FACULTAD DE INGENIERIA INDUSTRIAL

ESCUELA PROFESIONAL DE INGENIERIA INFORMATICA

CURSO

ALUMNO

: SIMULACIN DE SISTEMAS

: ORTIZ CORDOVA LEVI

PIURA PERU
2016

ndice
pg.
Esquema del contenido
procesos uniformes3
Procesos exponenciales.4
Proceso Erlang.5

Procesos normales o gaussianos6

Procesos Bernoulli7
Procesos binomiales..8
Procesos geomtricos..9
Procesos pascalianos..10
Bibliografa.12

Generacin de procesos estocsticos continuos especiales

Funcin de densidad: f(x)
Media: E(x)
Varianza: V(x)

1) Procesos uniformes
1

axb

f (x) =
0
;
otro caso
La media y la varianza de esta distribucin son:
E(x)=

+
2

; v(x)=

() 2
12

Si deseamos encontrar valores aleatorios de esta distribucin se puede realizar

utilizando el mtodo de la transformada inversa
x

F(x)=

1
dx
b

a
a

f ( x)dx

a
x

F(x)=

F(x)= =

r= entonces r (b-a)=x-a
x=a+ (b-a) r
Ejemplo
La temperatura de una estufa se comporta uniformente dentro del rango 95C a 100C a travs
de una lista de nmeros pseudoaleatorios modele el comportamiento de la variable aleatoria
que simula la temperatura dela estufa tome los valores pseudoaleatorios
0.48, 0.82, 0.69, 0.67, 0.00
Compare la esperanza media calculada con la simulada

x=95+ (100-95) ri
Tabla de simulacin

E(x)= (a+b)/2 = (95+100)/2

E(x)=97.5

2) Procesos exponenciales
Es usada extensivamente en modelos de colas es la nica distribucin continua que le permite
recordar el tiempo de un evento y se utiliza generalmente para modelar el tiempo entre
arribos sucesivos
Ejemplo
El tiempo entre fallas
Tiempo entre llegadas de clientes, etc.
La funcin de densidad de la distribucin exponencial es la siguiente

x0; 0x

f (x) =
0

otro caso; x<0

() = 0 ; V(x) = 0 ( )2
Despus de haber integrado obtenemos el siguiente generador
X=

ln(1)

()2

donde () = ; () =

Ejemplo
Los datos histricos de tiempo de servicio en la caja de un banco se comporta de forma
exponencial con () = 3 / una lista de nmeros pseudoaleatorios est definida
por
rn+1= (7rn+23)mod 59 a partir de estos datos simule el comportamiento de la variable aleatoria
para 5 nmeros pseudoaleatorios:
Asuma un valor inicial de 17
4

Tiempo de servicio
() = 3

1
=

X=3ln(1 )
Tabla de simulacin

El tiempo de arribo es de 1.89 minutos/cliente

3) Proceso Erlang:
Una variable aleatoria con distribucin Erlang es usada generalmente un modelos de colas
como una extensin de la exponencial
La funcin de probabilidad de la distribucin Erlang se define como
F(x)=

1
(1)!

K>0

K es un entero
Si k=1 entonces f(x)=
Su media y varianza estn definidas como
() =

, () =

Nota: la distribucin Erlang con parmetros ,k es la suma de k distribuciones exponencial

cada uno parmetros alfa es decir
Si x1, x2, x3.xk son variables exponenciales con parmetros alfa entonces la aleatoria Erlang se
podr con la suma
Generador ser

X= [=1(1 )]
Ejemplo
El tiempo de proceso de cierta pieza sigue una distribucin 3-Erlang con media de 8

considerando una lista de nmeros pseudoaleatorios estudia el comportamiento de la variable

aleatorio para 5 piezas
5

X: tiempo
Erlang estudia el tiempo

() =

K=3
3

8= entonces

() = 2

= 8

X=8 [ =1(1 )]
Nmeros speduoaleatorios tomar de nuestra tabla generada

Tabla de (1-ri)

=(1-ri)*(1-ri+1)*(1-ri+2); x=-(3/8)*ln ( )

Error=|8-0.75275|*100/8

4) Procesos normales o gaussianos

La distribucin normal es una distribucin de probabilidad muy popular en diferentes procesos
y no tiene una representacin inversa es decir no es posible expresar la distribucin acumulada
F(x) en forma explicita
Su funcin de densidad esta expresada por la siguiente relacin
() =

