Академический Документы
Профессиональный Документы
Культура Документы
Simulacin.
Versin 3
D.R. Instituto Politcnico Nacional (IPN), Av. Luis Enrique Erro S/N,
Unidad Profesional Adolfo Lpez Mateos, Zacatenco, Delegacin
Gustavo A. Madero, C.P. 07738, Ciudad de Mxico; Mxico 2016.
1
Prlogo.
2
ndice.
Captulo I.
1.1 Introduccin a la simulacin..................................................................5
1.2 Generacin de nmeros aleatorios.........................................................8
1.3 Pruebas de aleatoriedad........................................................................11
1.4 Evaluacin de integrales......................................................................13
1.5 Caminata aleatoria y movimiento Browniano.....................................16
1.6 Aplicaciones a las finanzas y a la ingeniera...18
1.6.1 Modelo binomial para el precio de una accin.18
1.6.2 Simulacin de una lnea de espera....20
Captulo II
2.1 Generacin de variables aleatorias discretas.......................................23
2.1.1 Generacin de nmeros aleatorios que siguen una distribucin
binomial.....................................................................................................24
2.1.2 Generacin de nmeros aleatorios que siguen una distribucin
de Poisson..................................................................................................25
2.2 Mtodo de aceptacin y rechazo..........................................................25
2.3 Mtodo de composicin.......................................................................27
2.4 Generacin de nmeros aleatorios para variables aleatorias continuas...28
2.4.1 Mtodo de la transformada inversa...................................................28
3
2.4.2 Mtodo polar para generar nmeros que sigan una distribucin
normal..................................................................................................29
2.5 Generacin de un proceso de Poisson....................................................31
Captulo III.
3.1 Lneas de espera de un solo servidor, M/M/1.........................................35
3.2 Lneas de espera con dos servidores.......................................................40
3.3 Inventarios..............................................................................................42
3.4 Reparacin y substitucin de mquinas.................................................48
3.5 Ejercicio de opciones financieras...........................................................54
3.6 Verificacin.56
Captulo IV.
4.1 Interpretacin estadstica de resultados..................................................58
4.2 Mtodos de reduccin de varianza.........................................................63
4.2.1 Variables antitticas.............................................................................63
4.2.2 Mtodo de variables de control...........................................................65
4.2.3 Por condicionamiento..........................................................................68
Captulo V
5.1 Introduccin............................................................................................70
5.2 Validacin estadstica..............................................................................70
5.2.1 Pruebas de bondad de ajuste................................................................70
5.2.2 El problema de las dos muestras..........................................................74
5.2.3 Validacin de la hiptesis de que un proceso de Posisson
es no homogneo..... 78
5.2.4 Aplicaciones a las finanzas y a la ingeniera79
Apndice.......................................................................................................80
4
Captulo I
Clculo de .
n (1.1)
4 N
5
Generar dos nmeros independientes x y y , uniformemente
distribuidos en [0,1] .
Figura 1.
6
from random import random
i=0
cuenta=0
N=1000000
while i<N:
x=random()
y=random()
if x**2+y**2<1:
cuenta=cuenta+1
i=i+1
if i%1000==0:
print(i,4*cuenta/i)
print(4*cuenta/N)
7
(1 )
4 4
P(|X N | >)< (1.2)
4 N2
De donde:
lim P(|X N | >)=0
N 4
Es decir, la probabilidad de que la proporcin de dardos que caigan dentro del
crculo se alejen de / 4 en ms que tiende a cero cuando N tiende a
infinito; y esto es cierto, cualquiera que sea el valor positivo de . Es importante
observar que ste concepto, llamado convergencia en probabilidad, es muy
diferente al concepto de convergencia estudiado en los cursos de Clculo.
Ejercicios.
1. Con respecto al ejemplo de la aproximacin de de sta seccin,
Cuntos dardos hay que lanzar para asegurar que P(|X n | > 0.01)<0.1 ?
4
2. Empleando un mtodo similar al empleado en esta seccin para aproximar
, estime mediante simulacin el valor de 2 .
3. Estime mediante simulacin el volumen de una esfera de radio 1.
4. Dos jugadores A y B lanzan volados hasta que alguno de los dos se queda
sin dinero. Si A gana, B paga un peso a A; si B gana, A paga un peso a B. A tiene
inicialmente 3 pesos y B tiene 12 pesos. Estime mediante simulacin la
probabilidad de que A gane al final del juego y el valor esperado del nmero de
volados que se realizarn en el juego.
8
un nmero de dos cifras, elevarlo al cuadrado y seleccionar el nmero de dos cifras
centrales del cuadrado, y repetir el procedimiento en forma sucesiva. Por ejemplo,
si empezamos por 96, el siguiente nmero ser 21, el siguiente, 44, etc. Por
supuesto, el algoritmo puede utilizarse con nmeros de ms de dos cifras.
Otro mtodo utilizado frecuentemente es el congruencial. Se define mediante
la frmula:
xk +1 =(ax k +c) mod (m) para k=0, 1, 2, 3,.. .
9
mtodo congruencial y encuentra el periodo.
a=237
c=467
m=337
l=[]
x=37
i=0
while x not in l:
l.append(x)
i=i+1
print(x)
x=(a*x+c)%m
print(i,x)
Ejercicios.
1. Comience con un nmero de tres cifras, tal como 673, elvelo al cuadrado y
qudese con las dos cifras centrales; continue el procedimiento hasta obtener 4
nmeros aleatorios.
10
2. Utilizando a=51, c=23 , m=57 y x 0 =32 , genere un ciclo y diga de qu
longitud es, Es completo? A partir de este ciclo, construya una lista de nmeros
aleatorios en [0,1] .
Figura 2 Figura 2a
11
intervalo [0, 1 ] en n intervalos de igual tamao y se calcula, de acuerdo a la
muestra, la frecuencia absoluta f e de datos que estn en isimo intervalo; por
i
otro lado, la frecuencia absoluta de datos que deberan estar en dicho intervalo
f t , bajo la hiptesis nula, es igual al nmero total de datos por la longitud del
i
2 (f e f t )2
n
n1 = i i
(1.3)
i=1 ft i
i1 i 1
D=Supremo {|F t ( x)F e (x )|}=Mx {Mx {| x(i ) |, | x (i) | ,|},| x(1) }
x [0,1] i=2,.. n n n n
(1.5)
En este caso la distribucin terica es una uniforme, pero la prueba puede
aplicarse a cualquier distribucin; en general, la distribucin de D bajo la hiptesis
nula no depende de la distribucin terica.
Para estudiar la posible dependencia entre datos sucesivos, se puede recurrir a
la covarianza de U i y U k con ki , donde las U i forman una muestra
aleatoria de variables uniformemente distribuidas en [0, 1 ] (hiptesis nula). Para
n grande, bajo la hiptesis nula, la variable:
12
nk
1 1 1
Ck=
nk =1
(U i )(U i+ k )
2 2
(1.6)
1
sigue una distribucin normal con media cero y desviacin estndar .
12 nk
Debe realizarse sta prueba para diferentes valores de k , digamos 1, 2, 3,.
A stas pruebas se les llama pruebas de correlacin serial.
Ejercicios.
1. Aplicar las tres pruebas estadsticas de esta seccin a una muestra de 1000
nmeros generados con:
a) Congruencial con parmetros a=48, c=23 , m=47 y x0 =32 .
