GENERAR VARIABLES

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

– Aunque la toma de una muestra resulta imposible o económicamente

impracticable.

■ Tal puede ser el caso con los datos obtenidos con las fallas de la
maquinaria en una industria

– No se dispone de archivos precisos, relativos a la historia de una o

varias maquinas en particular;

– La información no conocida sobre la demanda para cierta fecha futura

que tendrá algún producto de una compañía.
Introducción
■ En muchos casos estos datos estadísticos son imposibles de obtener

– Sin embargo, se pueden suponer ciertos comportamientos respecto a la

población en la que se originan los datos, esto es la esencia de la
simulación; es decir, realizar un análisis del tipo “que pasa si…”.

■ En la generación de estadísticas simuladas:

– Los valores de las variables aleatorias, tienen una naturaleza

estocástica

– Y debe soportarse por números aleatorios.

Definición de variable aleatoria

■ Un modelo de simulación permite lograr un entendimiento de

cualquier sistema.

■ Obtener la aproximación a la realidad se consigue componiendo el

modelo con base en variables aleatorias que interactúen entre
sí.

■ ¿cómo podemos determinar qué tipo de distribución tiene una

variable aleatoria?,

■ ¿cómo podemos usarla en el modelo una vez que conocemos su

distribución asociada?

■ Los métodos y las herramientas dan respuesta a estas

interrogantes para la generación del modelo.
Definición de variable aleatoria

■ Las variables aleatorias son aquellas que tienen un

comportamiento probabilístico en la realidad.

■ Ejemplo:

– el número de clientes que llegan cada hora a un banco

depende del momento del día, del día de la semana y de otros
factores:

– por lo general:

 la afluencia de clientes será mayor al mediodía que muy

temprano por la mañana;

 la demanda será más alta el viernes que el miércoles;

 habrá más clientes un día de pago que un día normal, etc.

Reglas de distribución de probabilidad

■
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

■ Podemos diferenciar las variables aleatorias de acuerdo con el tipo de

valores aleatorios que representan.

■ Ejemplo: el número de clientes que solicitan cierto servicio en un periodo

de tiempo determinado, podríamos encontrar valores tales como 0, 1, 2, ...,
n, es decir, un comportamiento como el que presentan las distribuciones
de probabilidad discretas.

■ 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.

■ Si consideramos lo anterior podemos diferenciar entre variables

aleatorias discretas y las continuas.
Tipos de variables aleatorias

■ Podemos diferenciar las variables aleatorias de acuerdo con el tipo de

valores aleatorios que representan.

■ Ejemplo: el número de clientes que solicitan cierto servicio en un periodo

de tiempo determinado, podríamos encontrar valores tales como 0, 1, 2, ...,
n, es decir, un comportamiento como el que presentan las distribuciones
de probabilidad discretas.

■ 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.

■ Si consideramos lo anterior podemos diferenciar entre variables

aleatorias discretas y las continuas.
Variables aleatorias discretas

■ Este variables deben cumplir

con estos parámetros:

■ Distribuciones discretas de probabilidad son:

 la uniforme discreta
 la de Bernoulli
 la hipergeométrica
 la de Poisson y
 la binomial.
■ Podemos asociara estas u otras distribuciones de probabilidad
el comportamiento de una variable aleatoria.
Distribución de probabilidad de una variable aleatoria discreta

■ .
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

■ Las variables se representan mediante una ecuación que se conoce

como función de densidad de probabilidad.
■ Cambiamos el uso de la sumatoria por la de una integral para
conocer la función acumulada de la variable aleatoria.
■ Las variables aleatorias continuas deben cumplir los siguientes
parámetros.
Las distribuciones de probabilidad continuas :

 la uniforme continua,

 la exponencial

 la normal,

 la de Weibull,

 la Chi-cuadrada y

 Erlang

■ De la misma forma que en las distribuciones discretas, algunos

procesos pueden ser asociados a ciertas distribuciones.
Distribución de probabilidad de una variable aleatoria continua

*
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.

■ Debemos hacer notar que este tipo de distribuciones tienen sus

desventajas, ya que el rango de valores posibles implica que
existe la posibilidad de tener tiempos entre llegada de clientes
infinitos o tiempos de ensamble infinitos» situaciones lejanas a
la realidad.

■ Es muy poco probable de se presenten este tipo de eventos,

aunque el analista de la simulación debe estar consciente de cómo
Métodos para generar variables aleatorias
■ Existen varios métodos para generar variables aleatorias:

– 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

■ Obtenida a partir del método de la transformada inversa.

x        ln(1  RNDi )

■ donde:
Distribución Gamma
■ Obtenida a partir del método de convolución.

1  k 
x ln   RNDi 
k    i 1 

■ donde: