Академический Документы
Профессиональный Документы
Культура Документы
GERENCIAL
1. ndice
Introduccin
Valor
esperado
de
una
variable
aleatoria
2.1. Variables
discretas
2.2. Variables
continuas
Medidas
de
dispersin
3.1. Variables
discretas
3.2. Variables
continuas
Distribuciones
de
probabilidad
discreta
Procesos
de
Poisson.
2. Introduccin
El
propsito
del
presente
documento
es
presentar
a
los
estudiantes
los
conceptos
bsicos
de
estadstica
necesarios
para
desarrollar
una
simulacin
de
Montecarlo.
La
estadstica
ser
una
herramienta
esencial
para
el
soporte
de
la
construccin
de
modelo,
tanto
al
inicio
como
al
final
para
realizar
el
anlisis
de
resultados.
Por
otra
parte,
teniendo
en
cuenta
que
el
objetivo
general
del
mdulo
es
que
los
estudiantes
desarrollen
las
capacidades
necesarias
para
llevar
a
cabo
un
estudio
completo
de
simulacin,
en
esta
unidad,
se
har
un
repaso
de
las
principales
funciones
de
probabilidad
discretas
que
se
emplean
frecuentemente
en
la
construccin
de
estos
tipos
de
modelo.
Finalmente,
se
presentar
al
estudiante
una
serie
de
ejercicios
relacionados
para
reforzar
los
conocimientos
adquiridos
en
el
desarrollo
del
mdulo.
3. Objetivo
general
Al
finalizar
el
mdulo,
los
estudiantes
sabrn
cules
son
los
conceptos
bsicos
de
estadstica
relacionados
con
la
simulacin
de
Montecarlo,
as
como
las
principales
funciones
de
probabilidad
discretas
aplicadas
en
la
construccin
de
este
tipo
de
modelos.
Al
finalizar
la
primera
semana
de
aprendizaje
el
estudiante:
1. Identificar
los
conceptos
fundamentales
de
los
modelos
estadsticos
aplicados
a
simulacin
2. Reconocer
las
distintas
funciones
de
probabilidad
discreta
utilizadas
en
simulacin
de
Montecarlo.
[ POLITCNICO GRANCOLOMBIANO]
4. Desarrollo
temtico
4.1
Recomendaciones
acadmicas.
Se
recomienda
al
estudiante
realizar
la
lectura
de
la
cartilla,
en
la
cual
se
encuentra
toda
la
informacin
relevante
que
se
evaluar
en
la
semana,
adicional
a
la
lectura
de
la
cartilla
se
sugiere
al
estudiante
revisar
las
teleconferencias
as
como
las
video
diapositivas,
pues
estas
son
un
medio
que
puede
aclarar
las
dudas
generadas
con
la
lectura
o
tambin
dar
soporte
a
los
temas
expuestos
en
la
misma.
Finalmente,
se
recomienda
al
estudiante
realizar
los
ejercicios
planteados
y
sugeridos
por
el
tutor
ya
que
estos
a
pesar
de
no
tener
un
valor
porcentual
en
la
nota
si
harn
que
su
formacin
sea
completa
y
pueda
ser
reforzada
de
forma
prctica.
4.2
Desarrollo
de
cada
una
de
las
unidades
temticas.
1. Introduccin
A
continuacin
se
vern
los
conceptos
bsicos
relacionados
con
los
modelos
estadsticos
que
sirven
de
soporte
para
un
estudio
en
simulacin
de
Montecarlo.
Los
conceptos
que
se
trabajarn
en
este
apartado
estn
relacionados
con
la
estadstica
y
la
probabilidad
que
muy
seguramente
el
lector
ya
ha
cursado.
Sin
embargo,
con
el
objetivo
de
tener
una
metodologa
completa,
se
presentarn
nuevamente
los
conceptos
pero
relacionados
directamente
a
la
herramienta
que
se
est
presentando
como
es
la
simulacin.
Dentro
del
contenido
desarrollado
en
la
cartilla,
el
estudiante
podr
encontrar
informacin
y
ejemplos
especficos
relacionados
con
los
siguientes
temas:
El
objetivo
de
realizar
la
revisin
de
estos
temas
se
debe
a
que
para
realizar
un
proceso
de
simulacin
los
datos
de
entrada
que
alimentan
el
modelo
siempre
estarn
descritos
por
una
funcin
de
probabilidad
conocida
con
el
objetivo
de
modelar
su
aleatoriedad
y
comportamiento
propio.
Por
otra
parte,
en
cuanto
a
lo
que
se
refiere
a
los
valores
esperados
y
medidas
de
dispersin
estos
tambin
sern
supremamente
importantes
pues
a
partir
de
estas
medidas
bsicas
el
estudiante
deber
realizar
el
anlisis
de
los
resultados
arrojados
por
el
modelo
propuesto.
Ser
el
anlisis
estadstico
entonces
un
elemento
fundamental
que
siempre
deber
acompaar
cualquier
modelo
de
simulacin
ya
que
ambos
se
complementan
y
el
primero
dar
soporte
a
los
resultados
encontrados
por
el
segundo.
[ SIMULACIN GERENCIAL ]
[ POLITCNICO GRANCOLOMBIANO]
X! g(X)!
E X =
!
2.2
Variable
aleatoria
continua
Si
X
es
una
VA
continua
con
rango
R(X),
entonces
el
valor
esperado
se
define
como:
X f X dX
E X =
!(!)
Ejemplo
variable
aleatoria
continua
Sea
X
una
VA
continua
definida
con
la
siguiente
funcin
de
distribucin
de
probabilidad:
!
!" ! = ; 0 ! 2
2
!
1
! !" =
2
2
!
! !
1 !
! ! =
2 3 !
8
! ! =
6
! ! =
! ! !"
3. Medidas
de
Dispersin
Sea
X
una
VA
discreta
o
continua.
La
varianza
y
la
desviacin
estndar
de
la
VA
se
definen
como
[ SIMULACIN GERENCIAL ]
!"# ! = !(! ! ! )! = !!!
!! = !"# !
De
acuerdo
con
esta
definicin,
la
varianza
se
puede
calcular
a
travs
de
la
expresin:
3.1
Variable
aleatoria
discreta
!"# ! =
! !! (!! !)!
3.2
Variable
aleatoria
continua
!"# ! =
! ! (! !)! !"
!(!)
4. Funciones
de
distribuciones
de
probabilidad
discretas:
A
continuacin
se
describen
las
distribuciones
de
probabilidad
discretas
ms
utilizadas
en
simulacin
de
Montecarlo
4.1
Distribucin
de
Bernoulli
Es
la
ms
elemental
de
las
distribuciones
discretas,
y
se
dice
que
un
experimento
aleatorio
es
un
experimento
de
Bernoulli,
si
su
espacio
muestral
o
el
rango
que
puede
tomar
la
variable
consta
de
slo
dos
elementos,
es
decir
xito, fracaso , falso, verdadero , etc.
Si
X!
es
la
variable
asociada
al
experimento
aleatorio
de
Bernoulli,
y
est
definida
por
X! E = 1, X! F = 0,
entonces:
Rango X! = 0,1
P X! = 1 = p, P X! = 0 = 1 p
Por
tanto,
su
funcin
de
probabilidad
est
dada
por:
g X = p! (1 p)!!!
Su
media
y
varianza,
estn
dadas
respectivamente
por:
[ POLITCNICO GRANCOLOMBIANO]
E X = p
Var X = p(1 p)
4.2
Distribucin
geomtrica
Si
se
realizan
sucesivamente
experimentos
independientes
de
Bernoulli
de
parmetro
p,
a
la
variable
aleatoria
X
=
nmero
de
ensayos
hasta
obtener
el
primer
xito,
se
le
conoce
como
una
VA
con
distribucin
geomtrica,
cuya
funcin
de
distribucin
de
probabilidad
est
dada
por:
g X = (1 p)!!! p = !(! = !)
Su
media
y
varianza
estn
dadas
por:
1
E X =
p
1p
Var X = !
p
Fuente:
Statit
Solutions
Group
4.3
Distribucin
Binomial
Si
se
hacen
N
experimentos
independientes,
cuyo
resultado
en
cada
ensayo
puede
ser
nicamente
XITO
(con
probabilidad
p)
o
FRACASO
(con
probabilidad
1-p),
a
la
VA
X:
nmero
de
xitos
en
los
N
ensayos,
se
le
conoce
como
la
VA
Binomial,
y
su
funcin
de
distribucin
de
probabilidad
se
le
conoce
como
Distribucin
Binomial
de
parmetros
N,
p:
[ SIMULACIN GERENCIAL ]
g X =
N !
p (1 p)!!! = P(X = k)
k
Su
media
y
varianza,
estn
dadas
respectivamente
por:
E X = Np
Var X = Npq
Ejemplo:
Un
banco
sabe
que
en
su
tarjeta
de
crdito
el
30%
de
los
clientes
quedan
con
sobrecupo
en
los
cortes
mensuales.
Si
se
elige
una
muestra
aleatoria
de
10
clientes
de
dicha
tarjeta:
a.
Cul
es
la
probabilidad
de
que
cuatro
exactamente
tengan
sobrecupo?
b.
Cuntos
clientes
se
esperara
que
tengan
sobrecupo?
c.
Cul
es
la
probabilidad
de
que
ocho
o
ms
de
ellos
tengan
sobrecupo?
a.
P X = 4 = !"
0,3! 0,7!
!
b.
E X = 10 0,3 = 3
c.
P X 8 = P X = 8 + P X = 9 + P(X = 10)
4.4
Distribucin
Binomial
Negativa
Consideremos
el
mismo
tipo
de
experimento
que
se
utiliz
en
la
definicin
de
la
VA
X
con
distribucin
geomtrica,
y
definamos
la
VA
Xp
como
el
nmero
de
ensayos
hasta
obtener
el
r-simo
xito.
Se
dice
que
dicha
VA
tiene
una
distribucin
de
Pascal
(tambin
es
llamada
Binomial
Negativa)
de
parmetro
r,
r
1.
Es
claro
que
la
VA
as
definida
es
una
generalizacin
natural
de
la
VA
geomtrica
mediante
las
siguientes
expresiones:
!1 !
! ! =
! (1 !)!!! = ! ! = ! ! !
!1
Su
media
y
varianza
estn
dadas
por:
!
! ! =
!
!(1 !)
!"# ! =
!!
Ahora
bien
una
vez
revisados
los
conceptos
de
variables
aleatorias
discretas
relevantes,
es
importante
conocer
uno
de
los
conceptos
ms
importantes
dentro
de
la
simulacin
y
que
[ POLITCNICO GRANCOLOMBIANO]
representa
una
transicin
entre
las
variables
discretas
y
las
variables
continuas,
esto
es
el
Procesos
Poisson
(distribucin
discreta)
y
las
distribuciones
de
probabilidad
continuas
ms
aplicadas
en
simulacin.
5. Proceso
de
Poisson
Ejemplo
introductorio:
En
cierta
oficina
se
quiere
analizar
un
experimento
aleatorio
que
consiste
en
observar
cmo
se
comportan
las
llegadas
de
los
clientes
con
respecto
al
tiempo,
en
el
sentido
de
ver
la
llegada
de
un
cliente
como
un
evento
puntual
(el
instante
en
que
llega
el
cliente)
que
tiene
lugar
a
lo
largo
de
tiempo.
El
tiempo
lo
podemos
representar
a
travs
de
la
recta
real
y
las
llegadas
como
puntos
de
dicha
recta,
as:
Respecto
a
dicho
proceso
(el
experimento
aleatorio),
se
puede
definir
la
VA
Xp
para
un
intervalo
de
tiempo
de
longitud
t
como:
Xp(t)
=
nmero
de
arribos
(llegadas)
en
el
intervalo
de
tiempo
de
longitud
t.
Sea
t
un
intervalo
de
tiempo
dado,
arbitrario
pero
fijo,
y
se
quiere
examinar
la
VA
definida
anteriormente
y
deducir
su
distribucin,
es
decir:
! !! = !; !, ! = ! !"! !"#$%#&!"#! ! !!"#$%$& !" !" !"#$%&'() !
Se
divide
el
intervalo
de
magnitud
t
en
N
intervalos
de
magnitud
t/N,
de
tal
manera
que
t/N
sea
tan
pequeo
como
sea
necesario
para
cumplir
los
supuestos
del
modelo.
El
evento
B
de
que
hayan
exactamente
n
llegadas
del
proceso
en
el
intervalo
de
tiempo
t,
es
equivalente
al
evento
de
obtener
exactamente
n
xitos
en
los
N
experimentos
independientes
de
Bernoulli
que
consisten
en
observar
si
ha
habido
o
no
una
llegada
del
proceso
en
el
intervalo
de
tiempo
de
longitud
t/N.
La
probabilidad
de
tener
xito
(que
haya
una
llegada)
en
cada
uno
de
estos
experimentos
de
!
Bernoulli
es
! = !
.
!
[ SIMULACIN GERENCIAL ]
! ! = !(!! = !; !;
!"
)
!
Tomando
el
lmite
de
esta
expresin
cuando
N
tiende
a
infinito,
se
obtiene:
!" ! !!"
! ! ! = ! = !! ! , !; !, ! =
! , ! = 0, 1, 2, .
!!
El
nmero
de
eventos
que
suceden
hasta
el
tiempo
t
se
distribuyen
de
manera
Poisson
con
parmetro
.
Este
tipo
de
procesos
cumple
con
los
supuestos
de
estacionariedad:
- El
valor
esperado
de
las
variables
aleatorias
no
depende
del
tiempo
- Las
varianzas
tampoco
dependen
del
tiempo
y
son
finitas.
El
tiempo
entre
eventos
es
independiente
e
idnticamente
distribuido
como
una
variable
aleatoria
exponencial
(Que
se
ver
en
la
siguiente
Semana)
con
media
1/.
Esta
propiedad
es
de
suma
importancia
para
el
modelaje
de
procesos
en
simulacin,
ya
que
buena
parte
de
los
modelos
tericos
y
empricos
asumen
las
entradas
a
un
sistema
con
tiempos
exponenciales,
lo
que
quiere
decir
que
dichas
llegadas
se
comportan
como
Procesos
de
Poisson.
10
[ POLITCNICO GRANCOLOMBIANO]