Modelacin

Simulacin

Unidad 2
Simulacin de sistemas
discretos

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

Agenda
2.3 Variables
Aleatorias

2.3.1 Definicin
- Discretas
- Continuas

2.3.2 Tipo de
distribucin

- Chi cuadrada
- Kolmogorov - Smirnov
- Anderson - Darling

2.3.3 Ejemplo

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

2.3.1 Variables
aleatorias
Discretas y continuas

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.1 Variables Aleatorias

Definicin:
Son aquellas que tienen un
comportamiento probabilstico de la
realidad.
Ej:
El nmero de clientes que llegan cada hora a un
banco depende del momento del da, del da de la
semana y de otros factores: por lo general, la
afluencia de clientes ser mayor al medioda que
muy temprano por la maana; la demanda ser
ms alta el viernes que el mircoles; habr ms
clientes un da de pago que un da normal, etc.
Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.1 Tipos de variables

aleatorias
Aleatorias Discretas
Representan eventos en los que los
cambios en los valores que puede tomar
la variable son especficos de una
distribucin discontnua.
Aleatorias Contnuas
Representan eventos en los que los
cambios en los valores que puede tomar
la variable son contnuos y sin saltos.

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.1 Variables Discretas

Parmetros:

P( x) 0

p
i 0

1
b

P (a x b) pi pa ... pb
i a

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

2.3.1 Variables Contnuas

Parmetros:

P( x) 0

f ( x) 1

P(a x b) P(a x b) F ( x) f ( x)dx

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

2.3.1 Distribuciones
contnuas y discretas
Para mayor informacin y explicacin de
las funciones de distribucin, utilice el
siguiente enlace:
Dist. Discretas:
http://www.aulafacil.com/CursoEstadisti
ca/Lecc-27-est.htm
Dist. Contnuas:
http://www.docentesinnovadores.net/Ar
chivos/5734/DISTRIBUCIONES%20C
ONTINUAS.pdf

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

2.3.2 Tipo de
distribucin de un
conjunto de datos
Procedimiento para determinar el tipo de
distribucin

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.1.3 Determinacin de la
distribucin de probabilidad
La distribucin de probabilidad de los
datos es posible determinarla a travs
de varios mtodos, a partir de los datos
histricos con los que se cuenta.
La idea es determinar la distribucin que
mejor
representa
dichos
datos
histricos. Dentro de los mtodos
estn:
Chi-Cuadrada,
KolmogorovSmirnov y Anderson-Darling.

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.2 Chi-Cuadrada
Se trata de una prueba de hiptesis
a partir de datos, basada en el
clculo de un valor llamado
estadstico de prueba, al
cual
suele comparrsele con un valor
conocido
como
valor
crtico,
mismo
que
se
obtiene,
generalmente,
de
tablas
estadsticas.
Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.2 Chi-Cuadrada
Procedimiento
Obtener al menos 30 datos de la variable aleatoria a
analizar.
Calcular la media y varianza de los datos.
Crear un histograma de m=n intervalos, y obtener la
frecuencia observada en cada intervalo Oi
Establecer explcitamente la hiptesis nula, mediante
una distribucin de probabilidad que se ajuste a la
forma del histograma.
Calcular la frecuencia esperada, Ei, a partir de la funcin
de probabilidad propuesta. Ei= n * p(x)
Calcular el estadstico de prueba

( Ei Oi ) 2
X
Ei
i 1

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2
0

2.3.2 Chi-Cuadrada
Procedimiento
Definir el nivel de significancia de la prueba, , y
determinar el valor crtico de la prueba, X2 , m-k-1 (k
es el nmero de parmetros estimados en la
distribucin propuesta).
Comparar el estadstico de prueba con el valor crtico.
Si el estadstico de prueba es menor que el valor
crtico no se puede rechazar la hiptesis nula.

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

2.3.2 Ejemplo
Nmero de automviles que entran por hora a
una gasolinera.

Ing. Adolfo E. Galn, M.Ed. | aegalanp@correo.url.edu.gt

2.3.2 Ejemplo
Datos de nmero de automviles que entran a una gasolinera cada hora:
14
7
13
13
16
13
13
15
10
15
16
14
13
20
8
17
19
11
20
10
18
15
13
16
12
14
20
15
10
13
n
m

50
7.07
14.98
13.20

Ho:
H1:

14
12
12
24
21

17
17
17
18
23

15
14
9
16
15

16
12
18
18
18

Poisson (=15) automviles/hora

15
Otra distribucin

Intervalo
Inf.

Cond. Inf.

Sup.

Cond. Sup.

Oi

0
8
10
12
14
16
18
20
22
24
25

>=0
>=8
>=10
>=12
>=14
>=16
>=18
>=20
>=22
>=24
>=25

7
9
11
13
15
17
19
21
23
25
100

<=7
<=9
<=11
<=13
<=15
<=17
<=19
<=21
<=23
<=25
<=100

1
2
4
11
11
9
6
4
1
1
0
50

P(Inf)

0.0000
0.0194
0.0486
0.0829
0.1024
0.0960
0.0706
0.0418
0.0204
0.0083
0.0050

P(x) = P(Inf)
Ei = 50 * P(x)
+ P(Sup)
0.0104
0.0104
0.5185
0.0324
0.0519
2.5926
0.0663
0.1149
5.7449
0.0956
0.1785
8.9233
0.1024
0.2049
10.2436
0.0847
0.1808
9.0385
0.0557
0.1264
6.3180
0.0299
0.0717
3.5837
0.0133
0.0336
1.6821
0.0050
0.0133
0.6640
0.0000
0.0050
0.2490
0.9912
49.5582

P(Sup)

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt

Error

0.4471
0.1354
0.5300
0.4833
0.0559
0.0002
0.0160
0.0483
0.2766
0.1700
0.2490
2.4118

2.3.2 Ejemplo
Como X20.05,11-0-1 = 18.307 (obtenido de la
tabla), entonces no se puede rechazar la
hiptesis de que la variable aleatoria tiene
una distribucin de Poisson, con media 15
automviles/hora.

Ing. Adolfo E. Galn, M.Ed. aegalanp@correo.url.edu.gt