Академический Документы
Профессиональный Документы
Культура Документы
CAPTULO 4
NOCIONES SOBRE SIMULACIN DE MONTE CARLO
En la frontera Francesa y muy cerca de la frontera Italia-Francia se encuentra el
Principado de Mnaco, que es una ciudad-Estado, muy hermosa al lado del mar y all
est el famoso Casino de Monte Carlo en una placita donde se estacionan los autos
ms caros y exclusivos del mundo. Los interiores del Casino estn lujosamente
decorados con grandes araas de cristal, sus columnas llenas de adornos en pan de oro,
con un alfombrado impecable, con muchas ruletas y otros tipos juegos individuales. La
cantidad de visitantes y jugadores es enorme, es pues, el paraso del juego al azar. El
nombre de Simulacin de Monte Carlo viene de este lugar y segn dicen los
entendidos, fue acuado por Ulam y Von Neumann alrededor de 1945.
Este mtodo de simulacin est fuertemente relacionado con los nmeros aleatorios, las
variables aleatorias y con la nocin de medida y probabilidad. Segn [8] Perero M. pg.
89, el primer documento escrito sobre juegos del azar se debe a G. Cardano (15011576) matemtico italiano, que tambin fue mdico, astrlogo, fsico y jugador
empedernido. En [7] LeLionnais E. et. al. pag.220, Robert Fortet escribe que el primer
desarrollo del Clculo de Probabilidades se debe a Pascal (1623-1662) y Fermat (16011665). Posteriormente vinieron las contribuciones de una lista larga de matemticos,
que sera difcil enumerar a todos, pero mencionamos los ms notables como Laplace
(1749-1827), Poisson (1781-1840), Markov (1856-1922), Borel (1871-1956), Lebesgue
(1875-1941),
hasta llegar a Kolmogorov (1903-1987) quien sent las bases
matemticas para la teora de la probabilidad. Es importante notar que los avances en el
campo de la Matemtica muchas veces es indirecto como ocurri con los trabajos de
Borel y Lebesgue que crearon nuevas teoras de integracin y con ellos explicaron la
medida del volumen de regiones extraas de n . Este desarrollo indirecto influy
fuertemente en el campo de la Probabilidad.
De otra parte, en el desarrollo de las herramientas para la Simulacin, segn los
especialistas en el mundo de las tecnologas, estas aparecen en forma embrionaria
alrededor de 1944 con Ulam y Von Neumann para implementar el mtodo de Monte
Carlo en computadoras y con esta ayuda resolver los problemas relacionados con el
desarrollo de la bomba de hidrgeno. Posteriormente vinieron otras herramientas con
propsitos especficos y una de ellas marca un hito en la historia (1961): SIMULA I. En
la actualidad se tienen diversos productos, estn por ejemplo los mdulos de MATLAB
para la Simulacin de Monte Carlo, el Arena, etc. El auge de la Simulacin impuls la
creacin de la Conferencia de Simulacin de Invierno (Winter Simulation Conference)
evento anual en el que se hace un balance de los avances en este campo y el desarrollo
de nuevas herramientas.
Las aplicaciones de la Simulacin de Monte Carlo se dan en todos los campos de la
actividad humana y han crecido exponencialmente en las ltimas dcadas. Basta ver las
publicaciones en la base de datos de SCIENCE DIRECT, SCOPUS, EBSCO entre otras
para comprender este fabuloso desarrollo.
Lo expuesto motiva detenernos un poco en las bases tericas de la Simulacin y que
puede ser til para dar consistencia a las aplicaciones y explorar nuevas metodologas
42
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
de trabajo. Los temas que veremos son los de Espacios de probabilidad, Variables
aleatorias, Distribuciones y Nmeros aleatorios.
1. ESPACIO MUESTRA, EVENTO Y PROBABILIDAD ABSTRACTAS.
1.1 Espacio muestra y evento
Sea S un conjunto y una familia de subconjuntos de S , satisfaciendo:
a) S
k 1
c) Si A, B entonces A B c ( B c es el complemento de B )
A la familia se le llama -lgebra de S , a sus elementos conjuntos medibles y al
par ( S , ) espacio medible.
En el lenguaje de la Estadstica al conjunto S se le llama espacio muestra y a sus
elementos puntos muestra. Los elementos de la familia se denominan eventos o
sucesos.
Cuando dos conjuntos medible E1 y E 2 son disjuntos se dice que son eventos
mutuamente excluyentes.
