1 9 de mayo de 2014

UNIVERSIDAD NACIONAL DE INGENIERA

RECINTO UNIVERSITARIO AUGUSTO C. SANDINO
SEDE REGIONAL DEL NORTE

Simulacin y Modelacin
de Sistemas




MsC. Marcos Hernndez

Tema:
Conceptos y Terminologas
Aplicaciones prcticas de modelos estadsticos
Distribuciones Discretas
Distribuciones continuas






4S1-IS
Elaborado Por:
Wilber Alexander Molina Lovo

2 9 de mayo de 2014
MODELOS ESTADSTICOS
Concepto
Un modelo estadstico es una ecuacin matemtica que reproduce los fenmenos
que observamos de la forma ms exacta posible. Para ello tiene en cuenta los
datos suministrados y la influencia que el azar tiene en estas observaciones. El
modelo es diferente cada vez que se modifica la informacin.
El modelo estadstico ms simple es el usado en los diseos
completos aleatorizados (DCA). Su modelo es:

Donde
Y = es la variable de respuesta de inters.
= promedio general de la poblacin sobre la cual se est trabajando
t = es la variacin que se atribuye a los niveles del factor que se est evaluando
(efecto de los tratamientos).
= es la variacin de los factores no controlados (el error experimental)
i = i -simo tratamiento
j = j -sima repeticin de cada tratamientos
j(i) = es la variacin de las unidades experimentales anidado en los tratamientos.
Los modelos estadsticos pueden ser lineales o no lineales.
Importancia de su aplicacin
La aplicacin del modelo permite, con la ayuda de la estadstica inferencial,
evaluar el grado de significacin y los roles respectivo de X1, X2,... Xp, para
"explicar" la variabilidad del fenmeno descrito por Y. Por ejemplo, si Y representa
la tasa de variacin media anual de la poblacin de las ciudades de un pas, las
variables "explicativas" podran ser: el tamao inicial de la ciudad, la calificacin de
la mano de obra (la proporcin de tcnicos en la poblacin activa, por ejemplo), el
perfil econmico (la proporcin de activos que trabajan en diferentes sectores de
actividad), la situacin relativa (distancia a la ciudad vecina ms prxima, nmero
de ciudades que la rodean).





3 9 de mayo de 2014
TERMINOLOGA

Variable Aleatoria Discreta
El nmero de posibles valores de la variable es finito o infinito pero contable.
Para cada posible valor xi de la variable X se tiene que p(xi) = p(X = xi) es la
probabilidad de que la variable X tome el valor xi.
Se cumplen las siguientes condiciones:
a) p(xi) 0 Para todo xi
b)
i=1
Distribucin de Probabilidad o Funcin Masa de Probabilidad (pmf) de X es el
conjunto de pares (xi,p(xi)) con i=1, 2 ...
Ejemplo Lanzamiento del dado trucado

Variable Aleatoria Continua
El espacio de valores de la variable X (Rx) es un intervalo o un conjunto de
intervalos.
La probabilidad de que el valor de X se encuentre en un intervalo [a,b] viene dada
por la expresin: b
P(a x b) = f (x)dx a
f(x) se llama funcin densidad de probabilidad (pdf) de la variable X
pdf satisface las siguientes condiciones:
a) f(x) 0 Para todo x

b)
c) f(x) = 0 Si xRx
Ejemplo Funcionamiento de una bombilla




4 9 de mayo de 2014
Funcin de Distribucin Acumulativa
La funcin de distribucin acumulativa (cdf), denotada por F(x), mide la
probabilidad de que la variable X tenga un valor menor o igual que x; es decir F(x)
= P (X x).


