Академический Документы
Профессиональный Документы
Культура Документы
ALEATORIAS PARA LA
SIMULACIÓN
Introducción
■ Una de las aplicaciones de la simulación surge en aquellas situaciones en
las que se requiere un cierto método de muestreo estocástico
■ Tal puede ser el caso con los datos obtenidos con las fallas de la
maquinaria en una industria
■ Ejemplo:
– por lo general:
■
Debido
a estas características, las variables aleatoria deben cumplir las reglas
de distribución de probabilidad :
■ La suma de las probabilidades asociadas a todos los valores posibles de la
variable aleatoria x e s uno.
■ La probabilidad de que un posible valor de la variables x se presente
siempre es mayor que o igual a cero.
■ El valor esperado de la distribución de la variable aleatoria es la media
de la misma, la cual a su vez estima la verdadera media de la población.
■ Si la distribución de probabilidad asociada a una variable aleatoria está
definida por más de un parámetro, dichos parámetros pueden obtenerse
mediante un estimador no sesgado.
Ejemplo:
La varianza de la población puede ser estimada usando la varianza de
una muestra que es .
La desviación estándar de la población , puede estimarse mediante la
desviación estándar de la muestra s.
Tipos de variables aleatorias
■ Otro del tiempo que tarda en ser atendido una persona, nuestra
investigación arrojaría resultados como 1.54 minutos, 0.028 horas o 1.37
días, es decir, un comportamiento similar al de las distribuciones de
probabilidad continuas.
■ Otro del tiempo que tarda en ser atendido una persona, nuestra
investigación arrojaría resultados como 1.54 minutos, 0.028 horas o 1.37
días, es decir, un comportamiento similar al de las distribuciones de
probabilidad continuas.
■ .
Ejemplos
■ Comportamiento asociado a una distribución de Bernoulli.
Si nuestro propósito al analizar un muestreo de calidad consiste
en decidir si la pieza bajo inspección es buena o no, estamos
realizando un experimento con 2 posibles resultados: la pieza es
buena o la pieza es mala.
■ Comportamiento a una distribución de Poisson.
si lo que queremos es modelar el número de usuarios que
llamarán a un teléfono de atención a clientes
■ Distribución empírica
Si el comportamiento de la variable no se pareciera a otras
distribuciones de probabilidad conocidas.
Es perfectamente válido usar una que se ajuste a las condiciones
reales de probabilidad.
Esta distribución puede ser una ecuación o una suma de términos
que cumpla con las condiciones necesarias para ser considerada
una distribución de probabilidad.
Variables aleatorias continuas
la uniforme continua,
la exponencial
la normal,
la de Weibull,
la Chi-cuadrada y
Erlang
*
Ejemplos
■ Es posible que el tiempo entre llegadas de los clientes a un
sistema tenga una distribución de probabilidad muy semejante a
una exponencial, o que el tiempo que le toma a un operario
realizar una serie de tareas se comporte de manera muy similar a
la dispersión que presenta una distribución normal.
– Transformada inversa.
– Convolución.
– Aceptación rechazo.
– Directo.
Distribuciones continuas:
■ Se presentan las expresiones para generar variables aleatorias
con las distribuciones de probabilidad más usuales.
Distribución uniforme
■ Obtenida a partir del método de la transformada inversa.
x a (b a ) RNDi
■ donde:
Distribución exponencial
■ Obtenida a partir del método de la transformada inversa.
1
x ln(1 RNDi )
■ donde:
Distribución normal
■ Obtenida a partir del método directo:
x ( 2 ln(1 RNDi ) ) cos( 2 RNDi 1 )
■ donde:
Distribución Erlang
■ Obtenida a partir del método de convolución:
1 k
x ln RNDi
k i 1
■ donde:
Distribución Weibull
x ln(1 RNDi )
■ donde:
Distribución Gamma
■ Obtenida a partir del método de convolución.
1 k
x ln RNDi
k i 1
■ donde: