You are on page 1of 32

Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia

Departamento de Lenguajes y Sistemas Informticos www.ehu.es


DISTRIBUCIONES DISCRETAS.........................................................................2
1.DISTRIBUCIN GEOMTRICA..........................................................................................................2
FUNCIN DE PROBABILIDAD............................................................................................................3
FUNCIN DE DISTRIBUCIN.............................................................................................................3
FUNCIN INVERSA...............................................................................................................................4
SIMULACIN DISTRIBUCIN GEOMTRICA: MTODO F. INVERSA.......................................4
CODIFICACIN en VBA........................................................................................................................5
MEDIA: FUNCIN GENERATRIZ DE MOMENTOS.........................................................................6
OBTENCIN DE PARMETROS.......................................................................................................10
2.DISTRIBUCIN BINOMIAL NEGATIVA........................................................................................11
FUNCIN DE PROBABILIDAD..........................................................................................................11
SIMULACIN BINOMIAL NEGATIVA: MTODO COMPOSICIN.............................................12
CODIFICACIN en VBA......................................................................................................................12
MEDIA y VARIANZA...........................................................................................................................13
OBTENCIN DE PARMETROS.......................................................................................................13
3.DISTRIBUCIN BINOMIAL...............................................................................................................14
FUNCIN DE PROBABILIDAD..........................................................................................................15
FUNCIN DE DISTRIBUCIN...........................................................................................................15
REPRESENTACIN GRFICA...........................................................................................................16
MEDIA: FUNCIN GENERATRIZ DE MOMENTOS.......................................................................17
VARIANZA: FUNCIN GENERATRIZ DE MOMENTOS................................................................17
OBTENCIN DE PARMETROS.......................................................................................................18
SIMULACIN DISTRIBUCIN BINOMIAL: MTODO RECHAZOS............................................19
4.DISTRIBUCIN DE POISSON............................................................................................................21
FUNCIN DE PROBABILIDAD..........................................................................................................21
FUNCIN DE DISTRIBUCIN...........................................................................................................22
PASO AL LMITE DE LA BINOMIAL A LA DE POISSON..............................................................22
FUNCIN GENERATRIZ DE MOMENTOS.......................................................................................24
MEDIA....................................................................................................................................................24
VARIANZA............................................................................................................................................24
REPRESENTACIN GRFICA...........................................................................................................24
SIMULACIN DISTRIBUCIN POISSON: MTODO COMPOSICIN.........................................27
CODIFICACIN en VBA......................................................................................................................30
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 1/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
DISTRIBUCIONES DISCRETAS
1. DISTRIBUCIN GEOMTRICA
Consideremos los posibles valores de una variable aleatoria que se pueden obtener
cuando, al ejecutar un experimento aleatorio, contamos el nmero de fallos antes de
conseguir el primer acierto. Por ejemplo, el nmero de veces (menos uno) que hemos
tenido que lanzar un dado hasta obtener el nmero 6. Es decir, la variable aleatoria X
representar el nmero de fallos, intentos o pruebas antes del primer xito, es decir que
X podr tomar valores en el conjunto: {0, 1, 2, 3,..., x,...}
X N de pruebas antes de la obtencin de un xito N de fallos y luego xito.
Supongamos que p es la probabilidad de xito y q la probabilidad de fracaso. Se supone
que todas las pruebas tienen la misma probabilidad de xito y que las pruebas son
totalmente independientes unas de otras, esto quiere decir que no estamos considerando
fenmenos en los que el resultado de un experimento influya en el resultado del
siguiente, es decir que no estamos considerando fenmenos de aprendizaje.
Por ejemplo, X podra ser el nmero de disparos que preceden al primer acierto, en el
caso de una prueba olmpica de tiro al arco. Se supone que la probabilidad de acierto de
cada uno de los jugadores es constante para cada uno de ellos, ya que cada uno de ellos
tiene una habilidad adquirida tras muchas horas de entrenamiento, por ejemplo, p. La
probabilidad de fallo ser la complementaria, es decir: 1-p.
La probabilidad de que el nmero de disparos que preceden al primer acierto sea: x,
ser
1
:
x x
q p p q q q . . . ... . ... 2 , 1 , 0 x
Las probabilidades correspondientes a cada uno de los posibles sucesos sern las
siguientes, es decir, la probabilidad de cometer 0 fallos ser:
P( X = 0 ) = p
La probabilidad de cometer exactamente un fallo y luego tener xito, ser:
P( X = 1 ) = q.p
La probabilidad de cometer exactamente dos fallos y luego tener xito, ser:
P( X = 2) = q.q.p
...
La probabilidad de hacer exactamente x fallos y luego tener xito, ser:
P( X = x) =
x x
q p p q q q . . . ... .
1
Recurdese que en fenmenos independientes, la probabilidad total es el producto de las probabilidades.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 2/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
FUNCIN DE PROBABILIDAD
Acabamos de deducir la funcin de probabilidad, es decir, la probabilidad de que la
variable aleatoria X tome un valor particular, la cual puede expresarse mediante la
siguiente frmula general:
x
q p x f . ) (
... 2 , 1 , 0 x
En la frmula anterior puede verse que la distribucin geomtrica tiene una funcin de
probabilidad que se corresponde con la probabilidad conjunta de obtener un xito, p,
tras la obtencin de x fracasos, cuya probabilidad es
x
q
FUNCIN DE DISTRIBUCIN
Obtengamos la funcin de distribucin de probabilidad, es decir, la probabilidad de que
la variable aleatoria X sea menor o igual que un valor particular tal como x, es decir:
La probabilidad de no cometer fallos ser la misma que la probabilidad de acertar a la
primera, es decir:
F (0) =P( X 0) = P ( X = 0) = p
La probabilidad de cometer como mximo un fallo ser:
F (1) = P(X 1) = P ( X = 0 ) + P( X = 1 ) = p + qp
La probabilidad de cometer como mximo dos fallos ser:
F (2) = P(X 2) = P ( X = 0 ) + P( X = 1 ) + P( X = 2 ) = p + qp + q.q.p
...
La probabilidad de cometer como mximo x fallos ser:
F(x) = P(X x ) = P ( X = 0 ) + P( X = 1 ) + P( X = 2 ) +...+ P( X = x ) =
= ( )
x
q q q q p + + + + +
3 2
1
x
S p.
Obtengamos a continuacin, el valor de la suma que se encuentra dentro del parntesis,
del siguiente modo:
x
x
q q q S + + + +
2
1
Multiplicando por q, ambos miembros de la anterior igualdad, obtenemos la siguiente
igualdad:
1 2
.
+
+ + + +
x x
x
q q q q S q
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 3/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Restndole a la segunda igualdad la primera, y simplificando los elementos iguales con
distinto signo, obtenemos la siguiente igualdad:
1 .
1

+ x
x x
q S S q
Sacando factor comn, obtendremos:
1 ) 1 (
1

+ x
x
q S q
Observando que en el primer trmino tenemos el valor opuesto de F(x)
1 .
1

+ x
x
q S p
1
1 .
+

x
x
q S p
Por lo tanto, hemos obtenido una expresin matemtica sencilla para la funcin de
distribucin.
1
1 ) (
+

x
q x F
2 , 1 , 0 x
FUNCIN INVERSA
Para obtener la funcin inversa procederemos del siguiente modo:
1
1
+

x
q r
Obtengamos la x en funcin de la r; para ello hacemos:
r q
x

+
1
1
Tomando logaritmos neperianos, tendremos:
) 1 ln( ln
1
r q
x

+
) 1 ln( ln ) 1 ( r q x +
) 1 ln(
ln
1
1 r
q
x +
( )
1
ln
1 ln

q
r
x

,
_

1
ln
ln
int
q
r
x
SIMULACIN DISTRIBUCIN GEOMTRICA: MTODO F. INVERSA
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 4/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Si tenemos en cuenta que es equivalente generar valores aleatorios de la variable
aleatoria r que valores de la variable aleatoria 1- r ; basndonos en la expresin obtenida
para la funcin inversa, podremos utilizar la siguiente expresin:
1
ln
ln

q
r
x
La expresin anterior tambin puede expresarse del siguiente modo:
q
r
q q
q
r
q
q r
x ln
ln
1
ln
ln
ln
ln ln

En la expresin anterior la r representa un valor de una variable aleatoria uniforme en el


intervalo (0,1) y el resto son valores constantes que dependen de la distribucin (en
concreto depende del valor constante de la probabilidad q).
Adems, para que los valores de x sean enteros, utilizaremos la funcin parte entera,
quedando la expresin en la siguiente forma:
1
]
1

q
r
q
x ln
ln
1
CODIFICACIN en VBA
A continuacin se muestra el cdigo de dos funciones equivalentes que permiten
obtener valores de la variable aleatoria con distribucin geomtrica de parmetro q.
Function alea_geomtrica (q)

alea_geomtrica = Int (Log (Rnd ()) / Log (q) - 1)

End Function
Function alea_geomtrica_bis(q)

alea_geomtrica_bis = Int(Log(Rnd() / q) / Log(q))

End Function
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 5/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
MEDIA: FUNCIN GENERATRIZ DE MOMENTOS
Utilizaremos, para la obtencin de la media, el mtodo de la funcin generatriz de
momentos, a la cual la denominaremos mediante: G(t)
Se define la funcin generadora de momentos como: El valor esperado de la funcin
xt
e (X es la variable aleatoria considerada y t es una variable auxiliar)
Obtengamos la funcin generadora de momentos; para ello obtengamos el valor
esperado indicado, es decir:
( )


t
x
t x xt x xt xt
e q
p e q p q e p pq e e E t G
. 1
1
. ) ( ) (
Obsrvese que el sumatorio es la suma de una serie
2
geomtrica de razn
t
e q.
cuya
suma ser:
( ) ( ) ( ) ( )
t
x
t t t
x
x
t
e q
e q e q e q e q
. 1
1
. . . 1 .
2
0

+ + + + +


Siendo
1 .
t
e q
Resultando la siguiente expresin para la funcin generatriz de momentos:
t
e q
p
t G
. 1
) (

Derivando con respecto a la variable auxiliar t, y observando que p y q son constantes


que no dependen de t, tendremos que la primera derivada
3
con respecto a t es igual a:
Recordemos que el valor medio de la variable aleatoria X se corresponde con la primera
derivada de la funcin generadora de momentos para t igual a 0 ; por lo tanto,
particularizando la expresin anterior para t igual a 0, obtendremos:
1
1 1 .
) 1 (
.
) 0 (
2 2
'


p p
p
p
q
p
q p
q
q p
G m
x
1
1

p p
q
m
x
2
La suma de una progresin geomtrica de razn r < 1 es
r
r
r
r a a
S
n
n
n

