You are on page 1of 45

Universidad Nacional de Ingeniera

Facultad de Ingeniera Industrial y de Sistemas

Simulacin de Sistemas

Mg(c). Csar Pacheco Vera


cesarpacheco17@gmail.com
Contenido
1. Generacin de procesos aleatorios.
2. Mtodo de la transformada inversa.
3. Generacin de Procesos con
Distribuciones de Probabilidad
convencionales
Objetivos

1. Generar procesos aleatorios a


partir de funciones de
distribucin de probabilidad
estadsticos.
2. Discutir los mtodos
fundamentales para la
generacin de observaciones
variables aleatorias.
3. Aplicarlos a diferentes casos.
ca ntidad
a
i m itar l n a la
po demos u e llega s
Cmo lientes q mo podemo icio
de c
ci n ? C o de serv
esta l t iemp aja en
r e rab
ep resenta nal que t sa
r erso pre
del p uestra em
n
1. Generacin de observaciones de
variables (datos) aleatorias
Dado que existen varios mtodos para la
generacin de observaciones de variables
aleatorias, a continuacin se indican
algunos factores que pueden influir en la
decisin de usar uno u otro mtodo en
determinado estudio de simulacin:
Exactitud. Es deseable que el algoritmo
proporcione en la medida de lo posible
(dadas las limitaciones de precisin del
ordenador, la inexactitud del generador
de nmeros aleatorios, etc.)
observaciones de la variable aleatoria
con exactamente la distribucin deseada.
En la actualidad existen algoritmos con
esta propiedad para la mayora de las
distribuciones comnmente usadas.

Eficiencia. Es deseable que el algoritmo


sea de ejecucin rpida, y que no
requiera de un gran espacio de memoria.
Complejidad. Es deseable que la
comprensin conceptual del algoritmo, y
su programacin, no resulten
extremadamente complejos.

Robustez. Es deseable que el algoritmo


sea igualmente eficiente para cualquier
valor admisible de los parmetros de la
distribucin.
1.1. Mtodo de la transformada
inversa
La exposicin de los fundamentos del
mtodo se ha estructurado en funcin del
tipo de distribucin de la variable
aleatoria. De esta forma, se han
distinguido tres casos: Distribuciones
continuas, Distribuciones continuas
truncadas, y Distribuciones discretas.
El objetivo es generar observaciones de
una variable aleatoria continua, X, cuya
probabilidad acumulada, FX(x), es una
funcin continua y estrictamente creciente
para todos los valores de x tales que 0 <
FX(x) <1. El mtodo de la transformacin
inversa consiste de los siguientes pasos:

1. Generar un nmero seudo aleatorio, u.


2. Devolver x = Fx1(u), donde Fx1 es la
funcin inversa de FX.
Caso 1.Hallar los respectivos
generadores de nmeros aleatorios de las
siguientes f.d.p

a)

b)
1. Distribuciones empricas continuas
En el caso de las distribuciones
empricas continuas, el procedimiento de
definicin depende de si se dispone de
las observaciones originales, o bien si
slo se dispone de los datos agrupados
(es decir, del nmero de observaciones
que caen dentro de cada uno de una serie
de intervalos en que se divide el rango
de la variable aleatoria).
Figura 1. Distribuciones empricas construidas a
partir de datos individuales (izqda.) y de los datos
agrupados (drcha.)
1. En primer lugar, deben hallarse los
intervalos de confianza del conjunto
de datos, con sus respectivas
frecuencias.
2. A continuacin, se define el valor de
x en funcin de la acumulada de la
siguiente forma:

APLICACIN
Los siguientes datos representa la
cantidad de cajas de atn vendidas por
semana. Cada caja se vende a 50 soles. El
costo de produccin es de 15 soles por
caja. 32 55 75 30 39 59 59
88 53 44 43 89 55 60
45 35 72 75 91 82 91
90 48 27 28 56 100 40
84 94 81 53 30 79 26
23 46 83 27 21 38 29
40 69 79 88 47 42 74

Simule la venta de atn para 10 semanas y


determine la utilidad promedio semanal.
Use
Si son datos discretos que tienen su
respectiva frecuencia, se considera el
intervalo de la acumulada donde cae ui, y
el valor de x, sera la respectiva
frecuencia.
APLICACIN
Los siguientes datos indica la cantidad
de autos que llegan a una playa de
estacionamiento. La capacidad mxima del
estacionamiento es de 3 autos por da
2 0 2 1 2 1 2
2 1 0 3 1 1 0
3 0 2 2 3 1 1
0 3 0 3 0 1 0
3 2 3 3 2 2 1
1 3 2 3 2 3 2
0 2 2 1 1 0 3
Simule 10 das de servicio y determine
las caractersticas del mismo. Use
0.06 0.76 0.68 0.11 0.79 0.96 0.53
0.76 0.77 0.53 0.96 0.86 0.30 0.40
0.79 0.15 0.66 0.95 0.74 0.93 0.52
1.1. Distribucin Uniforme

Quiz la funcin de densidad de


probabilidad ms simple es aquella que se
caracteriza por ser constante, en el
intervalo (a, b) y cero fuera de el. Esta
funcin de densidad define la
distribucin conocida como uniforme.
Matemticamente, la funcin de densidad
uniforme se define como sigue:
La funcin de la distribucin acumulada
FX(x), para una variable aleatoria X
uniformemente distribuida se representa
por:

Como u=Fx(x)=

Entonces, aplicando la inversa tenemos, el


generador Nmeros aleatorios
u u
Figura. Variables aleatorias uniformes.
APLICACIN

El tiempo promedio de servicio en la


ventanilla de un banco es U(1,4). Genere
el tiempo de atencin de 10 clientes y
obtenga el tiempo promedio de servicio en
la ventanilla.
1.2. Distribucin Exponencial

Se dice que una variable aleatoria X


tiene una distribucin exponencial, si se
puede definir a su funcin de densidad
como:

con >0 y x0. La funcin de distribucin


acumulada de X sta dada por:
Entonces

En consecuencia

Por consiguiente, para cada valor del


nmero aleatorio u se determina un nico
valor para x. Los valores de x toman tan
slo magnitudes no negativas.
Figura. Variables aleatorias exponencial.
APLICACIN

El tiempo promedio de llegada de clientes


a un servicio de reparacin y
mantenimiento de autos es cada E(20).
Genere el tiempo de atencin de 10
clientes y obtenga el tiempo promedio de
arribos.
1.3. Distribucin Normal

La ms conocida y ms ampliamente
utilizada es sin duda la distribucin
normal y su popularidad se debe cuando
menos a dos razones que presentan sus
propiedades generales. Las pruebas
matemticas nos sealan, que bajo ciertas
condiciones de calidad, resulta
justificado que esperamos una
distribucin normal mientras que la
experiencia estadstica muestre que, de
hecho, muy a menudo las distribuciones se
aproximan a la normal.
la funcin de distribucin recibir el
nombre de distribucin normal estndar,
con funcin de densidad:

Del cual podemos generar variables


aleatorias normalmente distribuidas

Considerando K nmeros aleatorios


Figura. Variables aleatorias normales.
APLICACIN

El nmero de clientes que llega por da a


un cajero automtico del banco de la
nacin se da mediante N(20,9). Genere el
nmero de clientes para diez das y
obtenga el promedio de clientes por da.
Considere K=2.
1.4. Distribucin Logartmica Normal