1(()/)2
2

Donde : media entonces E(x)=

2 : es la varianza entonces V(x)= 2
Se ha comprobado que utilizando una muestra de 12 nmeros la confiabilidad de los valores
aleatorios simulados es aceptable utilizando la siguiente relacin
X= + ( = 12
=1 6 ))
Ejemplo
El volumen de un lquido de refresco sigue una distribucin normal con media de 12 onzas y
varianza de 0.16 onzas cuadradas simule el comportamiento para el llenado de 5 botellas con
proceso normal
En este caso usar 60 nmeros pseudoaleatorios ya que 12 por 5 simulaciones

Tabla de simulacin

Generacin de procesos estocsticos discretos especiales

Experimento de Bernoulli
En general: acepta 2 valores 0 y 1

Si 0rip x=0 (xito)

7

P<ri1 x=1 (fracaso)

1) Procesos binomiales
Es un proceso en el que se repite n ensayos de Bernoulli donde cada ensayo tiene una
probabilidad de xito =p una variable aleatoria binomial es asociada al nmero de veces
que ocurre un evento (xito) en un conjunto de n ensayos de Bernoulli
La funcin de probabilidad para la distribucin se expresa como
() = ( ) (1 )
= 1, 2, 3,
Cuyos parmetros son n y p
n nmero de ensayos
p probabilidad de xito
Adems su media y varianza estn definidas por
() =
() = (1 )

Para simular un valor de variable aleatoria binomial es necesario simular n ensayos de

Bernoulli y contar el nmero de xitos
Diagrama de flujo
Inicio
B(n, p)
X0
I=1, n
Generador i

Fracaso

rip

Xx+1

Valor generado: valor actual de (x)

8

Fin
Ejemplo
Se lanza moneda 4 veces calcular la probabilidad de que salga ms caras que sellos
n=4, p=1/2, p=1/2
P(x>=3)=p(x=3)+p(x=4)
1

= (43 )(2)3 (1/2)1 +(43 )(2)4 (1/2)0 =0.3125 es la probabilidad

Tabla de simulacin

Por lo tanto x=5

2 Procesos geomtricos
Es un proceso en que se repite n ensayos de Bernoulli hasta que ocurre el primer xito donde
la probabilidad es p
La variable aleatoria x tiene la siguiente distribucin geomtrica
() = (1 ) , = 0,1,2,3 . .
Su media y varianza est dada por:
) =

1
, () = (1 )/2

Generador para un proceso geomtrico (mtodo de transformada inversa)

=

ln(1 )

Ejemplo lanzar un dado hasta que aparezca un 3

Tabla de simulacin

Como podemos observar para que salga un 3 lanzamos 10 veces el dado con una probabilidad
de 0.03230

3 procesos pascalianos (binomial negativa)

Son aquellos procesos en que los ensayos de Bernoulli se repiten hasta lograr k xitos (k>1)
Si k=1 seria geomtrico
La variable que caracteriza al nmero de intentos hasta que ocurre k xitos tiene la siguiente
distribucin de pascal
() = (+1
)() (1 )

, = 1, 2, 3, . .

Donde k: nmero de xitos en sucesin de k+x entonces

X: nmero de fallas que ocurre antes de tener k xitos
La media y varianza estn definidas como
) =

(1 )
, () = (1 )/2

P: es la probabilidad de xito en cada intento o ensayo de Bernoulli: por consiguiente un valor

de variable aleatoria con distribucin pascaliana se puede generar sumando k valores
generados de variables aleatorias con distribucin geomtrica
X: variable aleatoria generada pascaliana
=

=1 ()
ln (1)

Generador pascaliano

Ejemplo
Genere una variable aleatoria a partir del lanzamiento de un dado hasta que aparezca el
nmero 6 en 2 oportunidades
Utilice la distribucin pascaliana

10

P=1/6 q=5/6
K=2 por lo tanto
X=ln((0.00018)*(0.01504))/ln(5/6)
X=70.3
4 proceso de poisson
La distribucin de poisson est asociada a la ocurrencia de eventos discretos en intervalos de
eventos discretos en intervalos continuos (tiempo, distancias, volmenes, superficies, etc)
Se usa extensivamente en modelos de colas para modelar el nmero de llegadas en un
intervalo de tiempo
La probabilidad de x ocurrencias est dado por la siguiente funcin
() =

; = 0, 1, 2, . .

Donde : es nmero medio de ocurrencias por unidad de tiempo y su media y varianza son
iguales
() = () =
() = =0

Ejemplo
El nmero de clientes que llega a un banco est descrita por una distribucin poisson con una
media de 4 arribos cada media hora simule el arribo de los clientes sobre el arribo de los
clientes sobre el periodo de una hora
= 8

= 6
1 hora 6 clientes
X minutos 1 cliente

tiempo (t) = 10 minutos

11

Bibliogrfica
Simulacin (un enfoque prctico)
Ral Coss Bu

12