Si X es continua
Propiedades de F(x):
a) F es una funcin no decreciente. Si a < b entonces F(a) F(b)
b) lim F(x) =1


x
c)
Ejemplos Dado Trucado Bombilla
Valor Esperado
E(x) se denomina media y se define del siguiente modo:
Si X es continua E(X) = x f (x)dx

Si X es discreta
La media es una medida de la tendencia central de la variable aleatoria
Varianza
V(X)
2
se denomina varianza y se define como:
V(X) = E [(X - E(X))
2
] equivalentemente V(X) = E(X
2
) - [E(X)]
2

Moda
Se define de la siguiente forma:
Variable Discreta: La moda es el valor de la variable que aparece ms
frecuentemente.
Variable Continua: La moda es el valor mximo de pdf
La Moda puede no ser nica.
Si el valor de la moda ocurre en dos valores la distribucin es bimodal

Si X es discreta F(x) = p(xi)

5 9 de mayo de 2014
APLICACIONES PRACTICAS DE MODELOS ESTADISTICOS

Sistemas de Colas
La distribucin del tiempo entre llegadas y la distribucin del nmero de llegadas
por periodo de tiempo son importantes a la hora de simular los sistemas de colas.

El tiempo de servicio puede ser constante o probabilstico.

Distribuciones utilizadas:

Exponencial. Si los tiempos de servicio son completamente aleatorios.

Normal. Si los tiempos de servicio son constantes pero existe una
variabilidad que produce fluctuaciones positivas y negativas.

Normal Truncada. Si existen valores de la variable que deben ser
mayores o menores que un cierto valor y el resto siguen una distribucin
normal.

Gamma y Weibull. Se utilizan para modelar Tiempos de Servicio.

Sistemas Inventario
Existen tres variables aleatorias:
a) Nmero de tems solicitados en cada pedido o en cada periodo de tiempo
b) Tiempo entre pedidos
c) Tiempo entre realizar un pedido y recibir dicho pedido

La variable nmero de tems o tamao del pedido suele ser representada por las
siguientes distribuciones:
Geomtrica. Se caracteriza por tener la moda centrada en la unidad
Binomial Negativa. Se caracteriza por tener una cola larga
Poisson. Est tabulada y se conoce con profundidad. Tiene una cola ms corta
que la binomial negativa


6 9 de mayo de 2014

Mantenimientos y Fiabilidad
El tiempo de fallo puede ser modelado por varias funciones:
Distribucin Exponencial. Si solamente ocurren fallos aleatorios
Distribucin Gamma. Surge del modelado por redundancia.
Distribucin Weibull. Cuando hay muchos componentes en un sistema y el fallo se
debe al defecto ms serio del conjunto de defectos
Distribucin Normal. Cuando los fallos se deben al desgaste normal
Distribucin Logonormal. Se utiliza para describir el tiempo de fallo de algn tipo
de componentes
Datos Limitados o Incompletos
No se dispone del suficiente nmero de datos
Las funciones que se utilizan son:
Distribucin uniforme. Se utiliza cuando se sabe que el tiempo entre llagadas o de
servicio es aleatorio pero no se dispone de ms informacin
Distribucin Triangular. Se puede utilizar cuando se hacen suposiciones sobre el
mximo, el mnimo y la moda
Distribucin Beta. Proporciona una gran variedad de formas en su distribucin

DISTRIBUCIONES DISCRETAS

Distribucin de Bernoulli
Es una distribucin de probabilidad con dos puntos de probabilidad discreta
definida como:
p(0) = q
p(1) = p siendo p+q = 1 con p,q >0
Sea un experimento consistente en n ensayos y cada uno de ellos puede tener
xito o fracaso (1 0). Sea por ejemplo xj=1 xito y xj=0 fracaso.





7 9 de mayo de 2014
Distribucin Binomial
La variable X indica el nmero de xitos en n ensayos de Bernoulli y tiene una
distribucin binomial dada por:
npx q x = 0, 1, 2 ... n nx p(x)= x

resto 0
La media y la varianza son:
E (x) = np V(x) = npq

Distribucin Geomtrica (Relacionada con la secuencia de ensayos
de Bernoulli)
La variable X indica el nmero de ensayos para obtener el primer xito. La
distribucin de esta variable es:
x1

