Simulación

Distribuciones para Simular

Javier Orlando Neira Rueda

Principales distribuciones de probabilidad:

Variable Aleatoria:

Si bien un experimento es cualquier proceso que genera

resultados bien definidos; entonces una variable aleatoria
es la descripción numérica del resultado de un
experimento.

Javier Orlando Neira Rueda

Principales distribuciones de probabilidad:

Ejemplos de variables aleatorias:

Javier Orlando Neira Rueda

Principales distribuciones de probabilidad:
Es necesaria una regla que pueda utilizarse para asignar un
valor numérico a cada uno de los resultados
experimentales.
Una posibilidad es establecer la variable aleatoria X=1 si el
resultado experimental es cara, y X=0 si el resultado
experimental es cruz.
Aunque los valores numéricos para X son arbitrarios, X es
una variable aleatoria porque describe los resultados
experimentales en forma numérica.

Javier Orlando Neira Rueda

Principales distribuciones de probabilidad:
Variable aleatoria discreta
Los valores posibles a tomar por parte de la variable son
finitos.
Debe cumplirse lo siguiente:
𝑓 𝑥 ≥0

෍𝑓 𝑥 = 1

Javier Orlando Neira Rueda

Principales distribuciones de probabilidad:
Variable aleatoria discreta:
Ejemplo:
Las ventas de Computadoras en un almacén de tecnología:
Si se quiere hacer un estudio sobre el volumen de ventas
diario de computadoras y se supone que X es una variable
aleatoria que denota la cantidad de computadoras
vendidas en un día determinado, en donde los registros
demuestran que 5 es el número de ventas máximo en un
día; entonces, el historial de ventas podría representar de
manera adecuada lo que ocurrirá en el futuro.
Javier Orlando Neira Rueda
Variable aleatoria discreta:
Ejemplo:
El histórico de ventas reporta un número total de días
(500) y la frecuencia de las ocurrencias de cada evento se
resumen en la siguiente tabla.
X #
Número de días en que no se vendió ninguna computadora 0 86
Numero de días en que se vendió una computadora 1 164
Numero de días en que se vendieron dos computadoras 2 134
Numero de días en que se vendieron tres computadoras 3 58
Numero de días en que se vendieron 4 computadoras 4 32
Numero de días en que se vendieron 5 computadoras 5 26
Total de Computadoras vendidas suma 500

Javier Orlando Neira Rueda

Variable aleatoria discreta:
Ejemplo:
Lo primero que se debe hacer es calcular la frecuencia
relativa para evaluar la probabilidad de que la variable
tome cada una de las posibles respuestas.
Por ejemplo, dado que 86 días de los 500 días evaluados
no se vendió ningún computador, entonces la variable
aleatoria tomara un valor X = 0 y f(0) = 86/500 = 0,17. Esto
indica la probabilidad que X tome un valor igual a 0.

Javier Orlando Neira Rueda

Variable aleatoria discreta:
Calculando las frecuencias:

X # f(x)
0 86 0,17
1 164 0,33
2 134 0,27
3 58 0,12
4 32 0,06
5 26 0,05
suma 500 1
Javier Orlando Neira Rueda
Variable aleatoria discreta:
Con lo anteriormente dicho se pueden sacar las siguientes
conclusiones:
• Existe una probabilidad del 17% que no se vendan
computadores durante 1 día.
• El volumen de ventas más probable es 1, con f(1) = 0,33
• Existe la probabilidad del 5% de que excepcionalmente
se vendan 5 computadores.

Javier Orlando Neira Rueda

Variable aleatoria discreta:

Valor esperado = promedio

𝐸 𝑋 = 𝜇 = σ 𝑋𝑖 ∗ 𝑓(𝑋𝑖 )

Javier Orlando Neira Rueda

Variable aleatoria discreta:
Entonces, ¿Cuántos computadores esperaría vender en 90
días?