Si el logaritmo de una variable aleatoria


tiene una distribucin normal, entonces
la variable aleatoria tendr una
distribucin continua sesgada
positivamente, conocida con el nombre de
distribucin logartmica normal.
Frecuentemente se hace uso de esta
distribucin para describir procesos
aleatorios que representan al producto de
varios eventos pequeos e independientes.
Donde

y
Figura. Variables aleatorias logartmicas normales.
APLICACIN

El nmero de clientes que llega por da a


un cajero automtico del banco de la
nacin se da mediante los datos mostrados
en la siguiente tabla. Genere el nmero
de clientes para diez das y obtenga el
promedio de clientes por da. Use el
siguiente generador.
0.54 0.77
32 55 75 30 39 59 59 0.57 0.23
0.80 0.94
88 53 44 43 89 55 60 0.15 0.87
45 35 72 75 91 82 91 0.62 0.91
90 48 27 28 56 100 40 0.94 0.27
0.97 0.71
84 94 81 53 30 79 26 0.13 0.28
23 46 83 27 21 38 29 0.46 0.56
40 69 79 88 47 42 74 0.55 0.02
2. Distribuciones de probabilidad
Discretas

2.1. Distribucin Geomtrica

Entre las primeras y probablemente ms


simples de las formulaciones matemticas
de procesos estocsticos, se encuentra la
llamada de ensayos de Bernoulli. Estos
ensayos son experimentos independientes
al azar, en los que el resultado de cada
ensayo queda registrado, ya sea como un
xito o un fracaso. La probabilidad de
xito se denota por p (0 p 1).
La distribucin geomtrica queda descrita
por la siguiente funcin de probabilidad:

Consecuentemente

donde al valor x siempre se le redondea


al entero que sea menor. Esto se puede
lograr de manera muy simple con slo
retener los nmeros hasta antes del punto
decimal.
2.2. Distribucin Binomial Negativa

Cuando los procesos de ensayos de


Bernoulli, tal como se han descrito en la
seccin anterior, se repiten hasta lograr
que ocurran k xitos (k>1), la variable
aleatoria que caracteriza al nmero de
fallas tendr una distribucin binomial
negativa. La funcin de distribucin de
probabilidad para una distribucin
binomial negativa est dada por:
En consecuencia:

Para una media y una varianza dados, k es


un entero determinado por

con
APLICACIONES

Genera 10 datos aleatorios usando cada


una de las distribuciones previas. Use
los siguientes nmeros aleatorios.
2.3. Distribucin de Bernoulli

A partir de la distribucin de las


variables aleatorias de Bernoulli:

Su media es:

para x=0,1

Se calculan las probabilidades para x=0 y


x=1, para obtener:

0 1
Si acumulamos los valores de p(x)
obtenemos:
0 1

Al generar los nmeros pseudoaleatorios


se aplica la regla:

Su distribucin acumulada es:

La media de la distribucin de Bernoulli


es p y su varianza p(1-p)
APLICACIONES

Los datos histricos sobre la frecuencia


de paros de una mquina muestran que
existe una probabilidad de 0.2 de que
sta falle (x=1) y de 0.8 de que no falle
(x=0) en un da determinado. Genere una
secuencia aleatoria que simule este
comportamiento para 40 das con los
nmeros aleatorios dados y elabore un
cuadro resumen.
2.4.Distribucin Poisson
El frances Simeon-Dennis Poisson
descubri una funcin de distribucin de
probabilidad discreta que parte de un
frecuencia de ocurrencia media y que se
dedica al estudio del nmero de eventos
que se logran durante un cierto periodo
de tiempo

Funcin de Densidad:
Funcin de Distribucin Acumulada:

Parmetro: es un nmero entero


Media y Varianza:
Algoritmopara generar la variable en un
distribucin de Poisson

Iniciamos haciendo x = 0, y generar un


aleatorio ri

Paso 1. Calcular p(x)


Paso 2. Si p(x) , entonces hacer x=x+1, y
regresar al paso 1.
Si p(x) , entonces la variable generada
esta dada por: x = 0.
El proceso se repite hasta que la
sumatoria de p(x) sea igual a 1.
Luego generar las variables de Poisson,
en relacin a ri segn corresponda
APLICACIONES

El nmero de piezas que entran a un


sistema de produccin sigue una
distribucin de Poisson con media de 2
piezas/hr. Simule el comportamiento de la
llegada de piezas al sistema en 40 horas.
id a
l a v
mo s
e
Cuid