+
1
1
1
1
1
y la suma de la
serie es su lmite.
3
Recordar que
( ) ( ) ( ) ( )
( ) ( )
2
' '
) (
) (
t g
t g t f t g t f
t g
t f
dt
d

,
_

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI


Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 6/32
2 2
'
) . 1 (
. .
) . 1 (
) .(
) (
t
t
t
t
e q
e q p
e q
qe p
t G


Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Su representacin grfica ser la siguiente:
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 7/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
VARIANZA: FUNCIN GENERATRIZ DE MOMENTOS
Obtengamos la varianza recordando que se puede obtener del siguiente modo:
2 2
) (
x x
m x E v
y que el valor esperado del cuadrado de x puede obtenerse mediante la funcin
generadora de momentos tal como hacemos a continuacin.
En primer lugar tngase en cuenta que ( ) ) 0 (
' ' 2
G x E ; calculemos, por lo tanto, G''(0).
En el apartado anterior hemos calculado que la primera derivada de la funcin
generatriz de momentos puede representarse mediante la siguiente expresin:
2
'
) . 1 (
. .
) (
t
t
e q
e q p
t G

Obtengamos la segunda derivada de la funcin generatriz de momentos, es decir:


( ) ( ) ( )
( )
4
2
' '
1
. 1 . 2 . 1 .
) (
t
t t t t t
qe
qe qe pqe qe pqe
t G

Simplificando el numerador y el denominador por la expresin comn ( )


t
qe 1
( ) ( )
( )
3
' '
1
. 2 . 1 .
) (
t
t t t t
qe
qe pqe qe pqe
t G

( ) ( )
( )
3
' '
1
. 2 . 1 .
) (
t
t t t t
qe
qe pqe qe pqe
t G

( )
( )
3
' '
1
. 2 . 1 .
) (
t
t t t t
qe
qe pqe qe pqe
t G

( ) [ ]
( )
3
' '
1
2 1
) (
t
t t t
qe
qe qe pqe
t G

[ ]
( )
3
' '
1
2 1
) (
t
t t t
qe
qe qe pqe
t G

[ ]
( )
3
' '
1
1
) (
t
t t
qe
qe pqe
t G

( )
) 1 (
1
1
) (
2
' '
t
t
t
t
qe
qe
qe
pqe
t G

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI


Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 8/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
( )
t
t
qe
qe
t G t G

1
1
) (
' ' '
Particularizando para t igual a cero, tendremos:
( )
q
q
G G

1
1
0 ) 0 (
' ' '
Sustituyendo el valor de la primera derivada en el punto cero, calculada anteriormente,
tendremos:
q
q
p
q
G

1
1
) 0 (
' '
p
q
p
q
G
+

1
) 0 (
' '
( )
2
' '
1
) 0 (
p
q q
G
+

Una vez obtenida la segunda derivada en el punto cero, que es el valor esperado del
cuadrado de la variable aleatoria x, podremos calcular el valor de la varianza de x; por
lo tanto, sustituyendo en la expresin de la varianza, obtendremos:
p
m
p
q
p
q
p
q q
m x E v
x
x x

,
_

+

2
2
2
2
2 2
) (
Observemos que la media y la varianza difieren en un factor constante.
p
q
m
x

p
m
v
x
x

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 9/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
OBTENCIN DE PARMETROS
Si se conoce el valor de la media de la variable, podremos obtener el valor de p.
En primer lugar expresemos la media en funcin de un nico parmetro, por ejemplo en
funcin de p, y tendremos:

p
p
m
x

1
O lo que es lo mismo
1
1

p
m
x
Es decir que
p
m
x
1
1 +
De la expresin anterior podemos despejar el parmetro en funcin de la media de la
variable aleatoria.
x
m
p
+

1
1
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 10/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
2. DISTRIBUCIN BINOMIAL NEGATIVA
Cuando los ensayos de Bernoulli, descritos en el apartado anterior, se repiten hasta
lograr k xitos (k > 1), la variable aleatoria que caracteriza el nmero de fallos se dice
que tiene una distribucin binomial negativa. Como se trata de obtener k xitos, se
corresponde con la suma de k variables aleatorias con la misma distribucin geomtrica.
FUNCIN DE PROBABILIDAD
La funcin de probabilidad para una distribucin binomial negativa est dada por:
, 2 , 1 , 0 , 0
1
) ( >

,
_

+
x k q p
x
x k
x f
x k
Siendo k el nmero total de xitos en una sucesin de k + x ensayos y siendo x el
nmero de fallos que ocurren antes de la obtencin de los k xitos. El xito k-simo se
obtiene en ltima prueba, es decir en la prueba k+x.
De la frmula anterior se lee que ha habido k xitos y x fracasos. Adems como se
obliga a que el ltimo xito sea el de la ltima prueba el nmero combinatorio se
reduce.
Obsrvese que cuando k es igual a 1 tendremos:
, 2 , 1 , 0 ) (

,
_

x pq
x
x
x f
x
o lo que es lo mismo:
, 2 , 1 , 0 ) ( x pq x f
x
Es decir que cuando el nmero de xitos es igual a 1 se trata del caso particular de la
distribucin geomtrica.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 11/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
SIMULACIN BINOMIAL NEGATIVA: MTODO COMPOSICIN
En primer lugar trataremos de obtener un valor de una variable aleatoria con una
distribucin binomial.
Cuando k es un entero, los valores de la variable aleatoria con distribucin binomial
negativa se pueden generar considerando la suma de k valores con distribucin
geomtrica, es decir

k
i
i
q
r
q
x
1
ln
ln
1
Podemos sacar el factor que se presenta en todos los elementos de la suma para obtener
la expresin:

k
i
i
q
r
q
x
1
ln
ln
1
Adems, como el logaritmo de un producto, es la suma de los logaritmos, y viceversa,
tendremos que:
k
k
i
i
k k
k
i
i
q
r
q q
r
q
r
q
r
q q
r
q
r
q
r
q q
r
q
x

,
_

,
_

+ + +
1 2 1 2 1
1
ln
ln
1
ln
ln
1
ln ln ln
ln
1
ln
ln
1

Por lo tanto, de este modo podemos obtener el valor de una variable aleatoria con una
distribucin binomial negativa.

k
i
i k
r
q q
x
1
1
ln
ln
1
Adems, para que los valores de x sean enteros, utilizaremos la funcin parte entera,
quedando la expresin en la siguiente forma:
1
]
1

k
i
i
k
r
q q
x
1
1
ln
ln
1
+1
CODIFICACIN en VBA
Se propone escribir en VBA una funcin que proporcione valores de una variable
aleatoria que tenga una distribucin binomial negativa.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 12/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
MEDIA y VARIANZA
Pueden demostrarse las siguientes expresiones:
p
q
k m
x

p
m
p
q
k v
x
x

2
Obsrvese que la varianza es la misma que la para la distribucin geomtrica y que la
media difiere en la constante k.
OBTENCIN DE PARMETROS
Supuestas conocidas la media y la varianza se pueden conocer los valores de los
parmetros de la distribucin; para ello dividiendo miembro a miembro ambas
igualdades y simplificado se obtiene el valor de p.
Para obtener el valor de k, se despeja de la primera igualdad y sustituye p por el valor
obtenido; de este modo se obtienen los valores de los parmetros en funcin de la media
y de la varianza; obteniendo las expresiones siguientes:
x
x
v
m
p
x x
x
m v
m
k

2
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 13/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
3. DISTRIBUCIN BINOMIAL
Nos encontramos frente a una variable aleatoria con distribucin binomial cuando
estamos considerando el nmero de veces que sucede un evento A en n ejecuciones
independientes de un experimento aleatorio.
Comencemos con un nico ensayo. En este caso, suponiendo que la probabilidad de que
se produzca el suceso en un nico ensayo sea denotada por p, podremos expresar la
probabilidad de la ocurrencia del suceso A como:
P (A) = p
Y del mismo modo, podemos decir que la probabilidad de que no ocurra A ser 1-p, es
decir:
P (Complementario(A))= 1-p = q
Que tambin podramos expresarlo del siguiente modo:
P(no(A))=q
Consideremos la variable aleatoria X: "Nmero de veces que se produce el suceso A"
y sigamos en el supuesto de que el experimento se realiza 1 vez.
En este caso, el nmero de valores diferentes que puede tomar la variable X sern dos:
el 0 y el 1. Es decir, puede ocurrir que el suceso se produzca, en cuyo caso X=1 o que
no se produzca, en cuyo caso ser X=0 y no hay ms posibilidades. El espacio muestral
se reduce a dos elementos: el 0 y el 1.
Las probabilidades correspondientes sern:
P(X=0)= q
P(X=1)= p
por lo tanto la funcin de probabilidad tomar los valores:
f (0)=q
f (1)=p
Las dos expresiones anteriores pueden agruparse del siguiente modo:
1 , 0 ) (
1


x q p x f
x x
Vemoslo:
q q p f
0 1 0
) 0 (
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 14/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
p q p f
1 1 1
) 1 (
Adems, si lo necesitamos, podemos suponer que la funcin toma el valor 0 para
cualquier otro valor de x.
Ahora supongamos que el experimento anterior se lleva a cabo n veces. En esta
situacin la variable aleatoria X: "Nmero de veces que se produce el suceso A"
puede tomar los valores desde 0 hasta n. Obtengamos cada una de estas probabilidades.
Para la determinacin de estas probabilidades consideremos el suceso: "El nmero de
veces que se produce el suceso A es exactamente x al repetir n veces el experimento".
Es decir que la variable aleatoria X tome el valor x, es decir que el suceso A se haya
producido x veces y el Complementario(A) se halla producido n-x veces.
Si representamos mediante una secuencia de letras que identifiquen el suceso que se ha
producido, tendramos una expresin similar a la siguiente:
A, A, A,..., A, C, C,...C
en la cual que la letra A significa que se ha producido el suceso A y la letra C significa
que se ha producido el suceso complementario de A.
Si suponemos que A se ha producido x veces y C se ha producido n-x veces, la
probabilidad de que se produzca el suceso anterior ser:
x n x
q p


Si adems consideramos todos los casos similares a los anteriores, es decir que A haya
sucedido x veces, pero no todos seguidos sino en los posibles rdenes en que puedan
producirse, y los sumamos tendremos el valor de la funcin de probabilidad para el
valor x de la variable aleatoria: X
El nmero de posibles combinaciones es:

,
_

x
n
FUNCIN DE PROBABILIDAD
La funcin de probabilidad es el conjunto probabilidades para los diferentes posibles
valores de x; en este caso las probabilidades son las siguientes:
n x q p
x
n
x f
x n x
, 2 , 1 , 0 ) (

,
_


FUNCIN DE DISTRIBUCIN
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 15/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
La funcin de distribucin ser por definicin:

,
_

x k
k n k
q p
k
n
x F ) (
REPRESENTACIN GRFICA
Representar grficamente la funcin de densidad de probabilidad de la distribucin
binomial para diferentes valores de n y p.
Hacer que la funcin dependa de los valores de n y de p, de manera que la
representacin grfica sirva para diferentes valores de p.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 16/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
MEDIA: FUNCIN GENERATRIZ DE MOMENTOS
Calculemos la media y la varianza de la distribucin binomial utilizando la funcin
generatriz de momentos. Para ello recordemos que la funcin generatriz de momentos
es la esperanza matemtica de la funcin
xt
e en donde x es la variable aleatoria que
estamos considerando y t es una variable auxiliar.
( )
n t
n
x
x n
x
t
n
x
x n x xt xt
q p e q p e
x
n
q p
x
n
e e E t G ) ( ) ( ) (
0 0
+

,
_

,
_

Para comprender la transformacin anterior recurdese el desarrollo del binomio de


Newton que dice:

,
_

,
_

,
_

+ +

,
_

,
_

+
n
x
x n x n n n n n
q p
x
n
q p
n
n
q p
n
n
q p
n
q p
n
q p
0
0 1 1 1 0 0
1 1 0
) (
Por lo tanto hemos obtenido la funcin generadora de momentos, la cual nos permitir
obtener la media y la varianza de la distribucin del siguiente modo:
n t
q p e t G ) ( ) ( +
( ) p e q p e n t G
t
n
t
+
1
'
) (
Particularizando para t igual a 0 obtenemos la media de X, es decir:
( ) np p q p n G m
x
+ ) 0 (
'
VARIANZA: FUNCIN GENERATRIZ DE MOMENTOS
Sabemos que la varianza es el momento de segundo orden con respecto a la media, es
decir:
( ) [ ] ( ) ( ) ( ) ( )
2 2 2 2 2 2 2
2 1 ) ( 2 2
x x x x x x x x x
m m m x E E m x E m x E m xm x E m x E v + + +
Quedando en general que
( )
2 2
x x
m x E v
Como antes hemos calculado la media, solo nos falta obtener el segundo momento con
respecto al origen que puede calcularse mediante la funcin generatriz de momentos.
npq p np np np m G v
x x
) 1 ( ) ( ) 0 (
2 2 ' '
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 17/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
OBTENCIN DE PARMETROS
Cuando se conocen la media y la varianza, podemos obtener los parmetros n y p
correspondientes a la distribucin binomial de forma inmediata, es decir, sabiendo que:
np m
x

npq v
x

Dividiendo miembro a miembro las dos igualdades, tendremos otra igualdad
q v
m
x
x
1

o lo que es lo mismo
x
x
m
v
q

es decir que podemos obtener el valor de q a partir de la varianza y de la media; adems
como p es igual a 1-q tendremos que
x
x
m
v
p 1
adems, de la ecuacin de la media podemos despejar n, por lo que tendremos
p
m
n
x

en la ecuacin anterior ya sabemos el valor de p en funcin de la media y la varianza,


por lo que la expresin nos quedar del siguiente modo:
x
x
x
m
v
m
n

1
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 18/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
SIMULACIN DISTRIBUCIN BINOMIAL: MTODO RECHAZOS
Existen varios mtodos para generar valores de una distribucin binomial. Uno de los
mtodos ms sencillos, sobre todo cuando el valor de n es moderado, es el mtodo de
los rechazos que se explica a continuacin.
Recordemos que la distribucin binomial proporciona la probabilidad de que un suceso
tenga lugar x veces en un conjunto de n ensayos independientes en los cuales la
probabilidad de que se produzca el suceso es siempre la misma: p.
Por lo tanto, podemos simular la realidad ejecutando n ensayos y observando cuantas
veces se produce dicho suceso, el valor obtenido es una muestra de una distribucin
binomial. Es decir, ejecutaremos el mismo ensayo n veces y para cada uno de ellos
observaremos el resultado obtenido e incrementaremos en uno el nmero de xitos en
caso de que el resultado sea un xito.
Expresndolo en forma de pseudocdigo, tendramos lo siguiente:
1. Repetir n veces:
I. Simular un valor de r
II. Si r < p
i. incrementar el nmero de xitos,
Si no
ii. incrementar el nmero de fracasos
2. Proporcionar el nmero de xitos.
Obsrvese que este procedimiento proporciona el nmero de xitos, tal como si
hubiramos realizado este experimento en la realidad, o como si se hubiera producido
de forma natural en la realidad. El valor obtenido ser un valor aleatorio de una variable
con distribucin binomial.
Este procedimiento se debe repetir tantas veces como nmero de valores de la variable
aleatoria deseamos generar.
De forma abreviada podemos expresar el procedimiento de generacin del valor de x
del siguiente modo:
Repetir n veces:
p r si x x
i
+ 1
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 19/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Ejercicio 1. Construyamos una funcin en VBA que proporcione el valor de una
variable aleatoria X con una distribucin binomial.
Obsrvese que para generar un valor de la variable aleatoria se tiene que repetir la
generacin de valores aleatorios de una distribucin uniforme y realizar la comparacin
con el mismo valor de p. Por lo tanto, podemos considerar parmetros de la funcin el
valor de n y el valor de p.
Ejercicio 2. Construyamos un procedimiento que genere 30000 valores de una variable
aleatoria X con una distribucin binomial.
Ejercicio 3. Construyamos un procedimiento que clasifique los valores obtenidos en el
ejercicio anterior y hagamos su representacin grfica.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 20/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
4. DISTRIBUCIN DE POISSON
Se utiliza para representar diferentes fenmenos aleatorios; por ejemplo: El nmero de
accidentes de trfico producidos en un determinado punto kilomtrico en un
determinado intervalo de tiempo; por ejemplo en un da, en un mes, ... etc. El nmero de
vehculos que llegan a una estacin de servicio en un determinado periodo de tiempo,
etc.
Se le suele denominar, distribucin de llegadas ya que en muchas ocasiones las llegadas
a un sistema siguen aproximadamente esta distribucin.
FUNCIN DE PROBABILIDAD
Si realizamos una serie muy grande de ensayos de Bernoulli, en los cuales la
probabilidad de que se verifique un determinado evento sea muy pequea, la
probabilidad de que: Se produzca x veces el evento considerado est dada por la
distribucin de Poisson.
A la siguiente expresin
!
) (
x
m
e x f
x
m

0 m
,
, 2 , 1 , 0 x
se le denomina funcin de probabilidad de Poisson.
Esta distribucin fue introducida por Simon-Denis Poisson (1781-1840) ciudadano
francs que desarroll esta distribucin basndose en los estudios efectuados en los
ltimos aos de su vida.
Esta distribucin es una buena aproximacin a la distribucin Binomial cuando n es
grade y p es pequeo, por ejemplo, n=1000 y p=1/100. En general, cuando el producto
n.p es superior a 5 la aproximacin es adecuada.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 21/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
FUNCIN DE DISTRIBUCIN
La funcin de distribucin de Poisson, en la que m es una cantidad constante y que
coincide con el valor medio de la distribucin, puede expresarse del siguiente modo:

x
i
i
m
i
m
e x F
0
!
) (
0 m
, x = 0, 1,...
PASO AL LMITE DE LA BINOMIAL A LA DE POISSON
Puede afirmarse que es cierto el siguiente Teorema:
"La distribucin Binomial se aproxima a la de Poisson cuando el nmero de
observaciones n es grande y la probabilidad p en pequea."
Demostracin:
A partir de la funcin de probabilidad de la distribucin de Binomial
n x q p
x
n
x X P
x n x
, 2 , 1 , 0 ) (

,
_



Veamos que ocurre con la distribucin de probabilidad cuando n tiende a infinito y la
probabilidad p tiende a cero, para cada uno de los valores de x.
En algunas situaciones el producto n.p podra estabilizarse; en estos casos veremos que
existe el lmite.
Tngase en cuenta que estamos considerando casos en los cuales p es muy pequeo y n
es muy grande. Por lo tanto, el cociente m entre n debe ser muy pequeo; lo cual
significa que el nmero de casos m es muy pequeo en relacin al nmero n. Por
ejemplo, si n representa el nmero de nacimientos en un ao, m podra representar el
nmero de nacimientos de nios siameses; es decir, el cociente m entre n representar la
probabilidad de que se produzca un parto de nios siameses (hermanos gemelos unidos
por alguna parte de su cuerpo)
Supongamos que el producto sea un valor determinado m, es decir que la probabilidad
es
n
m
p
, entonces el lmite puede calcularse del siguiente modo:
( )( ) ( )
( )
x n x
x n x
n
m
n
m
x n x
x n x n x n n n n
q p
x
n
x X P

,
_


,
_

,
_

1
! !
1 . 2 ) 1 )( ( 1 2 1 .
) (

( )( ) ( )
x n x
n
m
n
m
n
m
x
x n n n n
x X P

,
_


,
_


,
_

+
1 1
!
1 2 1
) (

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 22/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
( )( ) ( )
x n
x
x
n
m
n
m
n
m
x
x n n n n
x X P

,
_


,
_

+
1 1
!
1 2 1
) (

( )( ) ( )
x n
x
x
n
m
n
m
x
m
n
x n n n n
x X P

,
_


,
_

+
1 1
!
1 2 1
) (

( )( ) ( )
(
x n
x
x
n
m
n
m
x
m
n n n
x n n n n
x X P

,
_


,
_

+
1 1
! .
1 2 1
) (

Obsrvese que en numerador del primer cociente consta de x trminos, es decir, desde el
primer factor, que es n, hasta el factor x, que es el n-(x-1) suman en total x factores. Del
mismo modo en el denominador tenemos n elevado a x, o lo que es lo mismo el
producto de n tomado x veces. Expresando cada uno de los factores en fracciones
independientes y haciendo algunas equivalencias tendremos:
x n
x
n
m
n
m
x
m
n
x n
n
n
n
n
n
n
n
n
x X P

,
_


,
_

+
1 1
!
1 3 2 1
) (
x
n
x
n
m
m
n
x
m
n
x n
n
n
n
n
n
n
n
n
x X P

,
_

,
_

+
+
1
1
1
!
1 3 2 1
) (
( )
x
m
m
n
x
n
m
m
n
x
m
n
x n
n
n
n
n
n
n
n
n
x X P

,
_

,
_

+
+
1
1
1
!
1 3 2 1
) (
x
m
m
n
x
n
m
m
n
x
m
n
x n
n
n
n
n
n
n
n
n
x X P

,
_

1
1
1
1
1
]
1

,
_

+
+
1
1
1
!
1 3 2 1
) (
Haciendo el lmite cuando n tiende a infinito, nos queda:
m
x
e
x
m
x X P


!
) (
que es exactamente la probabilidad de la distribucin de Poisson para X=x.
Obsrvese que los x primeros factores tienen por lmite el valor 1 y lo que se encuentra
entre corchetes es la definicin del nmero e. Recurdese que en matemticas se
demuestra que:
e
x
x
x
lm

,
_

+

1
1
Tambin se puede demostrar que el lmite anterior es el nmero e cuando la x vara en
el campo de los nmeros reales negativos; es decir, cuando x tiende a menos infinito.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 23/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Haciendo lo mismo para todos los valores de la variable aleatoria X se tiene
, 1 , 0
!
) (

x
x
m
e x f
x
m
que es la funcin de probabilidad de la distribucin de Poisson.
FUNCIN GENERATRIZ DE MOMENTOS
( )
( ) t
me m
x
x
t
m
x
x
m xt
e e
x
e m
e
x
m
e e t G



0
0
! !
+ + + + + +
! ! 3 ! 2 ! 1
1 : Re
3 2 1
x
z z z z
e que cordemos
x
z
( ) ( ) t G e m t G
t

( ) ( ) ( ) [ ] t G t G e m t G
t
+
( ) 1 0 G
( ) m G 0
( )
2
0 m m G +
( ) ( ) m M G V
x x

2
0
MEDIA
Tal como se ha demostrado la media de la distribucin de Poisson es m.
VARIANZA
Tal como se ha demostrado la varianza de la distribucin de Poisson es m.
REPRESENTACIN GRFICA
Representar la distribucin de probabilidad de Poisson para diferentes valores de m, por
ejemplo: 0.5, 1, 1.5,..., 5.
Solucin: Puede comprobarse que para m=2 tenemos la siguiente grfica:
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 24/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
0
0,05
0,1
0,15
0,2
0,25
0,3
0 5 10 15 20 25

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 25/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
EJEMPLO: EJRCITO PRUSIANO
A continuacin se muestra un ejemplo tomado del libro de Erwin Kreyszig en el que se
recogen las observaciones realizadas por el ejrcito Prusiano durante un periodo de 20
aos (1875-1894) relativas a las muertes, provocadas por coz de caballo, en 10 cuerpos
del ejrcito.
x observado
0 109
1 65
2 22
3 3
4 1
5 0
6 0
7 0
Se pide obtener el valor medio y obtener los valores tericos suponiendo que la
distribucin se ajuste a una de Poisson.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 26/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
SIMULACIN DISTRIBUCIN POISSON: MTODO COMPOSICIN
Algunos de los sucesos que se producen en la naturaleza siguen una distribucin de
Poisson; por ejemplo, el nmero de aviones que aterrizan en un aeropuerto en un da
puede ser bastante elevado; por ejemplo 150. La probabilidad de que aterrice un avin
en un segundo determinado es muy pequea 0.00173611... En esta situacin se puede
esperar que la probabilidad de que aterricen 0, 1,... aviones en un intervalo determinado,
seguir una distribucin de Poisson.
Esta distribucin es muy til cuando se trata de problemas en los que se producen
eventos a lo largo de un intervalo de tiempo.
Tambin suele darse en situaciones en la que podemos observar el nmero de veces que
se ha producido un determinado suceso pero no podemos determinar el nmero de veces
que no ha ocurrido.
Para simular una distribucin de Poisson de parmetro a nos serviremos de la relacin
conocida entre las distribuciones exponencial y de Poisson que describimos a
continuacin.
Supondremos que nos encontramos en una situacin en la que se cumplen las siguientes
condiciones:
Hiptesis 1: "El nmero de eventos producidos en un intervalo de tiempo t es
independiente de los eventos ocurridos anteriormente."
Lo anterior quiere decir, por ejemplo, que la probabilidad de que ocurran 3 eventos
durante 1 hora es siempre la misma, independientemente de la hora considerada, es
decir la funcin de probabilidad no depende del intervalo de tiempo considerado. Esto,
en general, no suele ser cierto, por ello, suele diferenciarse la hora en la que se realiza el
estudio o bien se divide el tiempo en horas de similar comportamiento. Por ejemplo, en
el caso de los aterrizajes de aviones, la noche no se tiene en cuenta en el estudio.
Hiptesis 2: "La probabilidad de que ocurra un evento en un intervalo de tiempo muy
pequeo, t, es proporcional a la longitud de dicho intervalo, es decir es: a.t"
En estas condiciones puede demostrarse que:
Tesis 1: "El tiempo transcurrido entre la ocurrencia de dos sucesos tiene una
distribucin de probabilidad exponencial cuya funcin de densidad de probabilidad es
at
e a t f