2. Para los generadores del ejercicio anterior construir los grficos presentados
al principio de la seccin.
3. Usar el generador definido en el inciso b) del problema 1 para generar diez
mil nmeros entre cero y uno. Realizar las pruebas de hiptesis para la uniformidad
de la distribucin y la independencia entre nmeros sucesivos, al conjunto de datos
generados, a un nivel de significancia de 5 %.
+
E (g( X ))= g(x )f X (x) dx
13
Si X est uniformemente distribuida en [0,1] , entonces:
1
E( g( X ))= g ( x) dx (1.7)
0
Este hecho sugiere que podemos emplear simulacin para estimar la integral
1
14
print(4*suma/N)
1
En este caso, g ( x)= . El programa anterior, estima valores para la
1+ x
1 1
+ ...+
1+U 1 1+U n
variable X =4 , donde las U i son independientes y
n
uniformemente distribuidas en [0,1 ] .
b
generar (u1 , v 1 ), (u2 , v 2), (u3 , v3 ),... , (u n , v n ) con los ui y los vi independientes
todos entre s y uniformemente distribuidos en [0,1] .
Ejercicios.
1 1
1
1. Estimar el valor de las integrales
1+x
2
dx y 1x 2 dx , usando
0 0
simulacin.
3
1
2. Estimar el valor de la integral 1+x dx , usando simulacin.
2
15
2
16
tanto d como p puedan depender de Si consideramos d=k 1 con k1
2
constante, entonces lim V (S n S0 )=k 1 t lim (1(2 p1)) . Por otro lado,
0 0
2 1+k 2
lim E( Sn S0 )=k 1 k 2 t y lim V (S n S0 )=k 1 t , ya que como ,
p=
0 0 2
cuando tiende a cero, p tiende a 1/2 . Para n grande, S n S0 seguir
una distribucin normal con media k 1 k 2 t y desviacin estndar k 1 t . Luego
se considera a k 1 k 2 a la media en el intervalo unitario y se le denota por y a
k 1 se le considera como la desviacin estndar en el intervalo unitario y se le
denota por En efecto, veamos que una caminata aleatoria con stas
caractersticas, cuando tiende a cero, resulta un movimiento Browniano.
Divdase el intervalo [0, t ] en n partes iguales, de tal manera que cada parte
ser de longitud =t /n y supongamos que en cada intervalo de tiempo, en lugar
de avanzar o retroceder una unidad, se avanza o retrocede en con
1 1
probabilidades p= (1+ ) y 1 p= (1 ) , respectivamente. Ahora
2 2
la posicin de la partcula al momento t , ser:
S(t )S (0)= (X 1 + X 2 +...+ X n )
Para n grande S (t)S (0) seguir una distribucin normal. Adems, por la
misma forma de construir el proceso, S (t 2)S (t 1) y S (t 4 )S(t 3 ) sern
independientes, si los intervalos [t 1 ,t 2 ] y [t 3 ,t 4 ] son disjuntos.
17
2
t , cuando n tiende a infinito. S (t)S (0) Es un movimiento Browniano.
Si S(t )S (0) es un movimiento Browniano tal como lo acabamos de construir,
entonces a e S(t )S(0) se le llama movimiento Browniano geomtrico. El
movimiento Browniano geomtrico es un modelo que se emplea frecuentemente
para modelar la evolucin del precio de una accin en el tiempo. Al aplicar el
modelo a una accin en particular es necesario verificar primero, si en efecto los
datos se ajustan bien al modelo. Esto puede realizarse efectuando pruebas acerca de
si los valores ln (S(t +1)/ S (t )) son independientes y si siguen una distribucin
normal; la media y la desviacin estndar de stos valores son estimadores para
y .
Ejercicios.
1. Sea X una variable aleatoria que sigue una distribucin normal con media
X
y desviacin estndar . Y sea Y =e , decimos que Y sigue una
distribucin log-normal. Encuentre la funcin de densidad de probabilidad de Y .
X
2. a) Calcule el valor esperado de Y =e , donde X sigue una distribucin
normal con media y desviacin estndar . b) Calcule la varianza de Y .
3. Considere =0.01 , =0.142 y t=2 . Simule 100,000 valores para
S(2)S(0)
e y calcule la media y la desviacin estndar de la muestra. Para generar
nmeros que sigan una distribucin normal utilice una funcin que tenga su
lenguaje de programacin.
18
2
p u S0
uS0
1 p
p
udS 0
S0
udS 0
p
1 p
dS0
1 p
2
d S0
19
1060 if random()<0.5:
1070 s=s*u
1080 else:
1090 s=s*d
1100 return s
1110 cuenta=0
1120 nr=1000000
1130 for i in range(nr):
1140 if precio()<15:
1150 cuenta=cuenta+1
1160 print(cuenta/nr)
Ejercicios.
1. Tomando los mismos datos del ejemplo de sta seccin, estime el valor
esperado del precio de la accin despus de diez periodos de tiempo.
20
6 19 19 20
7 22 22 23
8 25 25 26
9 30 30 31
10 35 35 36
11 40 40 41
12 42 42 43
13 46 46 47
14 50 50 51
15 55 55 56
16 58 58 59
17 63 63 64
18 64 64 65
19 69 69 70
20 71 71 72
21
print("%5i"%(i+1),'\t',"%5i"%tl,'\t',"%5i"%tis,'\t',"%5i"%ts)
tl=tl+randint(1,5)
tis=max(tl,ts)
ts=tis+d
A partir de ste modelo para simular a la lnea de espera puede estimarse, por
ejemplo, el tiempo promedio de permanencia de los clientes en el banco.
Las hiptesis que se han hecho en este ejemplo son para ejemplificar y no son
plausibles en la prctica. Posteriormente se tratarn las lneas de espera con ms
profundidad.
Ejercicio.
1. Modifique el programa de sta seccin para estimar el tiempo promedio de
permanencia de los clientes en el banco.
22
Captulo II
xi 1 5 3
f ( x i) 0.2 0.3 0.5
23
suma=0
generar nmero aleatorio entre 0 y 1, u
i=0
mientras suma<u:
suma=suma+ pi
i=i+1
el nmero generado es x i
f (i)= n p (1 p)
n y p , ()
i
i ni
con i=0, 1, 2,... ,n . Se observa que:
f (i+1) ni p n
= para i=0, 1, 2,... ,n1 y que f (0)=(1 p)
f (i) i+1 1 p
(2.1)
Entonces, para el caso de la binomial, el algoritmo toma la forma:
24
el nmero generado es i .
Para simular valores para una variables que siga una distribucin de Poisson,
hay que observar que:
k +1
e
f (k +1) (k +1) !
= = (2.2)
f (k ) k
k +1
e
(k )!
Supongamos que podemos generar valores para una variable aleatoria discreta
Y con funcin de densidad f Y y que queremos generar valores para otra
variable aleatoria discreta X con funcin de densidad fX y que existe un
nmero positivo c tal que f X ( z j )/ f Y ( z j )< c para cualquier j . Entonces puede
emplearse el siguiente algoritmo:
1. Simular un valor para Y, digamos que resulta z k .
25
P( X =z k )=f X (z k ) . Primero, se observa que la probabilidad de aceptar el valor
z k al usar el mtodo es:
f X (z k ) f (z )
P(aceptar z kY = z k ) P(Y = z k )= f Y ( z k )= X k
cf Y (z k ) c
f X (z k ) 1
De donde, la probabilidad de aceptar en el mtodo es c
= . Ahora,
c
k
Ejemplo.
zj 2 7 9
f X ( z j) 0.2 0.5 0.3
f Y (z j ) 1/3 1/3 1/3
Ejercicios.
1. Una variable aleatoria X tiene una funcin de densidad dada por:
26
xi 1 5 3
f ( xi ) 0.3 0.2 0.5
27
F X (x )= ai F i (x ) (2.3)
i =1
o equivalentemente:
f X ( x)= ai f i (x ) (2.4)
i=1
Ejemplo. Supngase que se quieren generar valores para una variable aleatoria
X , cuya funcin de densidad est dada por f X (1)=1/8 , f X (2)=1/2 ,
f X (3)=3/ 8 y cero en cualquier otro valor. sta funcin de densidad se puede
descomponer como f X ( x)=(1/ 4) f 1 ( x)+(3/ 4) f 2 ( x) , donde f 1 (1)=1/2 ,
f 1 (2)=1/ 2 y cero en cualquier otro valor y f 2 (2)=1/ 2 y f 2 (3)=1/ 2 cero en
cualquier otro valor. Para generar valores para X primero generamos un valor
para la variables aleatoria I que tiene la funcin de densidad f I (1)=1/ 4 ,
f I (2)=3/ 4 ; si el valor generado es k , entonces generamos un valor de
acuerdo a la funcin de densidad f k .
28
siguiente: Si una variable aleatoria X tiene una distribucin de probabilidad dada
por F X , entonces la variable aleatoria Y definida por Y = F X ( X ) es
1
uniformemente distribuida en [0, 1] ; por lo tanto, F X (Y ) tiene una funcin
de densidad F X . Usando esta propiedad, para generar nmeros aleatorios que
sigan una distribucin F X , podemos generar nmeros y 1, y2, y 3, ..., yn con un
generador de nmeros aleatorios uniformemente distribuidos en [0, 1] y
1 1 1 1
considerar F X ( y1 ) , F X ( y 2 ), F X ( y 3 ),... , F X ( y n ) .
Ejemplo. Para calcular nmeros aleatorios que sigan una distribucin exponencial
x
con parmetro , se tiene que F X (x )=1e , de donde
F X1 ( y)=(1 /)log(1 y ) . Luego, si u1 , u2, u3,. . . son nmeros
uniformemente distribuidos en [0,1],
(1 /)log (1u1 ),(1 / )log(1u2 ),(1/ )log(1u3 ),... seguirn una
distribucin exponencial con parmetro
2.4.2 Mtodo polar para generar nmeros que sigan una distribucin
normal.
Ahora se presenta un procedimiento para generar variables con una
distribucin normal. Para esto, considrese una distribucin normal bivariada en el
plano cartesiano con funcin de densidad:
x2+ y2
1 2
f XY (x , y)= e
2
X y Y son independientes ya que sta funcin de densidad es igual al producto
de sus densidades marginales.
Si ahora definimos las variables aleatorias:
Y
para X 0 y = para X =0 .
2 2
U =X +Y y =arctan
X 2
El determinante de la matriz jacobiana de la transformacin definida por estas
nuevas variables es:
29
[ ]
x x
u 1 2 1 2 1
= cos + sen =
y y 2 2 2
u
30
Otra forma de generar nmeros aleatorios que sigan una distribucin normal
estndar es utilizar el mtodo de aceptacin y rechazo. Si Z es una variable
aleatoria que sigue una distribucin normal estndar, X=|Z| tiene una funcin de
x2
2 2 x
densidad dada por f X ( x)= e y si consideramos f Y ( y)=e , se puede
2
utilizar el mtodo de aceptacin y rechazo para generar valores aleatorios para X
; a partir de stos, se generan valores para Z considerando los valores de X con
1
signo positivo o negativo, con probabilidad . En este caso, puede tomarse
2
c=1.4 .
Ejercicios.
1. Pruebe que si X es una variable aleatoria continua con una funcin de
distribucin F X , entonces la variable aleatoria Y = F X ( X ) es uniformemente
distribuida en [0,1] .
2. Un envase de cartn en forma de paraleleppedo debe tener un largo, ancho y
alto de 10 cm, 7 cm y 15 cm, respectivamente. Pero al construirlos, el largo, el
ancho y la altura siguen distribuciones normales independientes con medias 10, 7 y
15, respectivamente y las tres tienen una desviacin estndar de 0.1 . Estime la
probabilidad de que el volumen de los recipientes sea menor que 1010 cm .
3. Suponga que una variable aleatoria X tiene una funcin de densidad dada por
f X (x)=3 x si x [0,1] y f X (x)=0 enotro caso . Genere una muestra de 1000
nmeros aleatorios para la variable aleatoria X .
4. Genere una muestra de 1000 nmeros aleatorios que sigan una distribucin
exponencial con parmetro 0.5.
31
N (t ) es el nmero de eventos que ocurren en el intervalo [0, t ] , N (t ) es un
proceso de Poisson con parmetro si:
1. N (0)=0 .
2. Si A y B son dos intervalos disjuntos, entonces los nmeros de eventos
en A y B , son independientes.
3. P(N (t )=1)= t + (t )
4. P( N (t )> 1)= (t ) .
(t )
donde lim =0 .
t 0 t
Bajo estas hiptesis, el nmero de eventos que ocurren en [0, t ] sigue una
distribucin de Poisson con parmetro t . En efecto, dividiendo el intervalo
[0, t ] en n pequeos intervalos de igual longitud t / n , la probabilidad de que
haya exactamente un evento en el intervalo es aproximadamente t / n y la de
t
que no ocurra ningn intervalo es (1 ) , luego:
n
k
t nk
P(N (t )=k )= n
k ( )( )
t
n
( 1 )
n
32
es el nmero de eventos que ocurren durante un tiempo t , entonces los eventos
[ X t > x ] y [ N t =N t +x ] son idnticos y por lo tanto, las probabilidades de ocurrencia
de los mismos son iguales, pero como el proceso es homogneo,
x x
P(N t + x N t =0)=P (N x =0)=e Luego, P( X t > x )=e y:
x
P( X t x)=1e ,
4. t=t(1/ m )log(u1 )
4. Mientras u2 (t )/ m
6. Aceptar t .
donde m> (t ) , para cualquier t . Este algoritmo se debe a Lewis y Shedler.
Ejercicios.
1. Generar una muestra de tamao 100,000 con distribucin N (2,1) y
realizar un histograma.
33
2. Si X tiene una distribucin N ( , ) , decimos que Y =e X tiene una
log-normal. Genere una muestra de tamao 100,000 de una log-normal con
=2 y =1 y realice un histograma.
3. a) Genere 100 datos que sigan un proceso de Poisson homogneo con
=0.4 . b) Genere 100 datos que sigan un proceso de Poisson no homogneo
con =0.2 si t [ 0,2 ) y =0.1 si t [ 2, ) .
4. Sea Z= X 1 + X 2 +...+ X N , donde las X i son independientes y siguen,
todas ellas, una distribucin normal con media 100 y desviacin estndar 20 .
N es el nmero de eventos ocurridos en cierto intervalo de tiempo, cuya
ocurrencia sigue un proceso de Poisson con parmetro =10 . Simule
100,000 valores para Z , estime la media y la varianza de Z y realice un
histograma. (Para generar valores para una distribucin normal, utilice el primer
mtodo presentado en la seccin anterior).
34
Captulo III
35
llegada del prximo usuario se dar en algn tiempo, que puede ser generado con
una exponencial con parmetro , o sea, tl=(1 /)log(u) , donde u es un
nmero aleatorio en [0,1] . El prximo tiempo de salida ser el tiempo necesario
para dar servicio al usuario, que puede obtenerse generando un nmero aleatorio
para una distribucin exponencial con parmetro , esto es, ts=(1/)log(u)
, donde nuevamente, u es un nmero aleatorio en [0,1] . sta ser la parte
inicial del algoritmo:
1. t=0 , infi=10000000
2. tl=0
3. ts=infi
4. l=0
36
agregarle instrucciones de impresin de los valores de las variables, para poder
analizar la funcionalidad del algoritmo.
A continuacin se presenta un programa que realiza el algoritmo anterior. El
tiempo de simulacin est dado por el valor de la variable T . Los valores de
y estn dados en las variables l_l y l_s, respectivamente. El programa
imprime en la pantalla dos columnas, la primera corresponde a las llegadas y la
segunda, a las salidas. De las lneas 100 a 170 se establecen las condiciones
iniciales; a partir de la lnea 180 comienza la simulacin. Primero se elije el menor
valor entre el tiempo de la prxima llegada y el tiempo de la prxima salida y
despus, se procesa segn si haya sido una llegada o una salida. Si es una llegada,
se incrementa en uno el nmero de personas en el sistema y se genera el el tiempo
de la prxima llegada; adems, si despus de incrementar el nmero de personas en
el sistema ste es uno, significa que antes de que llegara el cliente no haba ninguno
en el sistema y por lo tanto, el prximo tiempo de salida est puesto como infinito,
pero como ahora ya hay un usuario, debe cambiarse el prximo tiempo de salida,
como el tiempo actual ms un tiempo de atencin al nuevo cliente. Si el prximo
evento es una salida de cliente, el nmero de usuarios en el sistema se disminuye en
uno; adems, si despus de haber disminuido en uno al nmero de clientes en el
sistema, ste es mayor que cero, significa que por lo menos haba un cliente antes
de la llegada actual y por lo tanto, el prximo tiempo de salida va a ser el tiempo
actual ms un tiempo de atencin del cliente que pasa al servidor cuando ocurre la
llegada actual; por el contrario, si despus de haber disminuido en uno al nmero
de clientes en el sistema, ste es cero, entonces hay que poner el prximo tiempo de
salida como infinito, ya que no hay clientes en el sistema.
100 T=10
110 l_l=1
120 l_s=2
130 t=0
140 infi=1000000000
150 ts=infi
160 tl=0
170 l=0
37
180 while t<T:
190 t=min(tl,ts)
200 if tl<=ts:
210 l=l+1
220 print("%10.2f"%tl,l)
230 tl=t-(1./l_l)*log(random())
240 if l==1:
260 ts=t-(1./l_s)*log(random())
270 else:
280 l=l-1
290 print(" ","%10.2f"%ts,l)
300 if l>0:
310 ts=t-(1./l_s)*log(random())
320 else:
330 ts=infi
38
Figura 3.
39
3.2 Lneas de espera con dos servidores.
40
1260 tsa=t+expovariate(l_sa)
1270 elif t==tsa:
1280 l=l-1
1290 print(" ","%10.3f"%t," por a",l)
1300 if l>1:
1310 tsa=t+expovariate(l_sa)
1320 else:
1330 tsa=infi
1340 else:
1350 l=l-1
1360 print(" ","%10.3f"%t," por b",l)
1370 if l>1:
1380 tsb=t+expovariate(l_sb)
1390 else:
1400 tsb=infi
Los cambios importantes estn entre las lneas de 1130 hasta 1260. Durante la
llegada de un cliente, si despus de aumentar en uno el nmero de personas en el
sistema, sta variable tiene el valor uno, significa que antes de la llegada actual no
haba clientes en el sistema, por lo tanto, el nuevo cliente podr escoger el servidor
en el que ser atendido (en el cdigo se supuso que escoge con igual probabilidad a
cualquiera de ellos). Si despus de aumentar en uno el nmero de personas en el
sistema, sta variable tiene el valor dos, significa que antes de llegar el cliente
actual, haba una persona en el sistema y la estaban atendiendo en alguno de los dos
servidores; el nuevo cliente pasar al servidor que est vaco.
Ejercicios.
1. Mediante simulacin, obtenga una grfica de la media del nmero de
personas en el sistema en funcin del tiempo, considerando los siguientes valores:
a) =2.2 , =2.0 y t=100, 200, ... , 1000, 2000 ,3000 , ... ,10000 .
b) =2.0 =2.2 t=100, 200, ... , 1000, 2000 , 3000, ... ,10000 .
41
c) Qu diferencia observa en los resultados obtenidos en a) y en b)?
2. Realice la misma actividad que en el problema anterior considerando al
tiempo promedio de permanencia en el sistema, en lugar del nmero de personas
promedio en el sistema.
3. Considere =2.2 , =2.0 . Estime por simulacin, el valor esperado y
la varianza del nmero de personas atendidas en el intervalo de tiempo [0,240] .
4. a) Considere =2.2 , =2.0 . Estime el valor esperado del nmero de
personas atendidas en el intervalo de tiempo [0, 200] . b) Estime sta misma
cantidad, pero considerando que se tienen dos servidores, ambos con =1.1 , y
=2.0 .
5. Considere dos lneas de espera, una con los parmetros =2.0 =2.2
y otra, con los parmetros =2.2 =2.4 . Cul de ellas atiende a un mayor
nmero de personas en el intervalo de tiempo? Fundamente su respuesta.
3.3 Inventarios.
42
as sucesivamente. El nmero de artculos presente en el inventario al tiempo t ,
durante el primer ciclo es Cdt , Entonces el costo durante todo el ciclo es:
C /d 2
(Cdt )r dt = rC
2d
0
dF rC
cT = +ad + (3.2)
C 2
43
Si el nmero de artculos disponibles es mayor que cero:
Disminuirlo en uno.
Generar el prximo tiempo de llegada.
Si el nmero de artculos en el almacn es menor que el nivel mnimo
y el indicador es cero:
Generar el tiempo en el que ser surtido el prximo pedido.
Poner indicador=1.
Si el mnimo es un tiempo de reposicin:
Poner el nmero de artculos en el inventario al nivel mximo.
Poner el tiempo de la prxima reposicin como infinito.
Poner indicador=0.
Figura 4
44
=2 clientes / hora
=2 artculos /cliente
Tiempo entre pedido y entrega=24
F=10 pesos.
a=1.5 pesos por artculo.
r=0.01 pesos por artculo por hora.
45
r=0.01
costo_inv=0
costo_ord=F+a*S
costo_total=costo_ord
tr=infi
l=[]
t_l=[]
indicador=0
while t<T:
l.append(C)
t_l.append(t)
ta=t
t=min(tl,tr)
costo_inv=costo_inv+(t-ta)*r*C
if tl<tr:
p=pedido(lamb1)
if C>=p:
v=v+p
C=C-p
else:
v=v+C
nv=nv+p-C
C=0
print("%10.3f"%tl,',',C)
tl=genera(lamb,tl)
if C<s and indicador==0:
tr=t+lapso
indicador=1
print("Ordena ","%10.3f"%t,"%10.3f"%tr)
else:
costo_ord=costo_ord+(S-C)*a+F
C=S
indicador=0
46
tr=infi
print("Abastecimiento ","%10.3f"%t,' ',C)
print('Costo=', costo_inv+costo_ord)
print('Vendidos=',v)
print('No vendidos=',nv)
print('Ganancia=',v*precio-costo_inv-costo_ord)
plt.rcParams['font.size']=16
plt.xlabel('Tiempo')
plt.ylabel('Nivel del inventario')
plt.title('Nmero de articulos en el'+'\n'+'inventario contra tiempo')
plt.plot(t_l,l,color='black')
plt.tight_layout()
plt.savefig('NotIn1.png',dpi=600)
plt.show()
En la Fig. 5 se muestra un grfico generado por el programa.
Figura 5.
47
Ejercicios.
1. En un problema de inventario tal y como est planteado en la seccin, los datos
son:
T=720 minutos.
S=500 artculos.
s=50 artculos.
=2 clientes/ hora
=2artculos /cliente
Tiempo entre pedido y entrega=24 (fijo)
F=10 pesos.
a=1.5 pesos por artculo.
r=0.01 pesos por artculo por hora.
a) Estimar el valor esperado del tiempo que tarda esperado del tiempo que
transcurre hasta que el inventario se encuentre vaco. b) La proporcin del tiempo
durante el cual el inventario es menor de 50 artculos.
2. Resuelva el problema anterior suponiendo que los tiempos entre la realizacin
del pedido y la entrega siguen una distribucin exponencial con parmetro 1/24 .
48
hay ninguna disponible para substituirla.
Un algoritmo posible para simular el comportamiento de las mquinas del
taller es el siguiente:
49
def G(beta):
return expovariate(beta)
def impri(l):
for i in range(len(l)):
print("%8.3f"%l[i],end='')
print('\n')
infi=100000000
alfa=1/50
beta=1/5
n=5
s=4
infi=100000000
disp=s
td=[]
for i in range(n):
td.append(F(alfa))
tdp=min(td)
tsp=infi
l=0
while 1:
t=min(tdp,tsp)
if t==tdp:
if disp==0:
break
disp=disp-1
l=l+1
k=td.index(tdp)
td[k]=t+F(alfa)
if l==1:
tsp=t+G(beta)
tdp=min(td)
print("_____________________")
print("Descompostura ","%8.3f"%t," Posicin ",k," Disponibles ",disp)
50
impri(td)
else:
l=l-1
disp=disp+1
if l>0:
tsp=t+G(beta)
else:
tsp=infi
print("_____________________")
print(" Sale mquina reparada ","%8.3f"%t,Disponibles
,disp,'\n')
print(t)
____________________________________________
Descompostura 5.632 Pos 2 Disp 3
89.362 124.569 47.199 35.012 28.181
____________________________________________
Sale mquina reparada 6.141 Disponibles 4
____________________________________________
Descompostura 28.181 Pos 4 Disp 3
89.362 124.569 47.199 35.012 36.465
____________________________________________
Sale mquina reparada 31.334 Disponibles 4
____________________________________________
Descompostura 35.012 Pos 3 Disp 3
89.362 124.569 47.199 55.885 36.465
____________________________________________
Descompostura 36.465 Pos 4 Disp 2
51
89.362 124.569 47.199 55.885 90.479
____________________________________________
Sale mquina reparada 36.950 Disponibles 3
____________________________________________
Sale mquina reparada 42.487 Disponibles 4
____________________________________________
Descompostura 47.199 Pos 2 Disp 3
89.362 124.569 52.810 55.885 90.479
____________________________________________
Descompostura 52.810 Pos 2 Disp 2
89.362 124.569 56.077 55.885 90.479
____________________________________________
Descompostura 55.885 Pos 3 Disp 1
89.362 124.569 56.077 200.878 90.479
____________________________________________
Descompostura 56.077 Pos 2 Disp 0
89.362 124.569 199.674 200.878 90.479
____________________________________________
Sale mquina reparada 59.206 Disponibles 1
____________________________________________
Sale mquina reparada 64.080 Disponibles 2
____________________________________________
Sale mquina reparada 70.617 Disponibles 3
____________________________________________
Sale mquina reparada 78.977 Disponibles 4
____________________________________________
Descompostura 89.362 Pos 0 Disp 3
117.371 124.569 199.674 200.878 90.479
____________________________________________
Sale mquina reparada 90.260 Disponibles 4
____________________________________________
Descompostura 90.479 Pos 4 Disp 3
117.371 124.569 199.674 200.878 93.779
52
____________________________________________
Sale mquina reparada 91.220 Disponibles 4
____________________________________________
Descompostura 93.779 Pos 4 Disp 3
117.371 124.569 199.674 200.878 169.034
____________________________________________
Sale mquina reparada 108.706 Disponibles 4
____________________________________________
Descompostura 117.371 Pos 0 Disp 3
381.966 124.569 199.674 200.878 169.034
____________________________________________
Descompostura 124.569 Pos 1 Disp 2
381.966 148.782 199.674 200.878 169.034
____________________________________________
Sale mquina reparada 130.351 Disponibles 3
____________________________________________
Sale mquina reparada 132.195 Disponibles 4
____________________________________________
Descompostura 148.782 Pos 1 Disp 3
381.966 179.972 199.674 200.878 169.034
____________________________________________
Sale mquina reparada 150.123 Disponibles 4
____________________________________________
Descompostura 169.034 Pos 4 Disp 3
381.966 179.972 199.674 200.878 313.664
____________________________________________
Sale mquina reparada 170.583 Disponibles 4
____________________________________________
Descompostura 179.972 Pos 1 Disp 3
381.966 289.897 199.674 200.878 313.664
____________________________________________
Sale mquina reparada 192.018 Disponibles 4
____________________________________________
53
La salida del programa permite hacer un seguimiento muy preciso de la
operacin del mismo, para constatar que la operacin del programa es la
esperada.
Las primeras versiones de los programas correspondientes a la aplicacin
de algn modelo, siempre debern imprimir en la pantalla los detalles de su
operacin para facilitar la verificacin del mismo.
Ejercicios.
1. Considera un problema de reparacin de mquinas como el planteado en la
seccin en el que F y G son exponenciales con parmetros 1/40 y 1/4 ,
respectivamente, n=6 y s=3. a) Estimar el tiempo que transcurre hasta que el
taller tiene que suspender la actividad. b) Estimar el valor medio del nmero
de mquinas disponibles para substituir , en el intervalo de tiempo desde cero
hasta que el taller tiene que suspender la actividad. c) Cmo cambian las
respuestas a los incisos anteriores si variamos a s como s=4, 5, 6?
2. Resuelva el problema anterior suponiendo que el tiempo de reparacin de
cada mquina es 4 con probabilidad 1.
c{
G= S (T ) K c si S (T )> K
en otro caso
(3.3)
54
Si se supone que el precio de la accin sigue un movimiento Browniano
geomtrico con deriva y volatilidad , entonces:
2
( ) t + ( t )
2
S (t + t )=S(t )e (3.4)
2
( )+ (1)
2
S (i +1)=S(i)e para i=0, ,1 ,2 ,... ,T 1 (3.5)
2
( )T + ( (T ))
2
S (T )=S(0)e (3.6)
Ejercicios.
1. Considere una opcin europea a 180 das de una accin cuyo precio inicial
es 1, el precio de ejercicio es 1.01 , el pago por tener derecho a la opcin es de
0.03. El precio de la accin sigue un movimiento Browniano geomtrico con deriva
0.0029 y volatilidad 0.05, considerados ambos parmetros con respecto a un da. a)
Cul es el valor esperado de la ganancia? b) Cul es la probabilidad de que la
ganancia sea negativa?
55
3.6 Verificacin.
56
imprescindible, porque siempre es posible que el programa elaborado no se apegue
totalmente al modelo.
Para la validacin del modelo es importante que, cuando sea posible, se
compare el comportamiento del modelo con el de la realidad que pretende modelar.
Por ejemplo, tomar mediciones de las entradas y las salidas del sistema para
compararlas con los resultados obtenidos por el modelo. Por otro lado, con
frecuencia las hiptesis hechas en el modelo admiten una verificacin en la
realidad, como lo es el caso de que los clientes lleguen a una lnea de espera de
acuerdo a un proceso de Poisson.
57
Captulo IV
[ X z , X +z ] (4.1)
n n
58
2
2 ze
tiene que tomar n>
e ( )
. Al usar sta frmula hay que considerar que no se
n
1
s=
n1 i =1
(x i x)
2
(4.2)
59
Figura 6.
60
1130 print("[","%10.4f"%(m-delta),"%10.4f"%(m+delta),"]")
1140 print("[","%10.4f"%(4*(m-delta)),"%10.4f"%(4*(m+delta)),"]")
^ 2
ECM =E () (4.3)
^ ^ 2
ECM =V ()+( E( )) (4.4)
este tipo. Sobre cada una de ellas, se calcula la diferencia del valor del parmetro
de la muestra original con cada uno de los valores obtenidos en cada muestra, se
elevan al cuadrado stas diferencias y se promedian sobre las m diferentes
muestras.
Con ste procedimiento se generan muestras aleatorias de una poblacin que
sigue una distribucin dada por la muestra original; sta estar tan cercana a la
61
distribucin terica de la muestra original tanto cuanto ms grande sea n .
62
1230 print(suma/m)
Ejercicios.
1. Con respecto al ejemplo de sta seccin, verificar que el valor exacto del
5
ECM es de 2.510 .
2. Elaborar un programa similar al de sta seccin para la mediana de una
muestra con una distribucin exponencial dada por (1/ ) e(x /) para x>0 con
=0.5 y que estime el ECM .
^ 1 + ^ 2 1
V( )= (V ( ^ 1 )+V ( ^ 2 )+2 Cov ( ^ 1 , ^ 2 )) (4.5)
2 4
El mximo valor de la varianza de la media se da cuando
Cov( ^1 , ^2 )= V ( ^1 )V ( ^2 ) . Si V ( ^2 )=V ( ^1 ) , ste mximo tiene un valor de
V ( ^ 1 ) . Por lo tanto:
^1 + ^2
V( )V ( ^1 ) (4.6)
2
Es decir, en ningn caso, la varianza de la media de los dos estimadores puede
ser mayor que la varianza de uno de ellos. Si la covarianza es negativa, la varianza
de la media ser menor que la varianza de uno de ellos.
Si ^1 =f (U 1 ,U 2 ,... , U n ) , donde U 1 ,U 2 , ... , U n son independientes y
63
uniformemente distribuidas en [0,1] y f es creciente o decreciente, entonces la
covarianza de ^1 y ^2 =f (1U 1 ,1U 2 ,... ,1U n ) , ser negativa. A la variable
^ se le llama antittica de ^ .
2 1
1 1 1
+ +...+
estimador del valor de la integral es ^ = 1+U 1 1+U 2 1+U n
y
1
n
1 1 1
+ +...+
^ = 2U 1 2U 2 2U n
. La covarianza entre estos dos estimadores es:
2
n
n n n
1 1 1 1
Cov(^ 1 ,^ 2 )= Cov ( , )= Cov( , )
i=1 j=1
1+U i 1+U j i=1 1+U i 2U i
Ahora:
1 1 1 1 1 1 log(2)(23 log(2))
Cov ( , )= E( ) E( ) E( )=
1+U i 2U i 1+U i 2U i 1+U i 2U i 3
1 1 1
+ +...+
1+U 1 1+U 2 1+U n 1 1 1 1
V (^ 1 )=V (
2
)= V ( )= ( log(2) )
n n 1+U i n 2
0.01836
(51.1588(0.01955 n0.5(0.01955 n )))
n
n
64
51.1588(0.01955(0.01955)(0.5))=0.50
para n grande.
Es decir, se obtiene una reduccin de varianza del 50 % .
Ejercicios.
1. Con relacin a la frmula 4.5, Porqu el mximo valor de la varianza de la
media se da cuando Cov( ^1 , ^2 )= V ( ^1 )V ( ^2 ) ?
1
1 1 1
2
+ 2
+...+
^ 1+U 1 1+U 2 1+U 2n
estimador 1 = , donde U 1 ,U 2 ,... ,U n son variables
n
aleatorias independientes y uniformemente distribuidas en [0,1] . Calcular la
varianza de ^ .1
65
otra variable aleatoria Y , con E(Y )=Y . La variable aleatoria
Z= X +c (Y Y ) , tiene el mismo valor esperado que X , esto es, ; cualquiera
que sea el valor de c . La idea es encontrar un valor para c , para el cual, la
varianza de sta variable sea lo menor posible. La varianza de Z est dada por:
V (Z)=Cov (Z , Z)=Cov ( X +c (Y Y ), X +c (Y Y ))
2
V (Z)=V ( x)+2 c Cov ( x , y)+ c V (Y )
Luego V (Z) tiene un mnimo para c=Cov ( X ,Y )/V (Y ) , y ste mnimo
tiene un valor:
2
Cov( X , Y )
V ( Z)=V ( X )
V (Y )
V ( Z)=V ( X )(1r XY 2 )
66
1
V (Y )=
12n
Por lo tanto el valor de c es:
log (2)
c=12( )=0.5535
2 8
Y la varianza de Z es:
+2 log(2)
12( )
8 16 2 8
V (Z)=
n n
La varianza de X es:
+2
8 16
V ( X )=
n
La reduccin de la varianza es de 98.8 % .
Ejercicios.
2
1. Pruebe que el mximo valor de V (Z )=V ( x)+2 c Cov( x , y )+c V (Y ) se da
cuando c=Cov ( X ,Y )/V (Y ) .
1
dx
2. Calcule por simulacin la integral 1+ x . Luego, reduzca la varianza
0
U 1 +U 2 +... U n
utilizando a Y= . Calcule el porcentaje de reduccin de la
n
varianza.
67
4.2.3 Por condicionamiento.
I=
{10sienUotro +Ucaso<1
1 2
La esperanza de I es / 4 .
E (I | U 2 =u)=1P (I=1 | U 2 =u)+0P (I=0 | U 2=u)=P(U 1 +U 2 <1 | U 2 =u)
Ahora:
P(I =1|U 2 =u)=P (U 1 +U 2 <1 |U 2 =u)= P( 1u <U 1 < 1u )= 1u
Por lo tanto:
E( I |U 2 )= 1U 2
Ahora bien,
2
V (P(I |U 2 ))=V ( 1U 2 )= 0.05
3 16
Mientras que:
68
V (I )= (1 )0.169
4 4
La disminucin porcentual de la varianza es de 99.7 % .
Ejercicios.
1
dx
1. Una manera de estimar el valor de la integral 1+ x
es lanzar dardos al
0
69
Captulo V
5.1 Introduccin.
70
intervalo es ei =m ( F (bi ) F (ai )) , donde ai y bi son los extremos derecho e
izquierdo del i-simo intervalo. Bajo la hiptesis nula, la variable:
n 2
( f iei )
D= (5.1)
i =1 ei
2
sigue una distribucin de con n p , donde p es el nmero de parmetros
estimados que definen a F .
Ejemplo. Verificar si se puede suponer que los datos 0.134 1.054 0.469 0.090
1.629 0.074 3.132 8.095 2.210 2.154 0.040 1.834 0.682 0.500 1.347 0.383 0.326
0.761 7.031 1.816 3.855 0.206 2.478 5.084 0.202 0.204 0.999 4.957 1.893 0.462
1.316 3.553 1.292 0.565 0.158 0.845 2.457 1.662 1.025 4.307 2.781 0.149 0.273
2.426 0.938 0.790 0.620 1.040 5.101 0.778 0.480 2.624 1.103 3.144 2.614 4.242
1.677 0.892 3.351 4.272 2.547 4.625 7.433 0.472 0.269 4.516 1.732 1.070 1.335
0.244 0.195 0.910 1.909 6.052 2.120 0.219 1.792 0.014 0.174 0.327 3.587 1.383
0.577 0.198 5.404 2.032 0.351 1.734 2.255 0.077 2.866 0.748 1.310 3.389 1.879
0.845 1.954 0.393 2.036 3.618 proviene de una distribucin exponencial o no.
Intervalo fi ei
2
El valor de D es 4.0753. Para 9 grados de libertad, P( >36.19)=0.01 . Luego,
la regin de rechazo de la hiptesis nula a un nivel de significancia del 1 % es el
conjunto { xR | x>36.19 } . Como el valor de D no pertenece a la regin de
71
rechazo, no se puede rechazar la hiptesis nula a un nivel de significancia del 1%.
Para verificar la bondad de ajuste tambin se utiliza la prueba de Kolmogorov-
Smirnov. Considrese una muestra de datos x 1 , x 2, x3 , ... , x m , ordenados en
forma ascendente y que se quiere verificar si provienen o no de una distribucin
F . Primero, se determina la funcin de densidad acumulada emprica, dada por:
{
0 x <x1
S (x )= k xk x<x k +1 (5.2)
m
1 x xm
i i1
D= Max { Max {| F (x i )|}, Max {| F (x i )|}} (5.4)
i=1,... , n1 n i=2,... , n n
72
Figura 7
Ejemplo. Verificar si se puede suponer que los datos 0.436, 1.047, 1.568, 4.932,
3.818, 0.120, 3.367, 0.183, 1.425, 3.159, provienen de una distribucin
exponencial. El valor estimado para el parmetro es 0.4987. En este caso,
F (x )=1e0.4987 x .
i xi i/ n F (x i ) |i /nF (x i)| |F ( x i )(i1)/ n|
D= Mx | F (x )S (x )|=0.1930
73
Para una muestra de tamao 10, P( D>0.410)=0.05 ; ste valor se obtiene de las
tabla para la distribucin de D. Luego, a un nivel de significancia de 5 %, la regin
de rechazo es { D | D>0.410 } . Como el valor D=0.1930 no est en la regin de
rechazo, se concluye que no se puede rechazar H 0 al nivel de significancia
especificado.
Ejercicios.
1. Verifique la hiptesis de que la muestra 0.811, 1.491, 0.627, 0.365, 1.368, 1.386,
0.848, 0.502, 1.177, 0.447, proviene de una poblacin que sigue una distribucin
exponencial. Utilice una prueba de chi-cuadrada y una prueba de Kolmogorov-
Smirnov.
2. Verifique la hiptesis de que los datos 9.9602, 9.7313, 10.2611, 9.7755, 10.0374,
10.1625, 9.8777, 10.3733, 10.1853, 10.4190, 9.8410, 10.0697, 10.0947, 9.9652,
10.0482, 9.9197, 10.1855, 9.8417, 10.3788, 10.0078, 10.0309, 9.9197, 10.0023,
9.9924, 10.0789, 10.4128, 9.5809, 10.3255, 9.9295, 10.1004, 9.9244, 10.0576,
9.7026, 10.3345, 10.0497, 9.7416, 10.2721, 10.2124, 10.3154, 10.1698, 10.2594,
9.7189, 10.4893, 9.7221, 9.6767, 9.6867, 9.7955, 10.0013, 9.8699, 9.6303,
10.0264, 9.8520, 10.3640, 10.0887, 10.1144, 10.1127, 9.6343, 10.0133, 9.9088,
9.7563, 10.1438, 10.0122, 10.0837, 9.9286, 9.8706, 9.6269, 10.0140, 9.8148,
10.0410, 9.8920, 10.0491, 10.2817, 10.0433, 10.2659, 9.8463, 10.4007, 9.9834,
9.6468, 10.1388, 9.7332, 10.2421, 10.0909, 10.0916, 9.5068, 10.1067, 9.5760,
9.8612, 10.1703, 9.8964, 10.0454, 10.3437, 9.7423, 10.1985, 10.0944, 10.1657,
10.1020, 10.0290, 10.2598, 10.0417, 9.9599 siguen un movimiento Browniano
geomtrico. Cules son los valores estimados de la deriva y de la volatilidad?
74
muestras provienen de una poblacin con una misma distribucin, bajo el supuesto
de que tanto las x como las y son independientes, tal como la de Mann-Whitney.
Se agregan ambas muestras para formar una sola y se suman los rangos que
ocupan los datos de la muestra x obteniendo R x . Dado este valor, se calculan
U x =nm+n (n+1)/2R x y U y =nmU x . La prueba se basa en el estadstico
U=mn(U x ,U y ) . Para valores pequeos de n y m, digamos menores que 20, se
disponen de tablas para la distribucin de U bajo la hiptesis nula. Para valores
mayores de n , U sigue aproximadamente una distribucin normal con media
nm/ 2 y varianza nm(n+m+1)/ 12 .
Ejemplo. Pruebe la hiptesis de que las muestras 0.731, 0.461, 0.318, 0.127,
0.185, 0.283, 0.028, 1.086, 0.143, 0.056, 0.954, 0.457, 0.030, 1.199, 0.438 y
0.520, 1.102, 1.626, 0.760, 1.433, 1.527, 1.155, 0.281, 0.999, 0.383, 0.413,
3.120, 1.898, 1.386, 0.494, 3.325, 0.046, 1.350, 0.079, 1.237 provienen de una
misma distribucin.
A continuacin se presenta el listado ordenado de ambos conjuntos de datos. Los
nmeros entre parntesis son los rangos que ocupan los datos de la primer muestra
en la lista completa.
0.028(1) , 0.030(2) , 0.046, 0.056(4) , 0.079, 0.127(6) , 0.143(7) , 0.185(8) , 0.281,
0.283(10) , 0.318(11) , 0.383, 0.413, 0.438(14) , 0.457(15) , 0.461(16) , 0.494,
0.520, 0.731(19) , 0.760, 0.954(21) , 0.999, 1.086(23) , 1.102, 1.155, 1.199(26) ,
1.237, 1.350, 1.386, 1.433, 1.527, 1.626, 1.898, 3.120, 3.325
Sumando los valores entre parntesis se obtiene R x =183 ; de donde U x =237 ,
U y =63 y U=63 . Suponiendo la aproximacin normal para la distribucin de
U , se obtiene z=2.9 . Considerando que P(| Z |>1.96)=0.05 , el valor de
z=2.9 est en la regin de rechazo de la hiptesis nula a un nivel de
significancia de 5 % ; por lo tanto, se rechaza la hiptesis nula que las dos
muestras provienen de una misma distribucin al nivel de significancia del 5 % .
Otra forma de realizar esta prueba es basarse directamente en el estadstico
R . Para muestras pequeas, la distribucin de probabilidad de R se puede
obtener con frmulas recursivas. Sea p (n ,m ,r )= Pn ,m ( Rr) . Si el valor ms
75
grande se encuentra en la primer muestra, la suma de rangos ser igual a n+m
ms la suma de rangos de los n1 valores restantes y la suma de rangos de los
n valores ser menor o igual que r si y solamente si la suma de rangos de los
n1 restantes valores es menor o igual que r(n+ m) . Si el valor ms grande
est en la segunda muestra, entonces la suma de rangos para los n datos ser
menor o igual que r si y solamente si, la suma de rangos para los m1
restantes valores tambin es menor o igual que r . Como:
De donde:
n m
p (n ,m ,r )= p(n1, r(n+ m))+ p(n ,m1, r) (5.5)
n+ m n+m
Adems:
76
return 1
else:
return 0
else:
return 0
else:
return (n/(n+m))*fu(n-1,m,r-n-m)+(m/(n+m))*fu(n,m-1,r)
for i in range(2,20):
for j in range(2,20):
r1=int(i*(i+1)/2)
r2=int(j*(j+2*i-1)/2)
for r in range(r1,r2+1):
x=fu(i,j,r)
print("%3.0f"%i,"%3.0f"%j,"%3.0f"%r,"%4.4f"%x)
77
4 4 11 0.0286 4 4 15 0.2429 4 4 19 0.6571
4 4 12 0.0571 4 4 16 0.3429 4 4 20 0.7571
4 4 13 0.1000 4 4 17 0.4429 4 4 21 0.8286
4 4 14 0.1714 4 4 18 0.5571 4 4 22 0.9000
Ejercicios.
1. Pruebe la hiptesis nula de que las dos muestras 0.306, 0.171, 1.023, 0.063,
1.086, 0.154, 1.492 y 0.087, 0.230, 0.352, 0.350, 0.325, 0.338, 0.628, 0.922
provienen de una misma distribucin de probabilidad, a un nivel de significancia
del 5 %. Use la frmula recursiva dada en la seccin.
n 2
(f t f e )
Q= i i
i=1 f ti
78
de homogeneidad a un nivel de significancia del 10 %.
Ejemplo.
En ingeniera, por ejemplo, en el caso de lneas de espera, por medio de las
pruebas sealadas en ste captulo, podemos verificar si los usuarios llegan o no
siguiendo un proceso de Poisson homogneo; sta es una parte importante de la
validacin del modelo.
79
Apndice.
Esperanza, varianza y covarianza.
La esperanza de una variable aleatoria X que tiene a f X como funcin de
densidad (continua), est dada por:
+
E( X)= x f X (x)dx
80
2 2 2 2
V ( X )=E [ X 2 E ( X ) X +( E( X ) )]= E( X ) E ( X )
La covarianza de X y Y , se define como:
Cov( X ,Y )=E [( X E( X ))(Y E(Y ))]
La covarianza de X y Y tambin se puede escribir como:
Cov( X ,Y )=E ( XY ) E( X ) E(Y )
La covarianza tiene las siguientes propiedades:
a) Cov( X , X )=V ( X )
b) Cov( X ,Y )=Cov (Y , X )
c) Cov(aX +bY , Z)=aCov ( X ,Z )+bCov (Y , Z)
Adems:
V ( X +Y )=Cov( X +Y , X +Y )=Cov ( X , X )+2Cov ( X ,Y )+Cov(Y ,Y )
Por lo tanto:
V ( X +Y )=V ( X)+V (Y )+2Cov ( X , Y )
Si X y Y son independientes, entonces , E( XY )=E ( X ) E (Y ) ,
Cov( X ,Y )=0 y:
V ( X +Y )=V ( X )+V (Y )
Por otro lado,
V (aX )=a V (X )
Se define al coeficiente de correlacin entre X y Y como:
Cov ( X ,Y )
r XY =
V ( X)V (Y )
Como V ( X)V (Y )Cov (X , Y ) V ( X)V (Y ) , el coeficiente de correlacin
siempre est entre 1 y 1 . Si dos variables aleatorias son independientes,
entonces su coeficiente de correlacin es cero; pero, el recproco no es cierto.
La varianza condicional de X dada Y se puede definir como:
81
V ( X | Y )=E( X |Y )E( X |Y )
Una propiedad importante de la varianza condicional es el teorema de la varianza
total: E(V ( X |Y ))+V (E( X | Y ))=V ( X) . A continuacin se verifica la frmula:
E(V (X | Y ))+V (E( X | Y ))= E(E( X | Y ) E(E (X |Y )))
+ E(E( X |Y ))( E(E( X |Y )))= E( X )E( X)
Desigualdad de Tchevychev.
La desigualdad de Tchebyshev se basa en la desigualdad de de Markov:
E(X)
P( X a)
a
Para cualquier variable aleatoria no-negativa X que tenga esperanza y cualquier
nmero positivo a. Se demuestra fcilmente considerando la variable aleatoria
Z=a si Xa y 0 enotro caso y considerando que E( Z )E ( X ) y
E( Z )=aP( X a) . Si en sta desigualdad, consideramos a X como
( X E ( X )) y en vez de a ponemos a , resulta la desigualdad de
Tchebyshev:
V (X)
P(|X E( X )|a)
a
siempre que X tenga varianza.
82
Bibliografa.
Banks, J., Carson, J.S., Nelson, B.L., Nicol, D.M., Discret-Event System
Simulation, Pearson, Prentice Hall, Fourth Edition, 2004.
Hoel, P.G., Introduction to Mathematical Statistics, Wiley International Edition,
Third Edition, 1962.
Hunter, J.D., Matplotlib: A 2D graphics environment, Computing In Science \&
Engineering, Vol. 9-3, pp. 90-95, 2007.
Law, A.M., Simulation, Modeling & Analysis, McGraw Hill, Higher Education, 4th
Edition, 2007.
Leemis, L.M.,Park, S.K., Discrete-event Simulation: A First Course, Pearson
Prentice Hall, 2006.
Lewis, P.A.W, G. S. Shedler, G,S, Simulation of nonhomogenous Poisson processes
with degree-two exponential polynomial rate function. Operations Research, 27(5),
pp. 10261039, 1979.
Mood, A.M., Graybill, F.A., Boes, D.C., Introduction To The Theory of Statistics,
McGraw-Hill International Edition, Third Edition, 1974.
Ross, S.M., Simulation. Academic Press, Elsevier, Fifth Edition, 2013.
Ross, S.M., An Elementary Introduction to Mathematical Finance, Cambridge
University Press, Third Edition, 2011.
Van Rossum, G., Python tutorial, Technical Report CS-R9526, Centrum voor
Wiskunde en Informatica (CWI), Amsterdam, May 1995.
83