún
número real x. Al escribir F(x) = P(X ≤ x) para cualquier
número real x, definimos F(x) como la función de la
distribución acumulativa de la variable aleatoria X.
La función de la distribución acumulativa F(x) de una
variable aleatoria discreta X con distribución de
probabilidad f (x) es
Calcule la función de la distribución acumulativa
de la variable aleatoria X del ejemplo anterior.
Utilice F(x) para verificar que f (2) = 3/8.
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Una variable aleatoria continua tiene una probabilidad 0 de adoptar
exactamente cualquiera de sus valores. En consecuencia, su distribución de
probabilidad no se puede presentar en forma tabular. En un principio esto
parecería sorprendente, pero se vuelve más probable cuando consideramos
un ejemplo específico. Consideremos una variable aleatoria cuyos valores son
las estaturas de todas las personas mayores de 21 años de edad. Entre
cualesquiera dos valores, digamos 163.5 y 164.5 centímetros, o incluso entre
163.99 y 164.01 centímetros, hay un número infinito de estaturas, una de las
cuales es 164 centímetros. La probabilidad de seleccionar al azar a una
persona que tenga exactamente 164 centímetros de estatura en lugar de una
del conjunto infinitamente grande de estaturas tan cercanas a 164 centímetros
que humanamente no sea posible medir la diferencia es remota, por
consiguiente, asignamos una probabilidad 0 a tal evento.
Nos interesamos por el cálculo de probabilidades para
varios intervalos de variables aleatorias continuas como P(a
< X < b), P(W ≥ c), etc. Observe que cuando X es continua,

P(a < X ≤ b) = P(a < X < b) + P(X = b) = P(a < X < b).

Es decir, no importa si incluimos o no un extremo del

intervalo. Sin embargo, esto no es cierto cuando X es
discreta.
Cuando se trata con variables continuas, a f (x) por lo general
se le llama función de densidad de probabilidad, o
simplemente función de densidad de X. Como X se define
sobre un espacio muestral continuo, es posible que f (x) tenga
un número finito de discontinuidades. Sin embargo, la
mayoría de las funciones de densidad que tienen aplicaciones
prácticas en el análisis de datos estadísticos son continuas y
sus gráficas pueden tomar cualesquiera de varias formas.
Una función de densidad de probabilidad se
construye de manera que el área bajo su curva
limitada por el eje x sea igual a 1, cuando se calcula
en el rango de X para el que se define f (x). Como
este rango de X es un intervalo fi nito, siempre es
posible extender el intervalo para que incluya a
todo el conjunto de números reales definiendo f (x)
como cero en todos los puntos de las partes
extendidas del intervalo.
 𝑏
𝑃 ( 𝑎< 𝑋 <𝑏 )=∫ 𝑓 ( 𝑥 ) 𝑑𝑥
𝑎
La función f (x) es una función de densidad de
probabilidad (fdp) para la variable aleatoria
continua X, defi nida en el conjunto de números
reales, si
1. f (x ) ≥ 0, para toda x ∈ R.
2.
3. P (a < X < b) =
Suponga que el error en la temperatura de reacción,
en °C, en un experimento de laboratorio controlado,
es una variable aleatoria continua X que tiene la
función de densidad de probabilidad

{
2
𝑥
𝑓 ( 𝑥 )= 3 , −1< 𝑥 <2 ,
¿ 0 𝑒𝑛𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

a) Verifique que f (x) es una función de densidad.

b) Calcule P(0 < X ≤ 1).
La función de distribución acumulativa F(x), de una variable
aleatoria continua X con función de densidad f (x), es

F (x) = P (X ≤ x) =, para −∞ < x <∞.

Como una consecuencia inmediata de lo anterior se pueden

escribir los dos resultados,

P (a < X < b) = F (b) −F (a) y f (x ) = dF (x)/(dx),

El Departamento de Energía (DE) asigna
proyectos mediante licitación y, por lo general,
estima lo que debería ser una licitación
razonable. Sea b el estimado. El DE determinó
que la función de densidad de la licitación
ganadora (baja) es