Sesion 3 - Simulacion

SIMULACIÓN
Maestría en Ingeniería área

Telecomunicaciones
Javier Emilio Sierra

javier.sierra@upb.edu.co
Contenido
SESIÓN 3
Modelamiento por medio de variables aleatorias.
Variables aleatorias continuas
Variables aleatorias discretas
Modelamiento aleatorio, ajuste de modelos aleatorios
Prueba de Kolmogorov Smirnov
Generación de variables aleatorias
Ejemplo de aplicación
Javier Sierra SIMULACIÓN [2]

1
La generación de variables aleatorias es el corazón de

los procesos de simulación ya que evitan un sesgo en
los resultados obtenidos y le dan el peso apropiado a
cada uno de los datos necesarios.
Mayor frecuencia de datos “Normales”.
Esporádicos datos “Extremos”.


Probabilidad: es una medida numérica de la cantidad de veces
que un evento ocurre entre una cantidad grande de eventos
posibles.
La expresión siguiente es válida si el número de sucesos medidos
tiende a infinito:
Punto muestra: un
elemento del espacio
muestral
# sucesos tipo a
P( a) =
# total de sucesos
Espacio muestral: todos
los valores posibles del
experimento

2
Todo valor de probabilidad está entre 0 y 1.
La suma de todas las probabilidades de un espacio muestral es 1.
Espacio muestral: conjunto de todos los posibles resultados de un
evento.
Punto muestral: un valor del espacio muestral.
Ejemplo: lanzamiento de un dado.

Espacio muestral S={1,2,3,4,5,6}
Punto muestral a={1}
Evento: es un conjunto de puntos muestrales. Ejemplo: evento de
lanzamiento de un número par e={2,4,6}

P ( e) + P ( e ) = 1 P ( a ∩ b) P(a∪b) =P(a)+P(b)−P(a∩b)
Complemento: los Intersección: Unión: puntos

puntos muestrales puntos muestrales muestrales que
de un evento y no que pertenecen a pertenecen a
pertenecientes a un dos eventos son cualquiera de dos
evento suman una excluyentes, la eventos.
probabilidad de 1. intersección es
vacía.

3
Dos eventos son excluyentes si no comparten puntos

muestrales (si dos o más eventos no pueden ocurrir
simultáneamente).
Dos eventos son dependientes si la ocurrencia de uno

afecta la ocurrencia de otro.
Dos eventos son independientes, si la ocurrencia de uno

no afecta la ocurrencia del otro.


ejemplo
Excluyentes: espacio muestral del lanzamiento de un
dado.
Evento 1: compuesto por los resultados pares.
Evento 2: compuesto por los resultados impares.

4
Dependientes: en el mismo espacio muestral.

P(4)=1/6
Probabilidad de que se obtenga un 4, dado que se

conoce que se lanzó un número par:
P(4|par)=1/3.
La probabilidad cambia.

Independientes: en el mismo espacio muestral.

P(4)=1/6
Probabilidad de lanzar un cuatro, dado que en el

lanzamiento anterior cayó un 4:
P(4|4 en el anterior) = P(4)=1/6.
No cambia la probabilidad.
Javier Sierra SIMULACIÓN [ 10 ]

5
Axiomas de la probabilidad
Generales
0 ≤ P(a ) ≤ 1, p(S) = 1, p(a ) = 1 − p(a )
p (a ∪ b ) = p (a ) + ( b) − p(a ∩ b)
p (a | b ) = p ( a )
Eventos independientes
p (a ∩ b ) = p (a ) p ( b )
p (a ∪ b ) = p (a ) + p ( b ) − p (a ) p ( b )
p (a ∪ b ) = p ( a ) + p ( b ) − p (a ∩ b )
Eventos dependientes
p (a ∩ b ) = p ( a | b ) p ( b )
p (a ∩ b ) = p ( b | a ) p (a )
Eventos excluyentes p( a ∩ b) = ∅
Javier Sierra
p( a ∪ b) = p( a ) + p ( b)
SIMULACIÓN [ 11 ]
Distribuciones de probabilidad: son funciones

matemáticas que asignan probabilidad a puntos
(regiones) muestrales de un espacio muestral.
Distribuciones de probabilidad discretas:

corresponden a puntos muestrales discretos.
Distribuciones de probabilidad continuas:

corresponden a valores continuos de variables
aleatorias.

6
Función de Densidad de Probabilidad
La función de densidad
se utiliza en estadística
con el propósito de
conocer cómo se
distribuyen las
probabilidades de un
evento en relación al
resultado del evento. En
este caso se llama
función de densidad de
probabilidad.