R = 1,73 * 90 = 155 computadoras

Varianza

𝑉𝑎𝑟 𝑥 = 𝜎 2 = ෍ 𝑋𝑖 − 𝜇 2
∗ 𝑓(𝑋𝑖 )

Javier Orlando Neira Rueda

Variable aleatoria discreta:
Varianza

𝑉𝑎𝑟 𝑥 = 𝜎 2 = ෍ 𝑋 − 𝜇 2
∗ 𝑓(𝑥)

X # f(x) XF(x) Var (x) 𝑉𝑎𝑟 𝑥 = 𝜎 2 = 1,78

0 86 0,17 0,00 0,51
1 164 0,33 0,33 0,17 𝜎= 1,78 = 1,33
2 134 0,27 0,54 0,02
3 58 0,12 0,35 0,19
4 32 0,06 0,26 0,33
5 26 0,05 0,26 0,56
suma 500 1 1,73 1,78 Javier Orlando Neira Rueda
Variable Binomial:
Condiciones que se tienen que dar para poder modelar
una variable como una distribución binomial.
1. n ensayos idénticos.
2. Dos resultados son posibles en cada ensayo. Éxito o
fracaso.
3. Las probabilidades de los resultados no cambian de un
ensayo a otro.
4. Los ensayos son independientes (por ejemplo, el
resultado de un ensayo no influye en resultado del
otro). Javier Orlando Neira Rueda
Variable Binomial:
La fórmula matemática para evaluar la probabilidad de
cualquier valor para la variable aleatoria en función de la
probabilidad binomial.
𝑛!
𝑓 𝑥 = ∗ 𝑝𝑥 1 − 𝑝 𝑛−𝑥
𝑥 = 0,1, … . , 𝑛
𝑥! 𝑛 − 𝑥 !
Donde
n = número de ensayos.
P = probabilidad de éxito de un ensayo.
X = número de éxitos en n ensayos.
f(x) = probabilidad de éxitos en n ensayos. Javier Orlando Neira Rueda
Variable Binomial:
Y el término n! = al número factorial.
Ejemplo: 4! = 4*3*2*1 = 24
Valor esperado = promedio

𝐸 𝑋 = 𝜇 = ෍ 𝑋 ∗ 𝑓(𝑥)

Y
Por propiedad de la distribución de probabilidad binomial:
𝜇 =𝑛∗𝑝

Javier Orlando Neira Rueda

Variable Binomial:

Varianza

𝜎 2 = 𝑛𝑝 1 − 𝑝

Desviación típica:

𝜎= 𝑛𝑝 1 − 𝑝

Javier Orlando Neira Rueda

Variable Binomial:

Ejemplo 1:
Se quiere saber si de tres clientes que entran a una tienda
de ropa cuantos de ellos comprarían.
Si con base en la experiencia un agente de un almacén
estima que la probabilidad que un cliente haga una
compra es el 30% .
¿Cuál es la probabilidad que 0, 1, 2, 3, de los 3 clientes
hagan una compra?

Javier Orlando Neira Rueda

Variable Binomial:

Ejemplo 1:
Con n=3 ensayos y la probabilidad de una compra p=0.30
para cada cliente, utilizamos la ecuación (3.5) para calcular
la probabilidad de que dos clientes hagan una compra.
Esta probabilidad, denotada por f (2), es:

Javier Orlando Neira Rueda

Variable Binomial:

Ejemplo 1:
Y si entrasen 10 clientes; ¿Cual seria la probabilidad que
cuatro personas hagan una compra?

n=10; X=4; P=0,3

Javier Orlando Neira Rueda

Variable Binomial:

X F(x) F(x) Acumulado

0 34% 34% 0,00

1 44% 78% 0,44

2 19% 97% 0,38

3 3% 100% 0,08

Total 100% 0,90

Variable Poisson:
Resulta útil cuando se está tratando con números de
ocurrencias en un intervalo de tiempo o espacio.
Esta distribución es factible cuando:
1. La probabilidad de ocurrencia del evento es la misma
para dos intervalos de igual longitud.
2. La ocurrencia o no ocurrencia de un evento en
cualquier intervalo es independiente de la ocurrencia o
no ocurrencia en cualquier otro intervalo.