Ejemplo1
Consideremos el experimento de lanzar una moneda. Los resultados son cara o sello,
que pueden representarse con las letras "c " y "s " respectivamente. Entonces el espacio
muestra ser S {c, s} , el -lgebra de los eventos es 2 S {{c},{s},{c, s}, } que
tiene 2 2 4 miembros y el par ( S , 2 S ) es el espacio medible.
Por razones de simplicidad tambin se puede representar la cara y el sello con los
nmeros 1 y 2 en lugar de las letras "c " y "s " respectivamente. As S {1,2} ser el
espacio muestra y 2 S {{1}, {2}, {1,2}, } el -lgebra de los eventos.
Ejemplo2
En el experimento de lanzar un dado, los resultados son una de las
caras con el nmero de marcas que tiene, podemos denotar la cara 1
con c1 , la cara 2 con c 2 y as sucesivamente hasta la cara c6 . El
espacio muestra es el conjunto S { c1, c 2, c3, c4, c5, c6} . La familia de
todos los subconjuntos de S , es un -lgebra que se denota 2 S .
Los elementos de 2 S son los eventos y sern en total 2 6 32 , incluyendo al conjunto
vaco. Luego el par ( S , 2 S ) es un espacio medible. En este ejemplo los eventos
E1 {c1, c 2, c3} y E2 {c 4, c5} son mutuamente excluyentes.
43
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Ejemplo 3
La empresa Lima-Autos S.A. de venta de autos, ha registrado sus ventas diarias de
Lunes a Sbado durante los 6 primeros meses del ao 2014 (150 das) y que se muestra
en la siguiente tabla
Tabla 1
N de autos vendidos
N de das en que
ocurrieron
ninguno
20
1 autos
60
2 autos
39
3 autos
19
4 autos
8
5 autos
3
6 autos
1
En este experimento se registra el nmero de das que no vendi, el nmero de das que
vendi 1, 2, 3 y as sucesivamente hasta 6 autos, que fue lo mximo vendido. Entonces
el espacio muestra para este experimento es el conjunto:
S {ninguno, 1 auto, 2 autos, 3 autos, 4autos, 5autos, 6autos} . La familia de todos los
subconjuntos de S , es un -lgebra, que se denota 2 S y sus elementos son los
eventos o sucesos, que son en total 27 128 , incluyendo al conjunto vaco. As el par
( S , 2 S ) es un espacio medible.
Ejemplo 4
La Baraja Francesa o Americana se compone de 52 naipes. Forman
cuatro grupos o palos denominados: Pica, Corazn, Diamante y
Trbol. El experimento es extraer una carta del mazo de naipes. El
resultado puede ser un 1 de Pica que puede ser simbolizada con
1P , un 2 de Pica con 2 P , as sucesivamente hasta 13P . Luego
vendran las cartas del palo de los Corazones 1C , ...,13C , del palo de los Diamantes
1D, ...,13D y finalmente del mazo del Trbol: 1T , ...,13T . El conjunto de los 52 posibles
k 1
k 1
Ei E j si i j , entonces ( Ek ) = ( Ek ) .
44
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
experimento.
a) Cuando el dado est cargado uniformemente, se define la probabilidad (o medida)
P : 2 S [0 , 1] , en cada evento puntual como P ({c1}) P ({c2}) .... P({c6}) 1 / 6 .
Desde que P debe ser -aditiva, se extiende su definicin a los eventos restantes,
respetando esta propiedad, por ejemplo P ({c4, c6}) P ({c 4}) P ({c6}) 2 / 6 y as
sucesivamente. De este modo la terna ( S , 2 S , P) es un espacio de medida o de
Probabilidad.
45
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
ninguno
1 autos
2 autos
3 autos
4 autos
5 autos
6 autos
Suma
20
60
39
19
150
46
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Probabilidad
20/150=
0.13
60/150=
0.40
39/150=
0.26
19/150=
0.13
8/150=
0.05
3/150=
0.02
1/150=
0.01
1.0
Luego de ingresar los datos, ejecutando los cdigos que siguen se tiene
bar(k,F);
grid on
Title('HISTOGRAMA DE FRECUENCIA ABSOLUTA');
Fig. 1
bar(k,P);
grid on
Title('DISTRIBUCION DE PROBABILIDAD');
DISTRIBUCIN DE PROBABILIDAD
0.4
0.35
50
0.3
40
0.25
30
0.2
20
0.15
0.1
10
0.05
Ejemplo 5
En el ejemplo 4 de la seccin 1.1, de la Baraja Francesa de 52 naipes, el espacio muestra
es S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } , que representan las cartas de los palos
Pica, Corazn, Diamante o Trbol. La familia de todos los subconjuntos de S , es un lgebra de los eventos o sucesos, que son en total 252 , incluyendo al conjunto vaco.
La probabilidad de sacar una carta de un determinando mazo es 1 / 52 . A partir de esta
definicin se extiende a los dems eventos por el principio de la -aditividad. Por
ejemplo sacar una carta del palo Diamante es 13 / 52 ; sacar una carta de color rojo es
26 / 52 .
1.4 Probabilidad condicional
En un espacio de probabilidad ( S , , P ) , si A, B son dos eventos, entonces se define la
probabilidad condicional de A ocurrido o dado B , como P ( A | B ) P( A B) .
P( B)
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
P ( A B) 1 / 52
1
y P( A) 4 1 .
P( B)
13 / 52 13
52 13
A, B
4 13 1
x
36
36
La probabilidad condicional de A , ocurrido B es: P ( A | B ) P ( A B ) 2 / 36 2 y
P( B )
11 / 36 11
abierto
de
n ,
denotado
como
48
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
a, b a1 , b1 a2 , b2 ....... an , bn ,
donde
f :S
es medible si
Fig. 1
S
f
evento
pre-imagen
x
B
Definiciones
a) El conjunto f 1 ( B) {s S / f (s ) B } se llama pre-imagen de B bajo f .
b) El rango de f : S , se denota y define como: Ran( f ) { f ( s ) / s : S}
c) Una variable aleatoria X en un espacio medible ( S , ) , es simplemente una funcin
medible X : S . Esto quiere decir que ( X x) X 1 ( , x]) , es un evento
para todo x . En otras palabras, la pre-imagen de todo intervalo , x] , bajo X
son eventos.
49
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Notaciones:
( X x) {s S , tal que X ( s) x} X 1 ( , x])
( X x) {s S , tal que X ( s ) x} X 1 ({ x})
aleatoria.
Ejemplo 2
En el experimento de lanzar un dado, de la seccin 1.3, se tiene el espacio de medida
( S , 2 S ) , donde S {1,2,3,4,5,6} . Un ejemplo de variable aleatoria en este contexto sera
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Ejemplo 4
En el ejemplo de la Baraja Francesa S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } es el
espacio muestra, que representa las 52 cartas de los palos Pica, Corazn, Diamante y
Trbol. Al sacar una carta, la ocurrencia podra caracterizarse mediante una variable
aleatoria X : S {1P, ...,13P,1C , ...,13C ,1D...13D, 1T , ...,13T } , definida como sigue:
X (1P) 1.1, X (2 P) 2.1,..., X (13P) 13.1
51
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
FX ( x ) P ( X x ) P ( X xi ) P ( X xi ) p ( xi ) . Esto es
x x
x x
xi x
i
i
(1) FX ( x)
p( x )
i
xi x
p( x ) 1
i 0
i
b) Para una variable aleatoria X : S discreta con rango finito {x0 , x1 , ..., xn } se
tiene, igual que antes, la distribucin p( xi ) P( X xi ) , i 0, 1 , 2, 3, ..., n de la variable
n
i 0
1.
i 0
1.
f (t )dt 1 y
(2) FX ( x) f (t )dt
f (t )dt ,
para todo x .
t x
xi x
t x
El valor de
p ( x ) 1 es anlogo
i 0
i
al valor de
f (t )dt 1
Es por esto que algunos autores lo llaman funcin de densidad a la funcin de masa.
52
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
La funcin FX ( x)
xi x
c) Recprocamente, una funcin F (x) que cumple las condiciones indicadas en (a) y (b)
es funcin de distribucin de alguna variable aleatoria X .
d) Si la funcin de densidad f (t ) es continua y positiva en , entonces la funcin de
x
Ejemplo 1
En el experimento de Lima-Autos S.A. (ejemplo 3 de la seccin 1.3), la variable
aleatoria es la funcin X : S {ninguno, 1auto,..., 6autos } que indica exactamente el
nmero de autos vendidos por da X (ninguno) 0, X (1auto) 1, ...., X (6autos) 6 . En
este caso los valores de la variable aleatoria son x0 0, x1 1, ..., x6 6 y aplicando las
definiciones se tiene:
p( x0 ) p (0) P( X 0) 0.13 ;
p( x6 ) p (6) P( X 6) 0.01
FX ( x ) P( X x) P ( X i ) P ( X i) p (i) .
i x
i x
i x
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
FX ( 2) p(0)+p(1)+p(2)=0.79
FX (3) p(0)+..+p(3)=0.92
0.79
0.97
0.02
FX ( 4) p(0)+..+p(4)=0.97
FX (5) p(0)+.+p(5)=0.99
0.01
FX (6) p(0)+.+p(6)=1.00
1.00
0.26
0.13
0.05
5
6
0.92
0.99
Fig. 2
DISTRIBUCIN ACUMULADA: Fx
1
0.9
0.8
0.7
Fx
0.6
0.5
0.4
1 si 0 x 1 x es racional
f ( x)
0 si x no es racional
0.3
0.2
54
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
n!
a k b n k
k
!
(
n
k
)!
k 0
n!
x k (1 x) nk
k 0 k !( n k )!
n!
x k (1 x ) nk son los Polinomios de Bernstein
k !(n k )!
(CAD) de las firmas Renault y Citroen respectivamente. Fue F. Forrest quien en 1970
descubri la conexin existente entre los trabajos de Bezier y los polinomios de
Bernstein.
Las curvas de Bezier se aplican en muchas reas de la ingeniera, en particular su uso es
muy frecuente en la elaboracin de las fuentes de los procesadores de textos.
Bzier1
PostScript 3 Bzier
TrueType
2 Bzier 2
1
55
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
n!
p x (1 p ) n x , donde x 0, 1, 2, ..., n
x!( n x)!
es el dominio discreto de la
se cumple 1 ( p (1 p ))n B( x, n, p) .
x0
p x (1 p )n x
deben ser no negativos y esto se cumple porque p 0,1 . En consecuencia con esta
condicin adicional se cumple la proposicin.
3.1.3 Distribucin Binomial con MATALAB
La funcin B=binopdf(x,n,p) de MATLAB entrega el valor o una matriz de valores
de la funcin de masa dependiendo de x ,si es un nmero o una matriz x =[0, 1, 2,, n]
Ejemplo 1
En la tienda Camisas-Lima que se dedica a la venta de camisas, se ha estudiado que la
probabilidad de que un cliente que ingrese a la tienda y compre una camisa es de p=0.3
y que no lo haga es de (1-p)=0.7. Si entran 9 clientes (podra ser que entren de uno
en uno o en bloque). Cul es la probabilidad que de los 9 que entran ninguno compre o
que compre solo un cliente o que 2 compren o que los 9 clientes compren?. Entonces se
tiene 10 posibles resultados. Esta experiencia se modela con la distribucin Binomial.
Matlab nos da la posibilidad de obtener una tabla y el grfico de barras, corriendo el
siguiente programa:
p = 0.30;
% probabilidad de xito
n = 9;
% N de intentos. Ingresan a la tienda 9 clientes
x = 0:n; % x =[0, 1, 2,, n] = N de clientes que compran(valor del criterio)
B = binopdf(x,n,p);
% Vector de Probabilidades de las 10 situaciones.
bar(x,B);
% Grafico de barras de la distribucin
grid on
format long
TABLA1=[x;B]'
56
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
0.040353607000000
0.155649627000000
0.266827932000000
0.266827932000000
0.171532242000000
0.073513818000000
0.021003948000000
0.003857868000000
0.000413343000000
0.000019683000000
0.35
0.3
0.25
0.2
0.15
0.1
0.05
Fig. 2
Los resultados indican que la probabilidad de que nadie compre es solo del 4%. Que un
solo cliente compre es del 15.5%. Que 2 compren es del 26.68%, es la ms alta junto
con la probabilidad de que 3 clientes compren. Que los 8 clientes compren es bien baja
0.04%. Finalmente que los 9 clientes compren es casi nula 0.0020%
Nota: Las componentes de B han sido calculadas mediante la frmula que define la
Distribucin Binomial.
Para verificar que B es un vector de probabilidad o una distribucin, se observa que sus
componentes son no negativas y la suma de ellas, es 1
3.1.4 Distribucin Binomial Acumulada
Como dice la proposicin 1 de 2.2 la funcin de distribucin acumulada es creciente. En
Matlab se escribe binocdf(x,n,p).Con los mismos datos de antes, se tiene
p = 0.3;
% probabilidad de xito
n = 9;
% N de ensayos
x=0:n;
% x =[0, 1, 2,,9]= N de clientes que compran (valor del criterio)
BA = binocdf(x,n,p); % vector de probabilidad Binomial Acumulada
bar(x,BA);
% Grafico de barras de la distribucin
set(get(gca,'Children'),'FaceColor',[.1 .8 1]); % Otro color
hold on;
% Se mantiene la imagen anterior
plot(x,BA,'r')
% Plotea la curva del par (x, BA)
grid;
% Mallado adicional al grafico
format long
% Formato con 15 decimales
TABLA2=[x;BA]'
% primera columna x, segunda B
Fig.3
ans =
TABLA2 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
0.040353607000000
0.196003234000000
0.462831166000000
0.729659098000000
0.901191340000000
0.974705158000000
0.995709106000000
0.999566974000000
0.999980317000000
1.000000000000000
0.8
0.6
0.4
0.2
3.1.5 Otra manera de mostrar estos grficos es haciendo uso del comando disttool
57
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Fig. 5
TABLA2 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
10.000000000000000
0.161505582889846
0.323011165779691
0.290710049201722
0.155045359574252
0.054265875850988
0.013023810204237
0.002170635034040
0.000248072575319
0.000018605443149
0.000000826908584
0.000000016538172
58
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
10
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Este resultado ser el mismo para cualquier otra cara, porque la probabilidad es la
misma.
3.2 Distribucin de Poisson
Definicin
Esta distribucin est definida por la funcin de masa
P ( x, )
e x
x!
PA( n, )
Ejemplo 1
Se tiene una distribucin de Poisson, donde n=50 y Lamda=20. Grafique conjuntamente
la funcin de masa y la distribucin acumulada. Analice las dos curvas.
n = 50;lamda=20;
x=0:n;
% x =[0, 1, 2,,15]
P = poisspdf(x,lamda);
PA = poisscdf(x,lamda);
plot(x,P,'b','LineWidth',2);
hold on
grid;
plot(x,PA,'m','LineWidth',2);
title('DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2');
Legend('DISTR. POISSON','DISTR. ACUMULADA');
format long
% Formato con 15 decimales
TABLA3=[x;P;PA]'
% primera columna x, segunda P
TABLA3 =
0
0.000000002061154
0.000000002061154
1.000000000000000
0.000000041223072
0.000000043284226
2.000000000000000
0.000000412230724
0.000000455514951
3.000000000000000
0.000002748204830
0.000003203719780
15.000000000000000
0.051648853531758
0.156513134639743
16.000000000000000
0.064561066914698
0.221074201554441
17.000000000000000
0.075954196370233
0.297028397924673
18.000000000000000
0.084393551522481
0.381421949447155
19.000000000000000
0.088835317392085
0.470257266839240
20.000000000000000
0.088835317392085
0.559092584231325
21.000000000000000
0.084605064182937
0.643697648414262
22.000000000000000
0.076913694711762
0.720611343126025
47.000000000000000
0.000000112163772
0.999999921730695
48.000000000000000
0.000000046734905
0.999999968465600
49.000000000000000
0.000000019075471
0.999999987541072
50.000000000000000
0.000000007630189
0.999999995171260
59
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Fig. 6
DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2
1
0.9
DISTR. POISSON
DISTR. ACUMULADA
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
20
25
30
35
40
45
50
Ejemplo 2
En una tienda de comida rpida llegan un promedio de 30 clientes por hora. Cul es la
probabilidad de que en un minuto no llegue nadie, llegue 1, 2,, 10 clientes?
n = 10; lamda=30/60;
x=0:n;
% x =[0, 1, 2,,15]
P = poisspdf(x,lamda);
PA = poisscdf(x,lamda);
plot(x,P,'b','LineWidth',2);
hold on
grid;
plot(x,PA,'m','LineWidth',2);
title('DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2');
Legend('DISTR. POISSON','DISTR. ACUMULADA');
format long
% Formato con 15 decimales
TABLA4=[x;P;PA]'
% primera columna x, segunda P
TABLA4 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
10.000000000000000
0.606530659712633
0.303265329856317
0.075816332464079
0.012636055410680
0.001579506926335
0.000157950692633
0.000013162557719
0.000000940182694
0.000000058761418
0.000000003264523
0.000000000163226
0.606530659712633
0.909795989568950
0.985612322033029
0.998248377443709
0.999827884370044
0.999985835062678
0.999998997620397
0.999999937803091
0.999999996564510
0.999999999829033
0.999999999992259
Fig. 7
1
DISTR. POISSON
DISTR. ACUMULADA
0.8
0.6
0.4
0.2
60
10
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
Ejercicios
1. Se lanzan dos dados simultneamente: blanco y negro (pargrafo 1.3), suponga que
se hacen 50 lanzamientos. El experimento se modela con la distribucin de Binomial.
Cul es la probabilidad de que la suma de las caras sea a 6 y que este resultado salga
15 veces?
Analice otras situaciones.
2. En una tienda de comida rpida llegan un promedio de 50 clientes por hora. Cul es
la probabilidad de que en un minuto no llegue nadie, llegue 1, 2,, 40 clientes?
Analice otras situaciones
61