Fundamentos estadísticos de la

simulación
Estadística inferencial en simulación

• La simulación es el resultado de la interacción de un conjunto de variables que son

aleatorias y que por tanto tienen probabilidad de ocurrencia.
• Los datos que utiliza la simulación provienen de distribuciones de probabilidad que
han sido ajustadas a distribuciones teóricas o empíricas.
• La simulación se diferencia de otros modelos en que es aleatoria y por ende generar
valores que nos son puntuales y que están de acuerdo con el comportamiento de la
realidad.
Probabilidad

• Probabilidad de un evento: posibilidad relativa de que el evento ocurra al realizar un

experimento
• Probabilidad: la frecuencia de que algo ocurra dividido por la frecuencia de que todo
ocurra
• Es un número real entre 0 y 1
• En simulación la probabilidad de ocurrencia de un evento se asocia al valor de una
determinada variable genealmente asociada a un tiempo.
Ejemplo

• En un proceso el tiempo se determina de manera estándar, por ejemplo: 7.6 minutos,

lo cual es un valor determinístico. ¿es acertado afirmar que siempre es 7.6?
• La respuesta es no pues el valor real puede ser mayor o menor que ese 7.6, sea es
estocástico o probabilístico.
• Por tanto, es más acertado determinar ese tiempo como un valor aleatorio cuya
ocurrencia está asociada a una distribución de probabilidad, lo que lo hace más real.
Ejemplo
A un banco llegan personas mayores de 60 años los
cuales no deben hacer fila en cajeros regulares sino en
una caja especial. En el pasado se ha visto que de 300
clientes 45 son mayores de 60 años, ¿cuál es la
probabilidad de que al arribar un cliente este vaya a la
caja especial?
SOLUCION:
PM60: probabilidad de clientes con edad mayor a 60

La probabilidad solicitada es 0.15. Sea

aproximadamente 15 de cada 100 clientes son mayores
de 60 años y utilizarán la caja especial.
Variables aleatorias

• Una variable aleatoria es un número cuyo valor está determinado por el resultado de
una probabilidad de ocurrencia.
• Su conducta probabilística se describe por medio de una distribución donde para
cada valor se asocia su probabilidad y donde la suma de esas probabilidades
asociadas a cada valor de la variable debe ser 1.
• Se utiliza números aleatorios.
Variables aleatorias
• EJEMPLO:
Valor de la Probabilidad Acumulado
variable (x) (p(x)) (P(X))
2 0.05 0.05
3 0.12 0.17
4 0.25 0.42
5 0.30 0.72
6 0.13 0.85
7 0.12 0.97
8 0.03 1.00

 Por ejemplo: la probabilidad de que la variable tome

valores iguales a 6 es 0.13 y de que tome valores
inferiores a 6 es 0.72.
Número aleatorio

• Es un número sin peso estadístico que viene a dar un comportamiento aleatorio a la

variable.
• En simulación se usa la función de distribución uniforme comprendida entre 0 y 1.
• Igual probabilidad de ocurrencia.
Tipos de variables

• Hay dos tipos de variables que pueden estar presentes en un modelo

• Determinísticas: toman el valor puntual dado y su valor es finito Ejemplo
son los recursos de un sistema: número de máquinas, número de
trabajadores, número de dispositivos, número de cajeros.
• Aleatorias: puede tomar cualquier valor cuya ocurrencia es aleatoria.
Tipos de variables aleatorias

• Hay dos tipos de variables aleatorias que pueden estar presentes en un

modelo
• Discreta: puede tomar solamente ciertos valores enteros en un intervalo y
el número de valores posibles puede ser finito o infinito
• Continua: puede tomar cualquier valor en un rango tomando un número
de valores infinito de manera que el intervalo puede ser abierto o cerrado
en un lado o en ambos
Variables aleatorias discretas y
continuas

• Ejemplos de variables aleatorias discretas:

• número de unidades producidas, número de clientes
atendidos, número de clientes esperando en cola, número
de personas que atienden en un servicio.
• Ejemplos de variables aleatorias continuas:
• tiempo de proceso, tiempo de arribo, tiempo de manejo de
materiales, tiempo de duración en cola, dimensiones de
productos.
• La forma en que se disponen las variables aleatorias
conforma una distribución de probabilidad.
Distribución de probabilidad de variable
discreta
Sea X una variable aleatoria discreta que puede tomar valores x1, x2, …
(lista finita o infinita) tiene:
• Función densidad de probabilidad (FDP)
p(xi) = P(X = xi) para cada i = 1, 2, …
• Para acumular valores se deben sumar los valores de p(xi) para todos
aquellos xi’s que satisfacen una condición tal que por ejemplo si se desea
conocer la probabilidad de que la variable tome valores mayores que a y
menores que b se escribe así:
𝑏
𝑃 ( 𝑎< 𝑋 ≤ 𝑏 )=∑ 𝑝(𝑥𝑖 )
𝑖> 𝑎
Ejemplo