Media o esperanza
matemática: es el valor
ponderado de los valores del E ( x) = µ = ∑ xi ⋅ P ( xi )
espacio muestral por sus i
probabilidades. Es el Valor
Esperado
Varianza: medida de Var ( x) = σ 2 = ∑ ( xi − µ ) 2 ⋅ P ( xi )

dispersión de los puntos i
muestrales respecto a la
media.

7
Algunas distribuciones de probabilidad
importantes
Distribución continua
uniforme
Una variable aleatoria

puede tomar cualquier
valor entre dos límites
a y b.


importantes
∞
De los axiomas de la
probabilidad se encuentra el
∫ f (x )dx = 1
−∞
valor de k, tal que se defina la b
función de densidad de
probabilidad. ∫ kdx = k (b − a ) = 1
a
1
k=
b−a
a+b
También se pueden calcular µ=
otras cantidades como: 2
σ 2 = (b − a )
1 2
12
8
importantes
Distribución discreta
uniforme
Una variable aleatoria

puede tomar cualquier
valor entre dos límites
a y b, pero solamente
ciertos valores
discretos.


importantes
n
De los axiomas de la
probabilidad se encuentra el ∑p
i =1
i =1
valor de k, tal que se defina la
función de masa de n⋅k =1
probabilidad o función de
probabilidad simplemente 1
k=
n
a+b
También se pueden calcular µ=
otras cantidades como: 2
σ2 =
1 2
12
n −1( )
9
Distribución Binomial
Suposiciones:
Se realiza una serie de N ensayos.
En cada ensayo puede haber un resultado a o b con
probabilidades P(a) y P(b) complementarias.
Los eventos son independientes entre sí en cada
ensayo.
Las probabilidades permanecen constantes durante
la realización del experimento.

Determina la probabilidad de obtener n veces el resultado a en los
N ensayos.
Se debe lograr que ocurran
P (n veces a ) = P (a ) ⋅ ... ⋅ P( a ) ⋅ P(b) ⋅ ... ⋅ P (b)

n veces N-n veces
P (n veces a ) = P (a ) n P( n) N − n

10
Dado que los eventos pueden ocurrir en cualquier orden,

realmente
N!
P(n veces a) = P(n) = P(a) n P(b) N −n
( N − n)!n!
P(a) = p
P(b) = 1 − p
N!
P ( n) = p n (1 − p) N −n
( N − n)!n!

La distancia Binomial mide la ocurrencia de n eventos

del tipo a en un conjunto N de ensayos. La varianza y la
media se calculan por medio de las expresiones
anteriores y se obtiene:
N!
P ( n) = p n (1 − p) N −n
( N − n)!n!
µ = Np
σ 2 = Np(1 − p)

11
Una aplicación muy importante es la de determinar los

errores en una trama cuando la probabilidad de error de
bit es constante.
Suponiendo que se tienen tramas de longitud N con
capacidad de corrección de errores de 5 bits, la
probabilidad de que la trama llegue buena es:
P(n ≤ 5) = p (0) + p(1) + p (2) + p (3) + p(4) + p(5)

N N
P(n ≤ 5) =   p 0 (1 − p) N −0 +   p1 (1 − p) N −1 + ...
0 1

Distribución de Poisson
Esta distribución mide la probabilidad de que ocurran n
eventos en un intervalo de tiempo T.
Suposición: el tiempo T se puede dividir en n intervalos
pequeños de tiempo dt=T/n.
Suposición: La probabilidad de que ocurra un evento en
un intervalo de tiempo de duración dt es
P=λdt
La probabilidad que no ocurra un evento en el mismo
intervalo es
1-p=1- λdt
No puede ocurrir más de un evento

12
Aplicando la distribución Binomial, se encuentra que la
probabilidad que ocurran n eventos en los N intervalos
es:
N!
P ( n) = (λdt ) n (1 − λdt ) N −n
( N − n)!n!
Reemplazando el valor de N por T/dt y extrayendo el

límite cuando dt tiende a cero se obtiene:

N!
P ( n) = (λdt ) n (1 − λdt ) N − n
( N − n)!n!
T 
 ! T 
 −n 
P ( n) = Lim  dt 
(λdt ) (1 − λdt )
n  dt 
dt →0  T 
 − n !n!
 dt 
(λ T ) n e − λT
P ( n) =
n!
La distancia de Poisson mide la ocurrencia de n eventos

en un intervalo de tiempo T.
13
Esta distribución permite modelar el número de llamadas

que llegan a una central en un tiempo determinado.
λ se conoce como rata o frecuencia de ocurrencia de
eventos y tiene unidades de eventos/seg.
λ = 10 llamadas/seg.
( λ T ) n e − λT
P (n) =
n!
µ = λT
σ 2 = λT
Distribuciones de probabilidad continuas
Son funciones matemáticas que permiten encontrar la

probabilidad de que una variable aleatoria se encuentre
en una región del espacio muestral.
b
P(a ≤ x ≤ b) = ∫ f (u )du
a

14
Función de probabilidad acumulada
Es una expresión matemática que permite determinar la

probabilidad que una variable aleatoria sea menor a un
valor cualquiera.
b
P( x ≤ b) = ∫ f (u )du = F (b)
−∞

Función de densidad de probabilidad (fdp)
b
P(a ≤ x ≤ b) = ∫ f (u )du
a
Función de probabilidad acumulada
b
P( x ≤ b) = ∫ f (u )du = F (b)
−∞

15
Media o esperanza matemática: para la distribución

continua queda
∞
E ( x) = µ = ∫ x ⋅ f ( x)dx
−∞
Varianza
∞
Var ( x) = σ 2 = ∫ ( x − µ ) 2 ⋅ f ( x)dx
−∞

Distribución Exponencial
Determina la probabilidad de que transcurra un intervalo

de tiempo determinado entre dos eventos cualquiera.
Probabilidad que entre dos eventos cualquiera,
transcurra entre 5 minutos y 15 minutos:
15 min
P(5 min ≤ t ≤ 15 min) = ∫ f (u )du
5 min
Probabilidad que entre dos eventos transcurra más de 1

hora:
∞
P(1hora ≤ t ) = ∫ f (u )du
1hr

16
Suponga la distribución de Poisson y calcule la

probabilidad que no ocurra ningún evento durante el
tiempo T
( λ T ) 0 e − λT
P (0eventos) = = e − λT
0!
La cantidad anterior mide la probabilidad que no ocurra
ningún evento entre 0 y T, debido a que n=0.

El evento complementario al anterior es la probabilidad

que ocurra al menos un evento entre 0 y T, uno o más
de uno….
P(al menos un evento) = 1 − e − λT
Esto indica la probabilidad que el tiempo de ocurrencia
del siguiente evento sea menor a T, lo que equivale a
una distribución acumulada de probabilidad.
T
P(t ≤ T ) = ∫ f (u )du = F (T ) = 1 − e −λT
−∞

17
Su función de densidad de probabilidad es
f (t ) = λe − λT
Que se llama distribución de probabilidad exponencial y
mide la probabilidad que el siguiente evento ocurra
entre dos tiempos cualquiera.
Su aplicación es en el manejo de tiempos entre eventos.

MUY APLICADA EN SIMULACIÓN

Distribución Normal
Se conoce como distribución Normal o gaussiana a la

curva que modela el comportamiento de los errores,
pues originalmente fue creada para analizar los errores
que se cometen en las mediciones
 ( x− µ )2 
− 
1  2σ 2 
f ( x) = e  
σ 2π

18
Generación de números aleatorios
Los computadores no pueden generar números

completamente aleatorios.
Se genera una secuencia de números aparentemente

aleatorios que se llaman seudoaleatorios (parecen
aleatorios pero se parecen entre si al largo plazo).


Los generadores lineales congruenciales LCG, funcionan a partir
de una serie recursiva de números así:
X n = (a ⋅ X n −1 + b )% M
Los valores de a, b y M determinan las características del

generador, así como el valor inicial de Xo, llamado semilla (seed).
% operación mod.

19
Por ejemplo con parámetros cualquiera se obtienen series muy
cortas de números:
Constantes del generador

Caso a b M Xo Salidas
1 6 2 13 1 8 11 3 7 5 6 12 9 4 0 2 1 8 11
2 7 3 13 10 8 7 0 3 11 2 4 5 12 9 1 10 8 7
3 5 5 13 5 4 12 0 5 4 12 0 5 4 12 0 5 4 12
4 7 6 11 5 8 7 0 6 4 1 2 9 3 5 8 7 0 6
5 6 1 11 3 8 5 9 0 1 7 10 6 4 3 8 5 9 0
Ver Matlab: Generador.m

Pero con los parámetros Constantes del generador

apropiados se obtienen series de Caso a b M Xo
6 16807 0 2E+09 2
período muy extenso
33614 564950498 1097816499 1969887316 140734213 940422544 202055088
229615974 127561359 735081007 33063458 1646757680 287085224 1793088606
1786703632 864107023 1762314547 1126132005 1127227024 203858534 1013963973
956319139 1088155025 650767323 312183490 565366809 1652304535 1171280388
2089576248 1707920745 1757535413 260121806 1737971797 19425685 69973451
3036949 1649877962 1190057270 1777332379 127764083 1994779628 1893994479
1581609387 556384743 1014576563 968137161 2145155255 1668904949 1001564376
1156708876 1784106288 160219355 2009689794 1233567742 765911656 660222274
234435843 1678204703 536223623 1469048949 686196284 913760798 922172289
1880754579 1030409060 776942012 1363821924 1662112237 653087083 645684164
387013533 1955966015 241145829 636306114 2075779585 1755639580 609111280
1371166908 555206799 544224578 649629873 522414163 1301688605 1064472246
1921941085 1762281068 563450452 1656347141 395882726 696637476 305215688
1326906897 1854027431 651314847 924484770 771343345 1756306123 1074281246
1938608437 570108375 1886909358 1394564657 811666841 868470943 2092273989
329495459 1617337447 1889951650 986758773 1585975677 926176775 1291583969
916641887 2099994878 720176101 781895015 857081112 1789428955 1571454097
20
Con los generadores anteriores se pueden generar

números aleatorios uniformes entre 0 y M como valor
máximo. Los demás números aleatorios se obtienen a
partir de estos generadores.
NOTA: para obtener números decimales entre 0 y 1

basta con dividir los números por M.

El método en
forma
general,
depende de
la
distribución
acumulada
de
probabilidad
de la variable
a generar.

21
El método consiste en generar números aleatorios

uniformes entre 0 y 1.
Ubicar estos números en el eje de probabilidad

acumulada y leer la variable aleatoria en el eje
horizontal.
Esto garantiza que se generen con mayor probabilidad

los números que están en la zona de mayor densidad de
probabilidad.


22

Transformada Inversa
El método anterior se llama en general como el de la transformada
inversa.
X=F-1(U). Su aplicación es inmediata en las distribuciones de
probabilidad continuas.
Por ejemplo para generar una variable aleatoria con distribución
exponencial…
− λt
F( t ) = 1 − e =U
Ln(1 − U )
t=−
λ
Ver Matlab - Exponencial
Donde U es una variable uniforme entre 0 y 1.

23
En las distribuciones de
probabilidad discretas el
asunto es un poco más
complejo puesto que es
necesario acumular las
probabilidades hasta que
se supera la probabilidad
acumulada, así:

Al generar un número aleatorio Variable Binomial, N=6, p=0,2
u=0.55, por ejemplo, se ve,
n P(n) F(n)
siguiendo la distribución
acumulada, que el primer valor 0 0,2621 0,2621
superior ocurre en n=1, por lo
1 0,3932 0,6554
tanto se genera este número.
2 0,2458 0,9011
Con u=0.98, se genera un 3 y 3 0,0819 0,9830

así sucesivamente.
4 0,0154 0,9984
5 0,0015 0,9999
6 0,0001 1,0000

24
Generación Distribución Poisson
En la distribución Poisson se puede simplificar el cálculo de la
probabilidad acumulada así:
P (i ) =
(λt )i e − λt
i!
P(i + 1) =
(λt ) e − λt
i +1
(i + 1)!
P(i + 1) =
(λt ) P(i)
i +1
Con estos valores se calcula la probabilidad acumulada sin
necesidad de calcular el factorial o el exponencial en cada paso.

Ajuste de distribuciones de probabilidad
Cuando se tienen datos experimentales de una variable

aleatoria, es necesario estimar el modelo para poder
generar valores equivalentes.
Es necesario conocer varias curvas de distribución de

probabilidad (experiencia).
Una vez se conoce, se ajustan los parámetros de la

distribución y se chequea el ajuste.

