SIMULACIN

Modelos estadsticos en simulacin

MODELOS ESTADSTICOS EN SIMULACIN

1. ndice
1. Introduccin
2. Valor esperado de una variable aleatoria
2.1. Variables discretas
2.2. Variables continuas
3. Medidas de dispersin
3.1. Variables discretas
3.2. Variables continuas
4. Distribuciones de probabilidad discreta
5. Procesos de Poisson
Distribuciones de probabilidad continua

2. Introduccin
El propsito del presente documento es presentar a los estudiantes los conceptos bsicos de
estadstica necesarios para desarrollar una simulacin de eventos discretos. La estadstica
ser una herramienta esencial para el soporte de la construccin del modelo, tanto al inicio
como al final del anlisis de resultados.

Por otra parte, teniendo en cuenta que el objetivo general del mdulo es que los estudiantes
desarrollen las capacidades necesarias para llevar a cabo un estudio completo de simulacin,
en esta unidad, se har un repaso de las principales funciones de probabilidad, tanto
continuas y discretas, que se emplean frecuentemente en la construccin de estos tipos de
modelo.
Finalmente, se presentar al estudiante una serie de ejercicios relacionados, para reforzar los
conocimientos adquiridos en el desarrollo del mdulo.

3. Objetivo general
Al finalizar el mdulo, los estudiantes sabrn cules son los conceptos bsicos de estadstica
relacionados con la simulacin de eventos discretos, as como, las principales funciones de
probabilidad discretas y continuas aplicadas en la construccin de este tipo de modelos.
Al finalizar la primera semana de aprendizaje:
1. El estudiante identificar los conceptos fundamentales de los modelos estadsticos
aplicados a la simulacin.
2. El estudiante reconocer las distintas funciones de probabilidad discreta utilizadas en
simulacin de eventos discretos.

[ POLITCNICO GANCOLOMBIANO]

El estudiante reconocer las distintas funciones de probabilidad continuas utilizadas en

simulacin de eventos discretos.

4. Desarrollo temtico

4.1 Recomendaciones acadmicas
Se recomienda al estudiante realizar la lectura de la cartilla, en la cual, se encuentra toda la
informacin relevante que se evaluar en la semana. Adicional, se recomienda revisar las
teleconferencias, as como las video diapositivas, pues estas son un medio que puede aclarar
las dudas generadas con la lectura o tambin dar soporte a los temas expuestos en la misma.
Finalmente, se recomienda al estudiante realizar los ejercicios planteados y sugeridos por el
tutor, ya que estos, a pesar de no tener un valor porcentual en la nota, si harn que su
formacin sea completa y pueda ser reforzada de forma prctica.

4.2 Desarrollo de cada una de las unidades temticas

1. Introduccin
A continuacin, se vern los conceptos bsicos relacionados con los modelos estadsticos
que sirven de soporte para un estudio en simulacin de eventos discretos.

Los conceptos que se trabajarn en este apartado son los relacionados con materias de
estadstica y probabilidad, que muy seguramente el lector ya ha cursado, sin embargo, con el
objetivo de tener una metodologa completa, se presentarn nuevamente los conceptos,
pero relacionados directamente a la herramienta de simulacin.

Dentro del contenido desarrollado en la cartilla, el estudiante podr encontrar informacin y
ejemplos especficos relacionados con los siguientes temas:

Valor esperado de una variable aleatoria

Medidas de dispersin para una variable aleatoria
Distribuciones de probabilidad discretas
Distribuciones de probabilidad continuas

El objetivo de realizar la revisin de estos temas es que para efectuar un proceso de

simulacin, los datos de entrada que alimentan el modelo siempre estarn descritos por una
funcin de probabilidad, conocida con el objetivo de modelar su aleatoriedad y
comportamiento propio. Por otra parte, en cuanto a lo que se refiere a los valores esperados
y medidas de dispersin, estos sern relevantes para que el estudiante realice el anlisis de
los resultados arrojados por el modelo propuesto a partir de estas medidas bsicas.

[ SIMULACIN ]

Ser el anlisis estadstico, entonces, un elemento fundamental que siempre deber

acompaar cualquier modelo de simulacin, ya que ambos se complementan, as el primero
dar soporte a los resultados encontrados por el segundo.
2. Valor esperado de una variable aleatorio
Ejemplo introductorio

Sea X una variable aleatoria (VA) que define el nmero de hijos en una familia colombiana.
Cul es el nmero esperado de hijos en una familia colombiana cualquiera?

Para responder a esta pregunta se necesita conocer la distribucin de probabilidad de la
variable aleatoria. Suponga que a partir de un estudio hecho por el DANE, se tiene la
siguiente informacin:

Nmero de hijos Proporcin de familias
0
5/30
1
15/30
2
9/30
3
1/30

De la anterior tabla se puede afirmar, por ejemplo, que el 5/30 16,66% de las familias no
tienen hijos, el 50% 15/30 tienen un solo hijo, y as sucesivamente. Esta tabla es la
distribucin de probabilidad de la VA denominada el nmero de hijos en una familia
colombiana. El posible nmero de hijos que puede tener cualquier familia es el rango de la
variable, definido as:

! ! = 0,1,2,3

La proporcin de familias que tienen su nmero respectivo de hijos representan la funcin de
distribucin de probabilidad de la variable, definida as:

5 15 9 1
g X =
, , ,

30 30 30 30

Luego, si se requiere obtener el valor esperado de hijos en una familia colombiana cualquiera
seleccionada al azar, basta con calcular la media ponderada as:

5
15
9
1
E X = 0
+ 1
+2
+3
= 1,2 hijos
30
30
30
30

En resumen, se tiene que para calcular el valor esperado de una variable aleatoria, se tiene:

[ POLITCNICO GANCOLOMBIANO]

2.1 Variable aleatoria discreta

Si X es una VA discreta con rango R(X), entonces el valor esperado se define como

X! g(X)!

E X =
!

2.2 Variable aleatoria continua

Si X es una VA continua con rango R(X), entonces el valor esperado se define como

X f X dX

E X =
!(!)

Ejemplo variable aleatoria continua

Sea X una VA continua definida con la siguiente funcin de distribucin de probabilidad:

!
!" ! = ; 0 ! 2
2

!
1
! !" =
2
2
!
! !
1 !
! ! =
2 3 !
8
! ! =
6

! ! =

! ! !"

3. Medidas de dispersin
Sea X una VA discreta o continua. La varianza y la desviacin estndar de la VA se definen
como

[ SIMULACIN ]

!"# ! = !(! ! ! )! = !!!
!! = !"# !

De acuerdo con esta definicin, la varianza se puede calcular a travs de la expresin:

3.1 Variable aleatoria discreta

!"# ! =

! !! (!! !)!

3.2 Variable aleatoria continua

!"# ! =

! ! (! !)! !"

!(!)

4. Funciones de distribuciones de probabilidad discretas:

A continuacin, se describen las distribuciones de probabilidad discretas ms utilizadas en
simulacin de eventos discretos.

4.1 Distribucin de Bernoulli
Es la ms elemental de las distribuciones discretas. Se dice que un experimento aleatorio es
un experimento de Bernoulli, si su espacio muestral o el rango que puede tomar la variable
consta de slo dos elementos, es decir xito, fracaso , falso, verdadero , etc.

Si X! es la variable asociada al experimento aleatorio de Bernoulli, y est definida por
X! E = 1, X! F = 0, entonces:

Rango X! = 0,1
P X! = 1 = p, P X! = 0 = 1 p

Por tanto, su funcin de probabilidad est dada por:

g X = p! (1 p)!!!

Su media y varianza estn dadas respectivamente por:

E X = p
Var X = p(1 p)

[ POLITCNICO GANCOLOMBIANO]

4.2 Distribucin geomtrica

Si se realizan, sucesivamente, experimentos independientes de Bernoulli de parmetro p, a la
variable aleatoria X = nmero de ensayos hasta obtener el primer xito, se le conoce como
una VA con distribucin geomtrica, cuya funcin de distribucin de probabilidad est dada
por

g X = (1 p)!!! p = !(! = !)

Su media y varianza estn dadas por

1
E X =
p
1p
Var X = !
p

Figura 1. Time between event. Fuente: Statit Solutions Group

4.3 Distribucin binomial
Si se hacen N experimentos independientes, cuyo resultado en cada ensayo puede ser
nicamente XITO (con probabilidad p) o FRACASO (con probabilidad 1-p), a la VA X: nmero
de xitos en los N ensayos, se le conoce como la VA Binomial, y su funcin de distribucin de
probabilidad se le conoce como Distribucin Binomial de parmetros N, p:

N !
g X =
p (1 p)!!! = P(X = k)
k

Su media y varianza, estn dadas respectivamente por:

[ SIMULACIN ]