• Una cierta gasolinera tiene seis bombas. Sea X el

número de bombas que están en servicio a una hora
particular del día. Suponga que la distribución de
probabilidad de X es como se da en la tabla siguiente;
la primera fila de la tabla contiene los posibles valores
de X y la segunda da la probabilidad de dicho valor.
Ejemplo

• Calcule la probabilidad de que cuando mucho dos bombas

estén abiertas.
• La probabilidad de que al menos lo estén tres.
• La probabilidad de que dos y cinco estén abiertas; entre dos y
cinco estrictamente.
• Calcule la probabilidad de que cuando mucho dos bombas
estén abiertas.

• La probabilidad de que al menos lo estén tres.

• La probabilidad de que dos y cinco estén abiertas; entre dos y

cinco estrictamente.
Distribución de probabilidad de variable
discreta
• Distribución acumulada de probabilidad (DAP):
probabilidad de que la variable aleatoria sea menor-igual
que a 𝑎
𝐹 ( 𝑥 )=𝑃 ( 𝑋 ≤ 𝑎 )=∑ 𝑝 (𝑥 𝑖 )
• Propiedades de la DAP:
𝑖 =0
Estas cuatro propiedades
0  F(x)  1 para todo x
Como x  –, F(x)  0 son también verdaderas
Como x  +, F(x)  1 para variables continuas
F(x) no es decreciente en x
F(x) es una función continua de la derecha que brinca de un valor
discreto a otro
Valor esperado del promedio y la varianza

• El conjunto de datos tiene un “centro” – el promedio

• Las variables aleatorias tienen un “centro” – valor esperado μ
𝑁
𝜇=𝐸 ( 𝑥 )= ∑ 𝑥𝑖 ∗ 𝑝(𝑥 𝑖 )
• La varianza es: 𝑝 𝑎𝑟𝑎𝑡𝑜𝑑𝑜𝑖

𝑁
2
𝜎 =𝑉𝑎𝑟 ( 𝑥 )= ∑ 2
(𝑥 𝑖 − 𝜇) ∗ 𝑝(𝑥𝑖 )
𝑝 𝑎𝑟𝑎𝑡𝑜𝑑𝑜𝑖
Ejemplo
Sea la siguiente distribución de variable aleatoria
discreta, determinar el valor esperado de μ y de 2
Valor de la Probabilidad x*p(x)
variable (x) (p(x))
2 0.05 0.1
3 0.12 0.36
4 0.25 1
5 0.30 1.5
6 0.13 0.78
7 0.12 0.84
8 0.03 0.24
Sumatoria= 4.82
Ejemplo
El valor esperado de μ es 4.82 y el de 2 es 2.0276 sea
una desviación estándar de 1.4239.

Valor de la Probabilidad (x-)2 (x-)2*p(x)

variable (x) (p(x))
2 0.05 7.9524 0.39762
3 0.12 3.3124 0.397488
4 0.25 0.6724 0.1681
5 0.30 0.0324 0.00972
6 0.13 1.3924 0.181012
7 0.12 4.7524 0.570288
8 0.03 10.1124 0.303372
Sumatoria=2 2.0276
Distribución de probabilidad de variable
continua
Sea X una variable aleatoria continua
• Rango limitado a la izquierda o derecha o ambos
• No importa lo pequeño del rango, el número de valores posibles de X
es siempre incontable (infinito)
• Se describe la conducta de X en términos de intervalos
• Son generalmente dimensionales y por ende se pueden medir con un
instrumento
Distribución de probabilidad de variable continua

• Función densidad de probabilidad (FDP) es una función f(x) con las

siguientes tres propiedades:
• f(x)  0 para todos los valores reales de x
• El área total bajo la curva es f(x) es 1:
=1

• Para cualquier valor fijo de a y b con a  b, la probabilidad de que X

caiga entre a y b es el área bajo f(x) entre a y b:
𝑏
𝐹 ( 𝑥 )=𝑃 ( 𝑎 ≤ 𝑋 ≤ 𝑏 )=∫ 𝑓 ( 𝑥 ) 𝑑𝑥
𝑎
Distribución de probabilidad de variable continua