Javier Orlando Neira Rueda

Variable Poisson:
La función de probabilidad:
𝜆𝑋 𝑒 −𝜆
𝑓 𝑥 =
𝑋!
Para = X = 1,2,3…..
Donde:
λ = Media o número medio de ocurrencias de un intervalo
е = 2,71828
X = Numero de ocurrencias en el intervalo
𝑓 𝑥 = Probabilidad de X ocurrencias en el intervalo.
Javier Orlando Neira Rueda
Variable Poisson:
Ejemplo:
Numero de carros que llegan a la ventana de un cajero
automático en 15 min en las mañanas de los días hábiles.
Si un análisis histórico de datos hace suponer que el
numero de carros que llegan en el intervalo de 15 min es
de 10 se aplica la probabilidad de Poisson con Lambda =
10.

𝞴 = 10
Donde 15 es el intervalo de tiempo.
Javier Orlando Neira Rueda
Variable Poisson:
Ejemplo: X
0
F(x)
0,00%
Acumulado
0,00% 100,00%
1 0,05% 0,05% 99,95%
2 0,23% 0,28% 99,72%
3 0,76% 1,03% 98,97%
4 1,89% 2,93% 97,07%
5 3,78% 6,71% 93,29%
6 6,31% 13,01% 86,99%
7 9,01% 22,02% 77,98%
8 11,26% 33,28% 66,72%
9 12,51% 45,79% 54,21%
10 12,51% 58,30% 41,70%
11 11,37% 69,68% 30,32%
12 9,48% 79,16% 20,84%
13 7,29% 86,45% 13,55%
14 5,21% 91,65% 8,35%
15 3,47% 95,13% 4,87%
16 2,17% 97,30% 2,70%
17 1,28% 98,57% 1,43%
18 0,71% 99,28% 0,72%
19 0,37% 99,65% 0,35%
20 0,19% 99,84% 0,16%
21 0,09% 99,93% 0,07%
22 0,04% 99,97% 0,03%
23 0,02% 99,99% 0,01%
Total: 100%
Javier Orlando Neira Rueda
Variable Poisson:
Ejemplo:
Numero de carros que llegan a la ventana de un cajero
automático en 1 min en las mañanas de los días hábiles.
Entonces:
1𝑚𝑖𝑛 × 10
𝞴= = 0,67
15𝑚𝑖𝑛

En un intervalo de 1 min.

Javier Orlando Neira Rueda

Variable Continua:
Distribución Uniforme:
Sea X el tiempo de vuelo de un avión que viaja de Chicago
a Nueva York. Suponga que el tiempo de vuelo mínimo es
2 horas y que el tiempo máximo es 2 horas 20 minutos;
por tanto, en función de los minutos, el tiempo de vuelo
puede ser cualquier valor en el intervalo de 120 a 140
minutos (por ejemplo, 124 minutos, 125.48 minutos, etc.)
Como la variable aleatoria X puede tomar cualquier valor
de 120 a 140 minutos, X es una variable aleatoria continua
en vez de ser discreta.

Javier Orlando Neira Rueda

Variable Continua:
Distribución Uniforme:
Imagine que contamos con datos sobre el vuelo real
suficientes para concluir que la probabilidad de un tiempo
de vuelo entre 120 y 121 minutos es la misma que la
probabilidad del tiempo de vuelo dentro de cualquier otro
intervalo de 1 a 140 minutos. Como cada intervalo de 1
minuto es igualmente probable, la variable aleatoria X
tiene una distribución de probabilidad uniforme.