) (
0 , 0 a t
"
Siendo la media de t: 1/a.
Tesis 2: "La probabilidad de que ocurran x eventos durante un tiempo t tiene una
distribucin de Poisson de parmetro at con la siguiente funcin de probabilidad:
( )
, 1 , 0
!
) (

x
x
at
e x f
x
at
"
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 27/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Tesis 3: "La probabilidad de que ocurran x eventos durante un tiempo unitario tiene la
siguiente funcin de probabilidad:
( )
, 1 , 0
!
) (

x
x
a
e x f
x
a
"
O lo que es lo mismo: "El nmero de eventos x que ocurren durante un tiempo unitario
vendr dado por una distribucin de Poisson de parmetro a." Puede observarse
fcilmente que la tesis3 est englobada en la tesis 2 ya que se trata de particularizarla
para el caso en que t es igual a 1.
Basndonos en lo anterior vamos a generar valores de una distribucin de Poisson. Para
ello podemos generar intervalos de tiempo
i
t
entre dos sucesos consecutivos, lo cual ya
sabemos hacerlo porque siguen una distribucin exponencial, hasta que la suma de ellos
alcance el valor unitario. El nmero de eventos que hemos tenido que producir ser el
valor de la variable de la distribucin de Poisson que queremos generar.
Por ejemplo, la representacin de la funcin de densidad de probabilidad de la
distribucin exponencial para a = 0.5 tiene la siguiente representacin:
2
2
1
) (
t
e t f


0,00
0,10
0,20
0,30
0,40
0,50
0,60
0 2 4 6 8 10 12
La obtencin de valores aleatorios de la variable aleatoria T se realizar del siguiente
modo:
i i
r
a
t ln
1

Si generamos varios valores de
i
t
y realizamos su suma mientras que la suma sea
menor o igual que 1. Ocurrir que en un determinado paso del procedimiento al generar
un nuevo valor de ti el nuevo sumatorio ser mayor que 1; vemoslo matemticamente:
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 28/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
) ( 1
1
A t
x
i
i

) ( 1
1
1
B t
x
i
i

Hagamos algunas transformaciones para que el clculo sea ms sencillo.


1 ln
1
1

x
i
i
r
a
es equivalente a la siguiente expresin (recordemos que al multiplicar una desigualdad
por un nmero negativo, la desigualdad cambia de sentido)
1 ln
1
1

x
i
i
r
a
teniendo en cuenta que a es positivo, podremos expresarlo del siguiente modo:
a r
x
i
i

1
ln
ordenando de menor a mayor tendremos

x
i
i
r a
1
ln
teniendo en cuenta que la suma de neperianos es el neperiano de un producto,
tendremos:

x
i
i
r a
1
ln
lo cual es equivalente a:

x
i
i
a
r e
1

haciendo lo mismo para la expresin (B) llegaremos a la siguiente expresin:


a
x
i
i
e r

+

1
1
es decir que tiene que ocurrir que se verifiquen las siguientes relaciones:
a
x
i
i
e r

+

1
1

x
i
i
r
1

Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI


Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 29/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Como puede observarse, el producto de los valores generados, al ser los valores
generados menores que la unidad, es decreciente. Por lo tanto, llegar un momento que
el valor sea menor o igual que e elevado al exponente a.
Cuando el valor deje de ser mayor que la constante
a
e

el nmero x ser el valor


buscado ya que para dicho valor de x se tiene el lmite inferior de los productos mayores
que la constante
a
e

= 0,606530659712633 ( siendo a = 0.5)


CODIFICACIN en VBA
A continuacin se muestra una forma de obtener de forma aleatoria un valor de una
distribucin de Poisson de parmetro a mediante una funcin expresada en VBA.
Como ejercicio de programacin se propone escribir otra funcin que proporcione el
mismo resultado siguiendo los principios de la programacin estructurada.
Function Rand_Poisson(a)
Producto = 1
x = 1
Cota_Inferior = Exp(-a)
For i = 1 To 10000 Step 1
Producto = Producto * Rnd()
If Producto < Cota_Inferior Then
Exit For
End If
x = x + 1
Next i
Rand_Poisson = x
End Function
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 30/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Function Rand_Poisson(a)
Producto = 1
x = 0
Cota_Inferior = Exp(-a)
do
Producto = Producto * Rnd()
If Producto < Cota_Inferior Then
Exit do
End If
x = x + 1
loop
Rand_Poisson = x
End Function
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 31/32
Escuela Universitaria de Estudios Empresariales San Sebastin - Donostia
Departamento de Lenguajes y Sistemas Informticos www.ehu.es
Function Alea_Poisson(a)
Producto = 1
x = 0
Cota_Inferior = Exp(-a)
Superado = False
Do while not Superado
Producto = Producto * Rnd()
If Producto < Cota_Inferior Then
Superado = True
End If
x = x + 1
loop
Alea_Poisson = x
End Function
En esta ltima funcin se ha mejorado la eficiencia del clculo ya que se evita el clculo
repetido de la Cota_Inferior (se realiza una nica vez).
Adems, como puede observarse, el cdigo se ha escrito de forma secuencial, es decir,
siguiendo las reglas de la programacin estructurada.
Asignatura: Simulacin de Sistemas de Gestin Departamento: LSI
Profesor: Jos Luis Torre Hernndez Tema: 4 Pg.: 32/32