25
Ejemplo: número de llamadas que se hicieron en un

PBX en un día:
Datos con distribución Poisson
93 107 96 107 82 85 110 89 89 124 µ=100.77

99 79 113 100 116 103 111 116 95 100
89 125 96 101 94 93 88 96 104 87
97
112
101
99
100
92
92
96
124
96
116
101
92
100
100
97 103
96 86
87
σ2=131.59
127 106 72 105 112 91 92 92 99 113
89 114 119 110 110 110 109 76 123 84
100 103 76 105 107 87 99 112 99 107
87 94 111 108 93 102 102 89 105 108
125 95 100 98 97 102 119 105 105 110


El histograma de los valores anteriores, muestran una curva que
podría ser Poisson. La cercanía de la media y la desviación
estándar, también muestran lo mismo
0,06
0,05
0,04
0,03
Probabilidad medida
Probabilidad calculada
0,02
0,01
0
60 70 80 90 100 110 120 130
-0,01

26
Se debe encontrar los parámetros de la distribución de

manera experimental para calcular la distribución
teórica.
Se aplica la prueba de Kolmogorov Smirnov para poder

evaluar si la distribución corresponde a la supuesta.

Esta prueba exige calcular un estadístico igual a:
D=max(|F(xi)-Sn(xi)|)
Y compararlo con algún valor de tabla de acuerdo con el

nivel de significación deseado (usualmente 0.05).

27
El estadístico mide
la diferencia de las
funciones
acumuladas
experimental y
teórica.


28
Ejemplos
Ver ejemplos Excel.

29

Sesion 3 - Simulacion

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Sesion 3 - Simulacion

Загружено:

Авторское право:

Доступные форматы

SIMULACIÓN

Maestría en Ingeniería área

Javier Emilio Sierra

Javier Sierra SIMULACIÓN [2]

La generación de variables aleatorias es el corazón de

Mayor frecuencia de datos “Normales”.

Esporádicos datos “Extremos”.

Javier Sierra SIMULACIÓN [3]

Generación de variables aleatorias

Javier Sierra SIMULACIÓN [4]

Ejemplo: lanzamiento de un dado.

Javier Sierra SIMULACIÓN [5]

Generación de variables aleatorias

Complemento: los Intersección: Unión: puntos

Javier Sierra SIMULACIÓN [6]

Dos eventos son excluyentes si no comparten puntos

Dos eventos son dependientes si la ocurrencia de uno

Dos eventos son independientes, si la ocurrencia de uno

Javier Sierra SIMULACIÓN [7]

Generación de variables aleatorias

Evento 1: compuesto por los resultados pares.

Evento 2: compuesto por los resultados impares.

Javier Sierra SIMULACIÓN [8]

Dependientes: en el mismo espacio muestral.

Probabilidad de que se obtenga un 4, dado que se

Javier Sierra SIMULACIÓN [9]

Generación de variables aleatorias

Independientes: en el mismo espacio muestral.

Probabilidad de lanzar un cuatro, dado que en el

Javier Sierra SIMULACIÓN [ 10 ]

Generación de variables aleatorias

Distribuciones de probabilidad: son funciones

Distribuciones de probabilidad discretas:

Distribuciones de probabilidad continuas:

Javier Sierra SIMULACIÓN [ 12 ]

Javier Sierra SIMULACIÓN [ 13 ]

Generación de variables aleatorias

Varianza: medida de Var ( x) = σ 2 = ∑ ( xi − µ ) 2 ⋅ P ( xi )

Javier Sierra SIMULACIÓN [ 14 ]

Una variable aleatoria

Javier Sierra SIMULACIÓN [ 15 ]

Algunas distribuciones de probabilidad

Una variable aleatoria

Javier Sierra SIMULACIÓN [ 17 ]

Algunas distribuciones de probabilidad

Javier Sierra SIMULACIÓN [ 19 ]

P (n veces a ) = P (a ) ⋅ ... ⋅ P( a ) ⋅ P(b) ⋅ ... ⋅ P (b)

Javier Sierra SIMULACIÓN [ 20 ]

Dado que los eventos pueden ocurrir en cualquier orden,

Javier Sierra SIMULACIÓN [ 21 ]

La distancia Binomial mide la ocurrencia de n eventos

Javier Sierra SIMULACIÓN [ 22 ]

Una aplicación muy importante es la de determinar los

P(n ≤ 5) = p (0) + p(1) + p (2) + p (3) + p(4) + p(5)

Javier Sierra SIMULACIÓN [ 23 ]

Javier Sierra SIMULACIÓN [ 24 ]

Reemplazando el valor de N por T/dt y extrayendo el

Javier Sierra SIMULACIÓN [ 25 ]

La distancia de Poisson mide la ocurrencia de n eventos

Esta distribución permite modelar el número de llamadas

Distribuciones de probabilidad continuas

Son funciones matemáticas que permiten encontrar la

Javier Sierra SIMULACIÓN [ 28 ]

Es una expresión matemática que permite determinar la