Javier Orlando Neira Rueda

Variable Continua:
Distribución Uniforme:

La función de densidad de la probabilidad:

Javier Orlando Neira Rueda

Variable Continua:
Distribución Uniforme:
Una pregunta de probabilidad aceptable en este caso es:
¿Cuál es la probabilidad de que el tiempo de vuelo esté
entre 120 y 130 minutos?
Dado que el tiempo de vuelo debe estar entre 120 y 140
minutos y como la probabilidad está distribuida de manera
uniforme a lo largo de este intervalo, tenemos la confianza
de decir que P(120 ≤ X ≤ 130) = 0.50

Javier Orlando Neira Rueda

Variable Continua:
Distribución Uniforme:

Observe que la región tiene forma rectangular y que el área

de un rectángulo es sencillamente la base por la altura. El
ancho del intervalo es igual a 130 - 120 = 10 y la altura de la
gráfica f(x)=1/20, así que el área base por altura = 10(1/20)
= 10/20 = 0.50. Javier Orlando Neira Rueda
Variable Continua:
Distribución Exponencial:
Con frecuencia es útil en la descripción del tiempo
requerido para completar una tarea.
La variable aleatoria exponencial se puede utilizar para
describir el tiempo entre las llegadas de automóviles a un
centro de lavado, el tiempo requerido para cargar un
camión, la distancia entre defectos importantes en una
carretera, etc.

Javier Orlando Neira Rueda

Variable Continua:
Distribución Exponencial:
La función de densidad de probabilidad exponencial es:
𝑓 𝑥 = 𝜆𝑒 −𝜆𝑥
1
Donde su Valor esperado = 𝐸 𝑥 = 𝜇 =
𝜆

Y su función de probabilidad: 𝐹 𝑋 = 1 − 𝑒 −𝜆𝑥

Con Varianza:
12
𝑉𝑎𝑟 𝑥 = 𝜎 = 2
𝜆
Javier Orlando Neira Rueda
Variable Continua:
Distribución Exponencial:
Ejemplo:
Suponga que el tiempo de carga de un camión sigue una
distribución de probabilidad exponencial.
Si la media, o el promedio, del tiempo de carga es de 15
minutos (μ = 15), la función de densidad de probabilidad
apropiada es:
1 −1𝑥
𝑓 𝑥 = 𝑒 15
15

Javier Orlando Neira Rueda

Variable Continua:
Distribución Exponencial: Exponential Distribution

Ejemplo:
0,08 Mean
15
1 −1𝑥
𝑓 𝑥 = 𝑒 15
15 0,06
density

0,04

0,02

0
0 20 40 60 80 100
x Javier Orlando Neira Rueda
Variable Continua:
Distribución Exponencial:
Ejemplo:
La probabilidad que se necesiten 6 minutos o menos (X=6)
para cargar un camión se define como el área bajo la curva
de X=0 a X=6.

1
− 6
𝐹 𝑋 =1−𝑒 15 = 0,33

Javier Orlando Neira Rueda

Variable Continua:
Distribución Exponencial:
Ejemplo:
Asimismo, la probabilidad que el tiempo de carga sea de
18 minutos o menos (X=18) es el área bajo la curva de X=0
a X=18.

1
𝑃 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎 ≤ 18 = 𝐹 𝑋 = 1 − 𝑒 15 18
−
= 0,70

Javier Orlando Neira Rueda

Variable Continua:
Distribución Exponencial:
Ejemplo:
Observe también que la probabilidad que la carga de un
camión esté entre 6 y 18 minutos(6≤X≤18) es el área bajo
la curva de x=6 a X=18.

𝐹 𝑋 = 0,70 − 0,33 = 0,37

Javier Orlando Neira Rueda

Variable Continua:
Distribución Normal:
Frecuentemente se constata en variables aleatorias
continuas, una pauta de variabilidad caracterizada por una
acumulación de valores en torno a una zona central y unas
frecuencias que decrecen en forma simétrica a medida
que estos datos se alejan de dicho valor central, dando
lugar a histogramas cuya forma recuerda la de una
campana.

Javier Orlando Neira Rueda

Variable Continua:
Distribución Normal:
La función matemática que genera la curva con forma de
campana es la función de densidad de probabilidad
normal expresada como:

Donde:

Javier Orlando Neira Rueda

Variable Continua:
Distribución Normal:
La distribución normal tiene coeficientes de asimetría y
Curtosis nulos:

Es bastante raro (probabilidad

menor que el 5%) encontrar un
valor de una variable normal que
difiera de su media en más de
dos desviaciones típicas y que es
muy improbable encontrar un
valor que difiera de 3
desviaciones típicas.

Javier Orlando Neira Rueda

Distribución Normal:

Javier Orlando Neira Rueda

Variable Continua:
Distribución Normal:
Se dice que una variable aleatoria que tiene una
distribución normal con una media de 0 y una desviación
estándar de 1 tiene una Distribución Normal Estándar o
es una Variable Aleatoria Normal Tipificada.
La probabilidad que una N(0,1) sea mayor a un Z dado
vendrá dada por la integral de su función de densidad
desde Z hasta ∞.

𝑧 ቀ𝑍)2
1 𝑥−𝜇
𝐹 𝑋 =න ∗ 𝑒− 2 ; 𝐷𝑜𝑛𝑑𝑒: 𝑧 =
−∞ 2𝜋 𝜎
Javier Orlando Neira Rueda
Variable Continua:
Distribución Normal Estándar:

Javier Orlando Neira Rueda

Papel Probabilístico Normal:
Ejemplo:
Representar en papel probabilístico normal los 10 datos
obtenidos de la variable aleatoria, X = {45, 80, 70, 55, 30,
26, 58, 62, 75, 40}
Paso 1:
Ordenar los datos de menor a mayor ya que
representaremos frecuencia relativa acumuladas, y en
consecuencia estaremos considerando la posición relativa
del dato y no su propio valor.
Papel Probabilístico Normal:
Paso 2:
Para cada valor del dato, que vendrá representado en el
eje X, debemos estimar su correspondiente valor de
ordenada, mediante la expresión:

Donde i es la posición del dato y n el numero de datos que

contiene la muestra.
Papel Probabilístico Normal:
Paso 3:
El siguiente paso es interpretar los resultados en función
de la forma obtenida al representar de los puntos.
Paso 4:
Este paso sólo será necesario en caso de haber obtenido
la conclusión de que mis datos siguen una distribución
normal.
Papel Probabilístico Normal:
Paso 3:
Se representan los valores obtenidos en la hoja del papel
probabilístico:
100
90
80
70
60
50
40
30
20
10
0
26 31 36 41 46 51 56 61 66 71 76 81 86
Papel Probabilístico Normal:
Paso 5:
Calculo de la media: Si la variable es normal media y
mediana coinciden aproximadamente.
100
90
80
70
60
50
40
30
20
10
0
26 31 36 41 46 51 56 61 66 71 76 81 86
Papel Probabilístico Normal:
Paso 5:
Calculo de la desviación Típica: Para la estimación de σ, se
utiliza la segunda propiedad que caracteriza a la
distribución normal: “entre μ ± 2σ se encuentra el 95,5%
de la distribución”.
100

80

60

40

20

0
26 31 36 41 46 51 56 61 66 71 76 81 86
Papel Probabilístico Normal:
Paso 5:
Calculo de la desviación Típica: Para la estimación de σ, se
utiliza la segunda propiedad que caracteriza a la
distribución normal: “entre μ ± 2σ se encuentra el 95,5%
de la distribución”.
Papel Probabilístico Normal:
Interpretación de los datos:

Presencia de un dato anómalo:

Papel Probabilístico Normal:
Interpretación de los datos:

Asimetría positiva:
Papel Probabilístico Normal:
Interpretación de los datos:

Asimetría Negativa:
Papel Probabilístico Normal:
Interpretación de los datos:
Mezcla de poblaciones:
 Bibliografía
- Diseño de Experimentos; 2 ed. ; Montgomery.
- Introduction to Statistical Quality Control; 6 ed. ;
Montgomery.
- Principles of Statistical Inference; 2006 ; D.R. Cox.
- Métodos Estadísticos en Ingeniería; 1 ed.; Rafael
Romero.

Javier Orlando Neira Rueda