El evento {X = x} ocurre cuando hay x-
1 fallos seguidos de un xito
Cada uno de los fallos tiene asignada una probabilidad de q=1-p y cada uno de los
xitos tiene probabilidad p. As:
p(FFF....FS) = q
x-1
.p
La Media y la Varianza vienen dados por:
E(x) = 1 V(x ) = q p p2
Distribucin de Poisson
Se utiliza para modelar tiempos entre eventos aleatorios ocurridos en un intervalo
de tiempo fijo.
La funcin masa de probabilidad (pmf) est dada por:
x = 0, 1 ... ex
Una propiedad importante de la distribucin de Poisson es E(x) = V(x) = La
funcin de distribucin acumulativa es:
x e

i F(x) =

i=0 i!
Esta funcin est tabulada Ejemplo: Servicio de Fontanera
p(x) =q p
0
x = 1, 2

otros

8 9 de mayo de 2014
DISTRIBUCIONES CONTINUAS
Distribucin Uniforme

Se utiliza cuando todos los valores en un rango finito se pueden considerar iguales
La variable aleatoria X est uniformemente distribuida en el intervalo (a,b) si pdf
est dada por:
Se tiene que
p(x1 < x < x2) =
F(x2)-F(x1)=
x2x1
es
proporcional a la
ba
longitud del intervalo para todo
x1 y x2 que satisfaga a x1 < x2
b

La media y la
Varianza son:
E(X) = a +b V(X) = (b a)2
2 12
Distribucin Exponencial
Se utiliza para modelar tiempos entre llegadas y tambin tiempos entre servicios

Una variable aleatoria X se dice que tiene distribucin exponencial con parmetro
> 0 si su pdf est dada por:





La media y la Varianza son: E(x) =V









cdf est dada por:













1 f
(x) = b
a

0
0

F (x) = x a
b a
1
a x <b

otros
x < a a
x < b
x b
f (x) = ex
0

x 0 x F(x)
=

1ex
0 resto
resto 0


9 9 de mayo de 2014
Distribucin Gamma
Se utiliza para representar el tiempo requerido para finalizar una tarea
Una variable aleatoria X tiene una distribucin Gamma con parmetros y si pdf
es:


(

x)1

ex x > 0
f (x) =()
0 otros
donde es un parmetro de forma y es un parmetro de escala y
Adems:

x
dx para entero () = (1)!

La Media y la Varianza son: E(x) = V(x) =
1

2

Cuando es entero, la distribucin Gamma est relacionada con la Exponencial
Para = 1 se obtiene una distribucin Exponencial

Distribucin Erlang
La expresin pdf de Gamma, para = K, con K entero se denomina distribucin
de Erlang de orden K
La Media y la Varianza son: E(x) =
1
V(x) =
1
K2
Se verifica que:











k1 ekx (Kx)i x > 0

x 0
F(x ) =1 i=0


0


i!




10 9 de mayo de 2014
Distribucin Normal
Una variable aleatoria X con media (- < < ) y varianza
2
tiene una
distribucin normal si pdf es:
1 1 x
2
f (x) = exp - < x < 2 2

Se utiliza la notacin N(, )

La cdf de la Distribucin Normal es:
x
1
1

2


F(x) = p(X x) =

2 exp 2

dt

La funcin acumulativa cdf est tabulada y es:
z t 2
1e 2 dt

Distribucin Weibull
Se utiliza en modelos de fiabilidad para representar tiempos de vida de
dispositivos. Un sistema formado por muchas partes independientes y el
sistema falla cuando hay un fallo.
Una variable aleatoria tiene una distribucin Weibull si pdf es

1









x exp x f ( x) =



0


x
otros

z
2
) (



=

11 9 de mayo de 2014
Distribucin Triangular
Se utiliza cuando no se conoce la forma exacta de la distribucin pero se estima
el mnimo, el mximo y la moda
Una variable aleatoria X tiene distribucin Triangular si pdf es:

2(x a)

La cdf de una distribucin Triangular es:

0
2 x a
(
x

a
)

F (x) = (b a)(c a
2
) a < x b
(c x)
1

(c b)(c a) b < x c
1 x > c



(b a)( c a)

f (x) = 2(c x)

(c b)(c a)
0

a x b
b < x c
otros