E X = Np
Var X = Npq
Ejemplo

Un banco sabe que en su tarjeta de crdito el 30% de los clientes quedan con sobrecupo en
los cortes mensuales. Si se elige una muestra aleatoria de 10 clientes de dicha tarjeta:

a. Cul es la probabilidad de que cuatro exactamente tengan sobrecupo?
b. Cuntos clientes se esperaran que tengan sobrecupo?
c. Cul es la probabilidad de que ocho o ms de ellos tengan sobrecupo?

a. P X = 4 = !"
0,3! 0,7!
!

b. E X = 10 0,3 = 3

c. P X 8 = P X = 8 + P X = 9 + P(X = 10)

4.4 Distribucin binomial negativa
Consideremos el mismo tipo de experimento que se utiliz en la definicin de la VA X con
distribucin geomtrica, y definamos la VA Xp como el nmero de ensayos hasta obtener el
r-simo xito. Se dice que dicha VA tiene una distribucin de Pascal (tambin es llamada
Binomial Negativa) de parmetro r, r 1. Es claro que la VA as definida es una generalizacin
natural de la VA geomtrica mediante las siguientes expresiones:

!1 !
! ! =
! (1 !)!!! = ! ! = ! ! !
!1

Su media y varianza estn dadas por

!
! ! =
!
!(1 !)
!"# ! =

!!

Ahora bien, una vez revisados los conceptos de variables aleatorias discretas relevantes, es
importante conocer uno de los conceptos dentro de la simulacin que representa una
transicin entre las variables discretas y las variables continuas, esto es el Procesos Poisson
(distribucin discreta) y las distribuciones de probabilidad continuas ms aplicadas en
simulacin.

[ POLITCNICO GANCOLOMBIANO]

5. Proceso de Poisson
Ejemplo introductorio

En cierta oficina se quiere analizar un experimento aleatorio que consiste en observar cmo
se comportan las llegadas de los clientes con respecto al tiempo, en el sentido de ver la
llegada de un cliente como un evento puntual (el instante en que llega el cliente) que tiene
lugar a lo largo de tiempo. El tiempo lo podemos representar a travs de la recta real y las
llegadas como puntos de dicha recta, as:

Respecto a dicho proceso (el experimento aleatorio), se puede definir la VA Xp para un
intervalo de tiempo de longitud t como:
Xp(t) = nmero de arribos (llegadas) en el intervalo de tiempo de longitud t.

Sea t un intervalo de tiempo dado, arbitrario pero fijo, y se quiere examinar la VA definida
anteriormente y deducir su distribucin, es decir:

! !! = !; !, ! = ! !"! !"#$%#&!'%! ! !!"#$%$& !" !" !"#$%&'() !

Se divide el intervalo de magnitud t en N intervalos de magnitud t/N, de tal manera que t/N
sea tan pequeo como sea necesario para cumplir los supuestos del modelo.

El evento B de que hayan exactamente n llegadas del proceso en el intervalo de tiempo t,
es equivalente al evento de obtener exactamente n xitos en los N experimentos
independientes de Bernoulli que consisten en observar, si hay o no, una llegada del proceso
en el intervalo de tiempo de longitud t/N.

La probabilidad de tener xito (que haya una llegada) en cada uno de estos experimentos de
!
Bernoulli es ! = ! ! .
Es decir, se tienen N experimentos independientes de Bernoulli, donde la probabilidad del
evento B est dada por
!"
! ! = !(!! = !; !; )
!

Tomando el lmite de esta expresin cuando N tiende a infinito, se obtiene:

[ SIMULACIN ]

!" ! !!"
! ! ! = ! = !! ! , !; !, ! =
! , ! = 0, 1, 2, .
!!

El nmero de eventos que suceden hasta el tiempo t se distribuyen de manera Poisson con
parmetro .

Este tipo de procesos cumple con los supuestos de estacionariedad:

- El valor esperado de las variables aleatorias no depende del tiempo.
- Las varianzas tampoco dependen del tiempo y son finitas.

El tiempo entre eventos es independiente e idnticamente, distribuido como una variable
aleatoria exponencial con media 1/. Esta propiedad es de suma importancia para el modelaje
de procesos en simulacin, ya que buena parte de los modelos tericos y empricos asumen
las entradas a un sistema con tiempos exponenciales, lo que quiere decir que dichas llegadas
se comportan como Procesos de Poisson.

6. Distribuciones de probabilidad continuas
A continuacin, se presentarn las distribuciones de probabilidad continuas ms empleadas
en el modelaje de sistemas a travs de la simulacin de eventos discretos, aunque existe otro
tipo de distribuciones que tambin pueden emplearse, aqu solo presentaremos las ms
relevantes.

6.1 Distribucin exponencial
Considrese un Proceso de Poisson de parmetro observado a partir de un instante t0, y
defnase la VA continua XE como

XE = tiempo que transcurre entre el instante t0 y la prxima llegada del proceso

La funcin de distribucin acumulada, F(X) de la VA XE estar dada por:

!!! !; ! = ! !! ! = 1 ! !! > !
!!! !; ! = ! !! ! = 1 !(!"! 0 !!"#$%$& !" !" !"#$%& !
!" ! !!"
!!! !; ! = ! !! ! = 1
!
0!
!!! !; ! = ! !! ! = 1 ! !!"

Por lo tanto, la funcin de distribucin acumulada de la VA exponencial se expresa como

10

[ POLITCNICO GANCOLOMBIANO]

!!! !; ! = ! !! ! = 1 ! !!" ! > 0

Se sabe que la funcin de distribucin de probabilidad de una VA continua se obtiene
calculando la derivada de la funcin de distribucin acumulada. Por lo tanto, dicha funcin,
fXE(t; ) se expresa com

!!! !; ! = !! !!" ! > 0

Su media y varianza estn dadas por
1
! ! =
!
1
!"# ! = !
!

Figura 2. Distribucin exponencial. Fuente: Statit Solutions Group

Ejemplo
Suponga que la vida til de una lmpara industrial, en miles de horas, se distribuye
exponencialmente con tasa de falla =1/3 (una falla cada 3000 horas, en promedio).

La probabilidad de que la lmpara dure ms de esta vida til est dada por

! ! > 3 = 1 ! ! 3

[ SIMULACIN ]

11

En Excel, se busca la funcin DISTR.EXP, con parmetros: X=3; =1/3; Acumulado = 1. El

resultado de esta funcin sera de 0,632; luego la probabilidad de que la lmpara dure ms
que la vida til diseada es de 1-0,632 = 0,368.

6.2 Distribucin uniforme
Una VA X se distribuye, uniformemente, en el intervalo (a, b) si su funcin de distribucin de
probabilidad est dada por

1
! ! = ! ! , ! ! !
0, !. !. !.

La funcin de distribucin acumulada est dada por

0 ! < !
!!!
F(X) = !!! ! ! < !

1 ! !

Su media y varianza, estn dadas respectivamente por

!+!
! ! =

2
(! !)!
!"# ! =

12

La distribucin uniforme juega un papel importante en simulacin. Los nmeros aleatorios,
distribuidos uniformemente entre 0 y 1, proveen los medios bsicos para generar eventos
aleatorios. Estos nmeros aleatorios se usan para generar muestras de variables aleatorias
de otras distribuciones de probabilidad.

12

[ POLITCNICO GANCOLOMBIANO]

6.3 Distribucin Normal

Considrese la VA binomial XB, definida por el lanzamiento de una moneda 15 veces. Si se
grafica la probabilidad de obtener 0,1,2,,15 caras, se obtiene la siguiente grfica

Se puede demostrar, en efecto, que si se realizan N experimentos independientes de
Bernoulli de parmetro p, para un valor de N suficientemente grande, se obtiene:



La aproximacin anterior dio lugar a la definicin de una VA continua conocida como la
distribucin Normal de parmetros y , cuya funcin de probabilidad est dada por


Esta expresin no se puede evaluar mediante mtodos numricos tradicionales; de hecho
estos mtodos se podran aplicar pero la integral debera evaluarse para cada par (, ). Sin
embargo, una transformacin de variables, z = (x- )/ , permite la evaluacin de esa integral,
independiente de dichos valores.

Si !~! !, ! , !"# ! = (! !)/!, para obtener:


x

F ( x) = P( X x ) = P Z

z
1 t 2 / 2
( x ) /

1 z2 / 2
donde ( z ) =
e
dt
=
e
dz

2

( x ) /

=
( z )dz = ( x )

La funcin (z) es la funcin de distribucin de probabilidad de una VA normal con media
cero y varianza 1. A esta distribucin se le conoce como la distribucin normal estndar, y ha
sido tabulada en distintos formatos para una mejor comprensin y resolucin de situaciones
que involucren VA normales.

[ SIMULACIN ]

13

Dentro de los recursos adicionales encontrar la tabla donde se resumen los valores que
toma la distribucin normal estndar.

Ejemplo
El tiempo requerido en horas para cargar un container se distribuye normalmente con media
= 12 y varianza = 4. La probabilidad de que el container se cargue en menos de 10 horas,
estara dada por

10 12
F (10) =
= (1) = 0.1587
2

14

[ POLITCNICO GANCOLOMBIANO]