• Distribución acumulada de probabilidad (FAP) –

probabilidad de que la VA sea  a un valor fijo x:

• Propiedades de la FAP Estas cuatro propiedades

0  F(x)  1 para todo x son también verdaderas
Si x  –, F(x)  0 para variables discretas
Si x  +, F(x)  1
F(x) no es decreciente en x
F(x) es una función continua acumulada igual a FDP:
𝑥
𝐹 ( 𝑥 )= 𝑃 ( 𝑋 ≤ 𝑥 ) =∫ 𝑓 ( 𝑥 ) 𝑑𝑥
−∞
• Distribuciones de Probabilidad
DISTRIBUCIÓN NORMAL
 DISTRIBUCIÓN NORMAL
◾Desarrollada por Abraham de Moivre (1733) pero
ampliamente utilizada por Johan Carl Friedrich Gauss
(1777-1855) al punto de llegar a llamarse la Distribución
Gaussiana o Curva de Gauss.

◾Es la distribución más importante para describir una

variable continua: altura, peso, puntuaciones de un
examen, mediciones científicas, precipitaciones, etc.

◾Se utiliza ampliamente en inferencia estadística.

◾Permite tener una descripción de los resultados

probables obtenidos mediante el muestreo.
 CARACTERÍSTICAS
1. La curva tiene la forma de campana
2. Para definir la distribución se requieren dos
parámetros: la media  y la desviación estándar .
3. Debido a la simetría, la mediana, la media y la moda
tienen el mismo valor, y caen en el punto más alto de
la curva
4. La media de la distribución puede ser cualquier valor
numérico: negativo, cero o positivo.
5. Los dos valores extremos, o colas, se extienden
indefinidamente y nunca tocan el eje horizontal.
6. La desviación estándar determina el ancho de
la
curva.
7. El área bajo la curva siempre vale 1 , de manera
que las áreas bajo la curva representan
probabilidades.
• El 68% de los datos se encuentra dentro de 1 
• El 95,5% de los datos se encuentra dentro de 2 
 ¿CÓMO RECONOCER QUE UN GRUPO DE
DATOS SE COMPORTA COMO UNA
DISTRIBUCIÓN
NORMAL?
⦿Para determinar si un grupo de datos corresponde a una
distribución normal o no:
 Histograma: permite observar si los datos se agrupan
alrededor de
un valor central.
 Curtosis: indica qué tan aguda (>0: leptocúrtica) o achatada (<0:
platicúrtica) es la curva
 Coeficiente de Asimetría, indica qué tan a la izquierda de la
media
están los datos (<0) o qué tan a la derecha (>0)
 Si los dos indicadores están entre -1 y 1, los datos se aproximan
bastante a una distribución normal.
 Pruebas de Bondad de Ajuste, empleando el estadístico Chi-
cuadrado, Anderson-Darling o la prueba de Kolmogorov-Smirnof
(técnicas no paramétricas), entre otras.
 DISTRIBUCIÓN NORMAL
◾ Función de densidad:
 1  x  2
1
f (x;  ,  )  2 

 2 e 


•Probabilidad de ocurrencia:
1  x   2
1 x2
 

donde,
P(x1  X  x2 ) 
2 e
x1
2


dx


= media, = desviación estándar,  = 3,14159... ye=
2,71828
Dada la dificultad en poder realizar este cálculo, se desarrolló un procedimiento
mediante el cual se logra transformar una distribución normal en una distribución
normal estandarizada. A partir de los valores de una variable x, se crea una nueva
variable z.
 TEOREMA DE LÍMITE CENTRAL
◾Es quizás el teorema más importante de toda la
estadística.
◾Este teorema nos dice que, sin tener en cuenta la forma
de la población que se está estudiando, podemos seguir
empleando la teoría normal para obtener inferencias
sobre la media poblacional a condición de que
obtengamos una muestra grande, porque la distribución
muestral de x será aproximadamente normal cuando n
sea grande.
◾Muchos expertos sugieren que un tamaño de muestra de
30 es suficientemente grande para justificar el uso del
teorema.
Tamaño de muestra
• Cantidad:

( )
2
𝑍
∗𝑆
𝛼
2
𝑛=
𝐸

• Error: si no se especifica, el analista lo decide. Deseablemente es el 5% de la media.

Siempre están en unidades de la variable de estudio. Algunas veces no se busca
satisfacer el tamaño de la muestra, sino, jugar con un error.

( )
2
𝑍
• Cualidad: 𝛼
2
𝑛= 𝑝 ∗ 𝑞
𝐸