Documente Academic
Documente Profesional
Documente Cultură
[ POLITCNICO GANCOLOMBIANO]
[ SIMULACIN ]
[ POLITCNICO GANCOLOMBIANO]
E X =
!
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
!"# ! =
! ! (! !)! !"
!(!)
[ POLITCNICO GANCOLOMBIANO]
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]
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
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]
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]