F A C U L T A D D E C I E N C I A S M A T E M A T I C A S

E S C U E L A AC A D E M I C A P R O F E S I O N A L D E I N V E S T I G AC I O N O P E R A T I VA
U N I V E R S I D A D N A C I O N A L M A Y O R D E S A N M A R C O S

APLICACIONES DE
SIMULACIÓN DE SISTEMAS

S IM U LA C IÓ N DE S ISTEM AS

TEMA: RESOLUCION DE EJERCICIOS DE APLICACIONES

PROFESOR : CARLOS G UERRERO M ON CADA .

INTEGRANTES: CÓDIGO

LEON CHOQU E DAVID TE ODORO 00842917

PA L M A F L O R I Á N M A R I A E U G E N I A 11140478
PA Y E T I C O N A PA T R I C I A G UA DA L U P E 15140321
RIMACHEAYÓN EDITH MONICA 12140362
V E G A S E C L E N J UA N 11140119

30 SETIEMBRE, 2019
 PROBLEMA 1 – VARIABLES ALEATO RIAS ESTANDAR

Genere 2 valores, para cada una de las siguientes variables aleatorias:

1. X~Ber (p =0.25)

Solución:
Su función de probabilidad viene definida por:
𝑓(𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 , 𝑝𝑎𝑟𝑎 𝑥 = {0,1}
Dónde: x = 0, es igual a decir ocurre con fracaso con probabilidad (1-p)
x = 1, es igual a decir ocurre con éxito con probabilidad (p)
Su generador, está dado por la siguiente relación, siendo 𝑟 ∈ {0,1}
0, 𝑟 > 𝑝
𝑋={
1, 𝑟 > 𝑝

GENERADOR DE VARIABLES ALEATORIAS DE BERNOULLI

p 0.25 1
Datos
1-p 0.75 0
PRUEBA N° ALEATORIO (Ri) RESULTADO VALOR GENERADO
1 0.176 1 éxito
2 0.066 1 éxito
3 0.649 0 fracaso

2. X~B (n=4, p =0.35)

Solución:

Su función de probabilidad viene definida por:

𝑛
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ; 𝑥 = 0,1,2, … , 𝑛
𝑥
El proceso implica la suma de n variables aleatorias de Bernoulli
El procedimiento de generación de variables aleatorias de Bernoulli, indica lo
siguiente:

1) Generar n números uniformes ri

2) Contar cuantos de los números generados son menores que p
3) La cantidad de números, menores que p, son el valor de la variable aleatoria.
 GENERADOR DE VARIABLES ALEATORIAS BINOMIALES
n 4
Datos p 0.35 éxito
1-p 0.65 fracaso
tarea n° 1 2 3
r1 0.755 0.393 0.994
r2 0.476 0.218 0.728
r3 0.261 0.085 0.066
r4 0.882 0.147 0.406
X 1.000 3.000 1.000

3. X~N (µ=4, σ2 = 4)
Solución:
Sea la función de densidad:
1 1 𝑥−𝜇 2
− ( )
𝑓(𝑥) = 𝑒 2 𝜎 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
√2𝜋𝜎
Si las variables aleatorias Xi se dan X~N (µ, σ2)
Se tendrá que
𝑥−𝜇
𝑧= ~𝑁(0,1)
𝜎
Al igualar
𝑛
𝑥−𝜇
= 𝑧 = ∑ (𝑟𝑖 − 𝑛)
𝜎
𝑖=1

Entonces nuestro generador será:

𝑛
𝑛
𝑥 = 𝜇 + 𝜎 ( ∑ 𝑟𝑖 − )
2
𝑖=1

generador de variables aleatorias normales

µ 5
Datos
σ2 4
tarea n° (i) ri1 ri2 ri3
1 0.529 0.536 0.140
2 0.587 0.163 0.601
3 0.270 0.388 0.040
4 0.902 0.386 0.036
5 0.506 0.489 0.307
Σrij 2.794 1.961 1.124
Zi 0.294 -0.539 -1.376
Xi 5.587 3.921 2.249
en formato de h:m:s 0:05:35 0:03:55 0:02:15
 Para los aleatorios con el conjunto ri el tiempo es t = 5 min 35 seg
Para los aleatorios con el conjunto r2 el tiempo es t = 3 min 55 seg
Para los aleatorios con el conjunto r3 el tiempo es t = 2 min 15 seg

4. X~U (-2, 5)

Solución:

La función de densidad está dada por

1
; 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) = {𝑏 − 𝑎
0; ∀ 𝑥 ≠ 𝑎 𝑦 𝑏

La distribución de probabilidad de la función uniforme está dada:

𝑥
𝑥 𝑎 𝑥−𝑎
𝐹𝑥 (𝑥) = 𝑃[𝑋 ≤ 𝑥] = ∫ 𝑓(𝑥)𝑑𝑥 = − =
𝑎 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎

Donde entonces nuestro generador será:

𝑥−𝑎
𝑟 = 𝑓𝑥 (𝑥) =
𝑏−𝑎

𝑥 = 𝑟 (𝑏 − 𝑎) + 𝑎
 generador de variables aleatorias uniformes en [a,b]
a -2
Datos
b 5
tarea
aleatorio (ri) tiempo entre arribos en formato de h:m:s
n°
1 0.600 2.199 0:02:12
2 0.884 4.190 0:04:11
3 0.543 1.799 0:01:48
Para los aleatorios con r1 = 0.600 el tiempo es t = 2 min 12 seg
Para los aleatorios con r2 = 0.884 el tiempo es t = 4 min 11 seg
Para los aleatorios con r3 = 0.543 el tiempo es t = 01 min 48 seg

5. X~Exp ( λ= 5 arribos / hr.)

Solución:

La función de densidad está dada por:

𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 , 𝑠𝑖 𝑡 > 0

Sea la distribución acumulada
𝐹𝑇 (𝑡) = 1 − 𝑒 −𝜆𝑡
Entonces
𝑟 = 𝐹𝑇 (𝑡) = 1 − 𝑒 −𝜆𝑡
Siendo nuestro generador
1
𝑡 = − ln(1 − 𝑟)
𝜆

generador de variables aleatorias exponenciales

λ 5 horas
Datos
t 12 minutos
tarea n° aleatorio (ri) tiempo entre arribos en formato de h:m:s
1 0.973 43.230 0:43:14
2 0.962 39.161 0:39:10
3 0.133 1.715 0:01:43
Para los aleatorios con r1 = 0.973 el tiempo es t = 43 min 14 seg
Para los aleatorios con r2 = 0.962 el tiempo es t = 39 min 10 seg
Para los aleatorios con r3 = 0.133 el tiempo es t = 01 min 43 seg
6. X~Erl (k = 2; 1/λ = 5 minutos)

Solución:

La función de densidad está dada por:

𝜆𝑘 𝑥 𝑘−1 𝑒 −𝜆𝑥
𝑓(𝑥) = ; 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑘 > 0 𝑦 𝜆 > 0
(𝑘 − 1)!
La función de distribución está dada por:
𝑘−1
𝑒 −𝜆𝑥 𝜆𝑛
𝐹𝑥 (𝑥) = ∑
𝑛!
𝑛=0

Haciendo 𝑟 = 𝐹𝑥 (𝑥) tenemos nuestro generador:

𝑘
−1
𝑥= 𝑙𝑛 ∏(1 − 𝑟𝑖 )
𝑘𝜆
𝑖=1

generador de variables aleatorias de Erlang

k 2 procesos
Datos
1/λ 5 minutos / pieza
pieza (k=1) 1-ri (k=2) 1-ri X en formato de h:m:s
1 0.128 0.071 46.982 0:46:59
2 0.549 0.080 31.270 0:31:16
3 0.612 0.404 13.977 0:13:59

Para los aleatorios con r1 = 0.872 el tiempo es t = 46 min 59 seg

Para los aleatorios con r2 = 0.450 el tiempo es t = 31 min 16 seg
Para los aleatorios con r3 = 0.388 el tiempo es t = 13 min 59 seg

7. X~Gam (k = 3; 1/λ = 5 minutos)

Solución:

La función de densidad está dada por:

(𝜆𝑥)𝑘−1
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 ; 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑘 ∈ ℕ
(𝑘 − 1)!

La función de distribución está dada por:

 𝑘−1
(𝜆𝑥)𝑛
𝐹𝑥 (𝑥) = 1 − ∑ 𝑒 −𝜆𝑥
𝑛!
𝑛=0

Haciendo 𝑟 = 𝐹𝑥 (𝑥) tenemos nuestro generador:

𝑘
1
𝑥 = − ∑ ln(1 − 𝑟𝑘 )
𝜆
𝑖=1

k 3 procesos
Datos
1/λ 5 minutos / pieza
pieza 1 2 3
Ln(1-r1) -0.735 -0.305 -1.299
Ln(1-r2) -0.134 -0.501 -1.728
Ln(1-r3) -0.147 -0.117 -0.127
Σ Ln(1-rk) -1.016 -0.922 -3.155
X 5.081 4.610 15.775
en formato de
0:05:05 0:04:37 0:15:47
h:m:s

Para los aleatorios con r1 = 0.520 el tiempo es t = 5 min 05 seg

Para los aleatorios con r2 = 0.125 el tiempo es t = 4 min 37 seg
Para los aleatorios con r3 = 0.136 el tiempo es t = 15 min 47 seg

8. X~PO (λ = 5 arribos / hr.)

Solución:

La probabilidad de que ocurra n eventos, durante un intervalo de tiempo t está dado

por

𝑛
𝑥 = 𝑚𝑎𝑥 { }
1
∑𝑛𝑖=1 − ln(1 − 𝑟𝑖 ) ≤ 1
𝜆

Se sumarán los ri generados para cada xi mientras que no exceda a uno; cuando por
primera vez, la suma supere el valor, se tendrá el valor generado.
 generador de variables aleatorias de Poisson
λ 5 arribos / h
Datos
X1 X2 X3
r1 0.215 0.576 0.112
r2 0.241 0.081 0.141
r3 0.062 0.046 0.017
r4 0.583 0.030 0.028
r5 0.167 0.129 0.481
Valor Gener. 3.000 4.000 4.000

Para los aleatorios con X1 = {r1 r2 r3 r4 r5 } el tiempo es t = 3

Para los aleatorios con X2 = {r1 r2 r3 r4 r5 } el tiempo es t = 4
Para los aleatorios con X3 = {r1 r2 r3 r4 r5 } el tiempo es t = 4

9. X~TR ( a = 5; b = 7; c = 10 )

Solución:

Solución:
Sea la función de densidad de probabilidad

2(𝑥 − 𝑎)
, 𝑠𝑖 𝑎 ≤ 𝑥 < 𝑏
(𝑐 − 𝑎)(𝑏 − 𝑎)
𝑓(𝑥) =
2(𝑐 − 𝑥)
, 𝑠𝑖 𝑏 ≤ 𝑥 < 𝑐
{ (𝑐 − 𝑎)(𝑐 − 𝑏)

Y la función de distribución acumulativa:

 (𝑥 − 𝑎)2
, 𝑠𝑖 𝑎 ≤ 𝑥 < 𝑏
(𝑐 − 𝑎)(𝑏 − 𝑎)
𝐹𝑥 (𝑥) =
(𝑐 − 𝑥)2
1− , 𝑠𝑖 𝑏 ≤ 𝑥 < 𝑐
{ (𝑐 − 𝑎)(𝑐 − 𝑏)

Haciendo 𝑟 = 𝐹𝑥 (𝑥)
Nuestro generador de variables aleatorias triangulares será:

√𝑟(𝑐 − 𝑎)(𝑏 − 𝑎) + 𝑎, 𝑠𝑖 𝑎 ≤ 𝑥 < 𝑏

𝑥={
𝑐 − √1 − (𝑐 − 𝑎)(𝑐 − 𝑏)𝑟, 𝑠𝑖 𝑏 ≤ 𝑥 < 𝑐

generador de variables aleatorias de Triangulares

a b c
5 7 10
Segmentos [a,b] [b,c]
Datos
proporcion seg 0.4 0.6
amplitud 2 3
h (altura) 0.4
tarea n° aleatorio (ri) tiempo entre arribos en formato de h:m:s
1 0.872 8.613 0:08:37
2 0.558 7.425 0:07:26
3 0.510 7.289 0:07:17

Para los aleatorios con r1 = 0.872 el tiempo es t = 8 min 37 seg

Para los aleatorios con r2 = 0.558 el tiempo es t = 7 min 26 seg
Para los aleatorios con r3 = 0.510 el tiempo es t = 7 min 17 seg

10. X~GEO ( p = 0.35 )

Solución:

Sea la función de densidad de probabilidad

𝑝(1 − 𝑝)𝑥 , 𝑠𝑖 𝑥𝜖 (0,1, … )

𝑓(𝑥) = {
0, ∀𝑥 < 0

Y la función de distribución acumulativa:

 1 − (1 − 𝑝)|𝑥|+1 , 𝑠𝑖 𝑥 ≥ 0
𝐹𝑥 (𝑥) = {
0, ∀𝑥 < 0
Haciendo 𝑟 = 𝐹𝑥 (𝑥)

𝐹(𝑥 − 1) ≤ 𝑟 < 𝐹(𝑥)

1 − (1 − 𝑝) 𝑥−1 ≤ 𝑟 < 1 − (1 − 𝑝)𝑥

(1 − 𝑝) 𝑥 ≤ 1 − 𝑟 < 1 − (1 − 𝑝)𝑥−1

(𝑥 − 1) ln(1 − 𝑝) ≤ ln(1 − 𝑟) < 𝑥𝑙𝑛(1 − 𝑝)

ln(1 − 𝑝)
(𝑥 − 1) ≤ <𝑥
ln(1 − 𝑟)

ln(1 − 𝑟)
𝑥 =1+
ln(1 − 𝑝)

Como r puede ser igual (1- r)

Nuestro generador de variables aleatorias triangulares será:

ln(𝑟)
𝑥 =1+
ln(1 − 𝑝)

generador de variables aleatorias de Geométrica

p 0.35
Datos
1-p 0.65
tarea n° aleatorio (ri) X hh:mm:ss
1 0.474 2.733836636 0:02:44
2 0.991 1.021178465 0:01:01
3 0.975 1.058582617 0:01:04

Para los aleatorios con r1 = 0.474 el tiempo es t = 2 min 44 seg

Para los aleatorios con r2 = 0.991 el tiempo es t = 1 min 01 seg
Para los aleatorios con r3 = 0.975 el tiempo es t = 1 min 04 seg
 PROBLEMA 2 – CASO 2

Todos los días desde las 8 de la mañana, un taller recibe una gran cantidad de tareas
para ser procesadas. El taller cuenta con un solo equipo para el operativo, el tiempo t
(minutos), que demanda la operación sobre cada tarea es aleatorio y su distribución de
probabilidad está dado por la siguiente relación:

𝟏
, 𝟎<𝐭<𝟒
𝟏𝟎
𝟏
𝐟𝐓 (𝐭) = , 𝟒 < 𝐭 < 𝟏𝟎
𝐭𝟐
𝟑
{𝟏𝟎𝟑 𝐭 , 𝟏𝟎 < 𝐭 < 𝟐𝟎

Las tareas conforme son atendidas van dejando el taller

Simule el tiempo de operación de cada una de las 5 primeras tareas de un día
cualquiera y estime:
a) Complete su generador de tiempos (método de transformación inversa)

𝟏𝟎𝐫 , 𝟎 < 𝐭 < 𝟎. 𝟒

𝐭={ , ?< 𝐫 < ?
, ?< 𝐫 < ?

Tarea n° Numero aleatorio Tiempo de

duración
1 0.86
2 0.72
3 0.98
4 0.19
5 0.52

i. El tiempo total que demando la atención de las 5 tareas es:

ii. El tiempo promedio que demando la atención de las 5 primeras tareas es: (min)
iii. El tiempo total que demando la atención de las 2 primeras tareas es: (min)
iv. El tiempo total que demando la atención de las 3 primeras tareas es: (min)
Resolución:

1) Edificación del generador:

Hallar los p1 p2 p3

𝑓(𝑥) = 𝑝1 𝑓1 (𝑥) + 𝑝2 𝑓2 (𝑥) + 𝑝3 𝑓3 (𝑥)

𝑝1 + 𝑝2 + 𝑝3 = 1
𝑝𝑖 ≥ 0
Sea:
𝑝1 = 0.4
𝑝2 = (𝑐 − 𝑏)ℎ = (10 − 4)ℎ = 6ℎ
(𝑑 − 𝑐)ℎ (20 − 10)ℎ
𝑝3 = = = 5ℎ
2 2
Por lo tanto según
0.4 + (6ℎ) + (5ℎ) = 1
3
11ℎ = 0.6 → ℎ =
55
Para el tramo (a=0, b=4)

𝑓(𝑥) = 𝑝1 𝑓1 (𝑥) + 𝑝1 𝑓2 (𝑥) + 𝑝1 𝑓3 (𝑥)

1 1 3
𝑓(𝑥) = 0.4 ( ) + 6ℎ ( 2 ) + 5ℎ ( 3 𝑡)
10 𝑡 10
1 18 1 3 3
𝑓(𝑥) = 0.4 ( ) + ( 2 ) + ( 3 𝑡)
10 55 𝑡 11 10
Ahora para hallar
1
𝐹1−1 (𝑟1 ) → 𝑟1 =
10
𝑡 = 10𝑟1

1
𝐹2−1 (𝑟2 ) → 𝑟2 =
𝑡2
 1
𝑡=√
𝑟
3
𝐹3−1 (𝑟3 ) → 𝑟3 = 𝑡
103
103
𝑡= 𝑟
3

Por lo tanto el fdp de la función de densidad dada será:

10𝑟 , 0 < 𝑟 < 𝑝1 = 0.4

1 18 8
√ , 𝑝1 = 0.4 < 𝑟 < 𝑝1 + 𝑝2 = 0.4 + =
𝑡= 𝑟 55 11
103 8 8 3
{ 3 𝑟, 𝑝1 + 𝑝2 =
11
< 𝑟 < 𝑝2 + 𝑝3 = +
11 11
=1

El generador de tiempos de proceso, seria

10𝑟 , 0 < 𝑟 < 0.4

1
√ , 0.4 < 𝑟 < 0.727272
𝑡= 𝑟
103
{ 3 𝑟, 0.727272 < 𝑟 < 1

tarea n° aleatorio (ri) tiempo entre arribos en formato de h:m:s

1 0.860 286.667 4:46:40
2 0.720 1.179 0:01:11
3 0.980 326.667 5:26:40
4 0.190 1.900 0:01:54
5 0.520 1.387 0:01:23
∑ tiempos entre arribos 617.80 10:17:48
µ tiempos entre arribos 123.56 2:03:34

 El tiempo total que demando la atención de las 5 tareas es: 10:17:48

 El tiempo promedio que demando la atención de las 5 primeras tareas es: 2:03:34
(min)
 El tiempo total que demando la atención de las 2 primeras tareas es: 4:47:51 (min)
 El tiempo total que demando la atención de las 3 primeras tareas es: 10:14:31 (min)
 PROBLEMA 2 – CASO 3

El fabricante de cierto artículo electrónico ensambla sus productos en una línea

semiautomática. Una de las piezas del artículo se produce en el interior de una
empresa, a un ritmo de 10 000 unidades por semana. Cada semana se inspeccionan 5
piezas para determinar si la producción de dicha semana satisface las normas de
calidad establecidas. En caso de que uno o más piezas de las 5 seleccionadas sea
defectuosa se rechaza toda la producción de la semana. La probabilidad de que un lote
se acepte o se rechace depende del porcentaje de unidades defectuosas que contenga el
lote. Este porcentaje está dado por la siguiente función de densidad:
f(p) = 19(1-p)18 0 < p <1
Simule 3 semanas de operación, con el fin de estimar en cuántas de las 3 semanas se
acepta el lote. Construya primeramente sus generadores de procesos. Utilice los
siguientes números aleatorios:
El primero para la proporción de defectuosos de cada lote y los siguientes para el
numero de defectuosos de cada lote.

Resolución:

Construyendo los generadores de procesos para cada semana con la proporción de

defectuosos de cada lote se tiene:
Para la semana 1 se tendría la siguiente variable aleatoria:
0 si ri ∈ [0 - 0.6211 ]
X1=
1 si ri ∈ [0.6211 - 1]
Para la semana 2 se tendría la siguiente variable aleatoria:
0 si ri ∈ [0 - 0.4334 ]
X2=
1 si ri ∈ [0.4334 - 1]
Para la semana 3 se tendría la siguiente variable aleatoria:
0 si ri ∈ [0 - 0.0322 ]
X3=
1 si ri ∈ [0.0322- 1]
 r i= prob
pieza ri ri ri
Seman defectuos Resultado Resultado Resultado
a a enLote Pieza 1 1 Pieza 2 2 Pieza 3 3
1 0,3789 0,8955 1 0,4543 0 0,2753 0
2 0,5666 0,6359 0 0,2038 0 0,6978 1
3 0,9678 0,9683 1 0,8498 1 0,8181 1

ri ri Resultado
Total Piezas Pro.
Pieza 4 Resultado4 Pieza 5 Resultado5 Defectuosas Bueno
0,3387 0 0,206 0 1
0,2322 0 0,3815 0 1
0,8088 1 0,2632 1 5

Por los resultados obtenidos mediante simulación, y tomando en cuenta que si en un

lote hay 1 o más piezas defectuosas se debe rechazar el lote completo se tomaría las
siguientes decisiones:
En el lote de la producción de la semana 1, habría 1 defectuoso, por tanto, se rechaza
este lote de producción.
En el lote de la producción de la semana 2, habría 1 defectuoso, por tanto, se rechaza
este lote de producción.
En el lote de la producción de la semana 3, habrían 5 defectuosos, por tanto, se rechaza
este lote de producción.
Por tanto, se rechazan los lotes de producción de las 3 semanas.
 PROBLEMA 2 – CASO 4

Un taller de servicio de mantenimiento de impresoras atiende diariamente desde las 9 de

la mañana hasta las 6 pm. Llegan los clientes siguiendo la ley exponencial con una tasa
de 3 clientes por hora. el tiempo t que demanda la reparación se da en la siguiente tabla:

tiempo en minutos probabilidad

[2-5] 0.45
[5-10] 0.15
[10-18] 0.40

Simule la llegada de los 3 primeros clientes

Utilice el siguiente juego de números aleatorios uniforme (0,1)

cliente tiempo entre arribos tiempo de servicio

1 0.884 0.489
2 0.536 0.541
3 0.245 0.295

Resolución:

K= 3

CLIENTE R TL PL
1 0.884 0.04109941 0.04109941
2 0.536 0.20787371 0.24897311
3 0.245 0.46883236 0.71780547

HEC HSC R DS HS Mayor HS NC N NS W W Lq

0.041099 0.041099 0.489 0.238464 0.279563 0.279563 0 0 0 0.238464 0.238464 0
0.248973 0.279563 0.541 0.122867 0.402430 0.402430 0 1 1 0.153457 0.195961 0
0.717805 0.717805 0.295 0.152597 0.870402 0.870402 0 0 0 0.152597 0.181506 0
 PROBLEMA 3 – CASO 2

Genere 100 valores uniformes en el intervalo [0,1], con el algoritmo

xn+1 = (75 xn) mod(231-1);

x0 = es definido bajo criterio

Resolución:

Datos
m 2147483647 ri
X0 123457 0.000057

i xi ri
X1 2074941799 0.966220
X2 559872160 0.260711
X3 1645535613 0.766262
X4 1222641625 0.569337
X5 1814256879 0.844829
X6 95061600 0.044267
X7 2119961479 0.987184
X8 1291390176 0.601350
X9 1924951450 0.896375
X10 817878095 0.380854
X11 34318218 0.015981
X12 1260672530 0.587046
X13 1049550408 0.488735
X14 363030798 0.169049
X15 457580859 0.213078
X16 422557306 0.196769
X17 192221313 0.089510
X18 848202503 0.394975
X19 743019135 0.345995
X20 305194640 0.142117
X21 1215365444 0.565949
X22 1930050691 0.898750
X23 621475702 0.289397
X24 1929148153 0.898330
X25 484905065 0.225802
X26 98987090 0.046094
X27 1523678852 0.709518
X28 1875458736 0.873329
X29 70005286 0.032599
X30 1905286893 0.887218
X31 1028150234 0.478770
X32 1467559076 0.683385
X33 1415704537 0.659239
X34 1774828246 0.826469
X35 990473692 0.461225
X36 1745593547 0.812855
X37 1416642762 0.659676
X38 363706645 0.169364
X39 1079123153 0.502506
X40 1323433556 0.616272
X41 1459643713 0.679700
X42 1526184710 0.710685
X43 1041741202 0.485099
X44 110208023 0.051320
X45 1135338847 0.528683
X46 1247797934 0.581051
X47 1562063783 0.727393
X48 618416306 0.287973
X49 2049487109 0.954367
X50 92143083 0.042907
X51 313086494 0.145792
X52 709769508 0.330512
X53 1971945518 0.918259
X54 373196875 0.173783
X55 1667628885 0.776550
X56 1029593198 0.479442
X57 2097134907 0.976555
X58 2044767385 0.952169
X59 224636754 0.104605
X60 193673052 0.090186
X61 1625259759 0.756821
X62 1896263320 0.883016
X63 1840297760 0.856955
X64 1824968226 0.849817
X65 1879527928 0.875223
X66 1888922173 0.879598
X67 864208010 0.402428
X68 1312119409 0.611003
X69 281336020 0.131007
X70 1802981093 0.839578
X71 1708970881 0.795802
X72 79818342 0.037168
X73 1477078266 0.687818
X74 343457342 0.159935
X75 51503858 0.023983
X76 189431665 0.088211
X77 1207228801 0.562160
X78 468961551 0.218377
X79 571803167 0.266267
X80 306507444 0.142729
X81 1804825802 0.840438
X82 500740339 0.233175
X83 2101948627 0.978796
X84 1344580839 0.626119
X85 399743692 0.186145
X86 1163383628 0.541743
X87 150029861 0.069863
X88 406072249 0.189092
X89 153258777 0.071367
X90 987372286 0.459781
X91 1159870433 0.540107
X92 1233303612 0.574302
X93 621646040 0.289476
X94 497051625 0.231458
X95 235274545 0.109558
 X96 741883688 0.345467
X97 549089734 0.255690
X98 813928179 0.379015
X99 220073063 0.102480
X100 801129707 0.373055

Luego desarrollo las pruebas con (α = 0.05 )

1) Pruebas de Uniformidad

Prueba Chi-Cuadrada
n 100
k 10.00

I intervalo Oi Ei = n/m (Ei -Oi)^2

1 0.00 0.10 13 10.00 0.90000
2 0.10 0.20 14 10.00 1.60000
3 0.20 0.30 11 10.00 0.10000
4 0.30 0.40 7 10.00 0.90000
5 0.40 0.50 7 10.00 0.90000
6 0.50 0.60 10 10.00 0.00000
7 0.60 0.70 9 10.00 0.10000
8 0.70 0.80 7 10.00 0.90000
9 0.80 0.90 15 10.00 2.50000
10 0.90 1.00 7 10.00 0.90000

Σ (Ei -Oi)^2/Ei 8.80000

prueba de chi2 14.06714
Resultado La distribución es uniforme

Respuesta: Se ha demostrado que el grado de acuerdo entre la distribución de

números pseudoaleatorios generados y la distribución uniforme teórica, concuerdan en
un valor de aceptación con un nivel de confianza del 95%.
2) Pruebas de Aleatoriedad

A) Prueba de corridas: (arriba y abajo) y (arriba y debajo de la media)

DATOS
N 100
C0 69
α 0.05

ri S Contar S
0.9662 0 C
0.2607 1 C
0.7663 0 C
0.5693 1 C
0.8448 0 C
0.0443 1 C
0.9872 0 C
0.6014 1 C
0.8964 0 NC
0.3809 0 C
0.0160 1 C
0.5870 0 NC
0.4887 0 C
0.1690 1 C
0.2131 0 NC
0.1968 0 C
0.0895 1 C
0.3950 0 NC
0.3460 0 C
0.1421 1 NC
0.5659 1 C
0.8987 0 C
0.2894 1 C
0.8983 0 NC
0.2258 0 C
0.0461 1 NC
0.7095 1 C
0.8733 0 C
0.0326 1 C
0.8872 0 C
0.4788 1 C
0.6834 0 C
0.6592 1 C
0.8265 0 C
0.4612 1 C
0.8129 0 NC
0.6597 0 C
0.1694 1 NC
0.5025 1 NC
0.6163 1 NC
0.6797 1 C
0.7107 0 NC
0.4851 0 C
0.0513 1 NC
0.5287 1 NC
0.5811 1 C
0.7274 0 C
0.2880 1 C
0.9544 0 C
0.0429 1 NC
0.1458 1 NC
0.3305 1 C
0.9183 0 C
0.1738 1 C
0.7766 0 C
0.4794 1 C
0.9766 0 NC
0.9522 0 NC
0.1046 0 C
0.0902 1 NC
0.7568 1 C
0.8830 0 NC
0.8570 0 C
0.8498 1 NC
0.8752 1 C
0.8796 0 C
0.4024 1 C
0.6110 0 C
0.1310 1 C
0.8396 0 NC
0.7958 0 C
0.0372 1 C
0.6878 0 NC
0.1599 0 C
 0.0240 1 NC
0.0882 1 C
0.5622 0 C
0.2184 1 C
0.2663 0 C
0.1427 1 C
0.8404 0 C
0.2332 1 C
0.9788 0 NC
0.6261 0 C
0.1861 1 C
0.5417 0 C
0.0699 1 C
0.1891 0 C
0.0714 1 NC
0.4598 1 NC
0.5401 1 C
0.5743 0 NC
0.2895 0 NC
0.2315 0 C
0.1096 1 C
0.3455 0 C
0.2557 1 C
0.3790 0
0.1025
0.3731

Resultado:

µC0 66
σC02 17
Z0 0.63826627
Estad. Z(α/2) 1.960
El conjunto de números ri
resultado
son independientes

Se ha logrado demostrar que el conjunto de números es independiente, ya que las

secuencias de números generados no tienen una correlación establecida.
B) Prueba de Series:

DATOS
N 100
α 0.05

39 28 32 99
[0.667 ;
13 9 9 31
1.000]
[0.334 ;
11 7 11 29
0.667]
[0.000 ;
15 12 12 39
0.334]
[0.000 ; [0.334 ; [0.667 ;
0.334] 0.667] 1.000]

INTERVALO Oi Ei = n/m (Ei -Oi)^2 / Ei

C1 15 11 1.45455
C2 12 11 0.09091
C3 12 11 0.09091
C4 11 11 0.00000
C5 7 11 1.45455
C6 11 11 0.00000
C7 13 11 0.36364
C8 9 11 0.36364
C9 9 11 0.36364
 ri ri (X) ri(Y) CUADRANTE
0.9662 0.9662 0.2607 C3
0.2607 0.2607 0.7663 C7
0.7663 0.7663 0.5693 C6
0.5693 0.5693 0.8448 C8
0.8448 0.8448 0.0443 C3
0.0443 0.0443 0.9872 C7
0.9872 0.9872 0.6014 C6
0.6014 0.6014 0.8964 C8
0.8964 0.8964 0.3809 C6
0.3809 0.3809 0.0160 C2
0.0160 0.0160 0.5870 C4
0.5870 0.5870 0.4887 C5
0.4887 0.4887 0.1690 C2
0.1690 0.1690 0.2131 C1
0.2131 0.2131 0.1968 C1
0.1968 0.1968 0.0895 C1
0.0895 0.0895 0.3950 C4
0.3950 0.3950 0.3460 C5
0.3460 0.3460 0.1421 C2
0.1421 0.1421 0.5659 C4
0.5659 0.5659 0.8987 C8
0.8987 0.8987 0.2894 C3
0.2894 0.2894 0.8983 C7
0.8983 0.8983 0.2258 C3
0.2258 0.2258 0.0461 C1
0.0461 0.0461 0.7095 C7
0.7095 0.7095 0.8733 C9
0.8733 0.8733 0.0326 C3
0.0326 0.0326 0.8872 C7
0.8872 0.8872 0.4788 C6
0.4788 0.4788 0.6834 C8
0.6834 0.6834 0.6592 C6
0.6592 0.6592 0.8265 C8
0.8265 0.8265 0.4612 C6
0.4612 0.4612 0.8129 C8
0.8129 0.8129 0.6597 C6
0.6597 0.6597 0.1694 C2
0.1694 0.1694 0.5025 C4
0.5025 0.5025 0.6163 C5
0.6163 0.6163 0.6797 C8
0.6797 0.6797 0.7107 C9
0.7107 0.7107 0.4851 C6
0.4851 0.4851 0.0513 C2
0.0513 0.0513 0.5287 C4
0.5287 0.5287 0.5811 C5
0.5811 0.5811 0.7274 C8
0.7274 0.7274 0.2880 C3
0.2880 0.2880 0.9544 C7
0.9544 0.9544 0.0429 C3
0.0429 0.0429 0.1458 C1
0.1458 0.1458 0.3305 C1
0.3305 0.3305 0.9183 C7
0.9183 0.9183 0.1738 C3
0.1738 0.1738 0.7766 C7
0.7766 0.7766 0.4794 C6
0.4794 0.4794 0.9766 C8
0.9766 0.9766 0.9522 C9
0.9522 0.9522 0.1046 C3
0.1046 0.1046 0.0902 C1
0.0902 0.0902 0.7568 C7
0.7568 0.7568 0.8830 C9
0.8830 0.8830 0.8570 C9
0.8570 0.8570 0.8498 C9
0.8498 0.8498 0.8752 C9
0.8752 0.8752 0.8796 C9
0.8796 0.8796 0.4024 C6
0.4024 0.4024 0.6110 C5
0.6110 0.6110 0.1310 C2
0.1310 0.1310 0.8396 C7
0.8396 0.8396 0.7958 C9
0.7958 0.7958 0.0372 C3
0.0372 0.0372 0.6878 C7
0.6878 0.6878 0.1599 C3
0.1599 0.1599 0.0240 C1
0.0240 0.0240 0.0882 C1
0.0882 0.0882 0.5622 C4
0.5622 0.5622 0.2184 C2
0.2184 0.2184 0.2663 C1
0.2663 0.2663 0.1427 C1
0.1427 0.1427 0.8404 C7
0.8404 0.8404 0.2332 C3
0.2332 0.2332 0.9788 C7
0.9788 0.9788 0.6261 C6
0.6261 0.6261 0.1861 C2
0.1861 0.1861 0.5417 C4
0.5417 0.5417 0.0699 C2
0.0699 0.0699 0.1891 C1
0.1891 0.1891 0.0714 C1
 0.0714 0.0714 0.4598 C4
0.4598 0.4598 0.5401 C5
0.5401 0.5401 0.5743 C5
0.5743 0.5743 0.2895 C2
0.2895 0.2895 0.2315 C1
0.2315 0.2315 0.1096 C1
0.1096 0.1096 0.3455 C4
0.3455 0.3455 0.2557 C2
0.2557 0.2557 0.3790 C4
0.3790 0.3790 0.1025 C2
0.1025 0.1025 0.3731 C4
0.3731

Resultado:
Σ(Ei -Oi)^2 / Ei 4.181818182
prueba de chi2 15.50731306
Resultado La distribución es INDEPENDIENTE.

Ya que el estadístico chi-cuadrado con un nivel de confianza del 95% es mayor que el
resultado de la prueba de series, se corrobora que el resultado de la anterior prueba de
corridas con la prueba efectuada, es un conjunto de números independiente, ya que las
secuencias de valores del conjunto de números pseudoaleatorios evaluados ahora por
parcelas o cuadrantes se encuentran distribuidos aleatoriamente e independientes de
los otros valores, dando así una distribución dispersa uniformemente.
 PROBLEMA 3 – CASO 3

De una secuencia de 1000 números de 5 dígitos generados aleatoriamente, se encontró

que:

460 tenían cuatro dígitos diferentes.

300 tenían todos los diferentes
100 tenían 2 pares
10 tenían 2 dígitos diferentes
70 tenían 3 dígitos iguales
60 tenían cuatro dígitos iguales

Mediante l prueba del póker, determinar si esta serie es aleatoria.

Utilice α = 0.05

Resolución:

PRUEBA DE POKER
CATEGORIA Oi PROBABILIDAD Ei (Ei-Oi)2/Ei
Todos diferentes 300 0.3024 302.4 0.019
Exactamente un par (4 dígitos diferentes) 460 0.5040 504 3.841
Dos pares (2 pares) 100 0.1080 108 0.593
Una tercia y un par (2 dígitos diferentes) 10 0.0090 9 0.111
Tercia (3 dígitos iguales) 70 0.0720 72 0.056
Póker (4 dígitos iguales) 60 0.0045 4.5 684.500
Quintilla (5 dígitos iguales) 0 0.0001 0.1 0.100
TOTAL 1000 1 689.220
CONTRASTE DE HIPOTESIS
Ho: El conjunto ri(0,1) son independientes. Prueba de Chi-Cuadrado 12.59158724
Ha: El conjunto ri(0,1) son dependientes. Resultado se rechaza hipótesis

Se rechaza que el conjunto de números aleatorios (ri) contenga una secuencia generada
de valores independientes, es decir que no se encuentran dispersos uniformemente,
corroborando el resultado del estadístico de chi-cuadrado es menor que el ri.

Si las cantidades de números con 4 dígitos iguales (póker) tuvieran una ocurrencia
máxima de 11 veces, podría darse que el conjunto de ri sea independiente.
 PROBLEMA 4.2 B – LIBRO COSS PAG 64

Generar por el método de rechazo, números al azar que sigan las siguientes
distribuciones de probabilidad:

Resolución:

PAR Pertenece
R1 R2 X Y f(x)
N si o no

1 0.96512911 0.93059882 0.72384684 1.62854793 2.38807658 SI

2 0.18225555 0.34845486 0.13669166 0.609796 2.68165417 SI

3 0.76367099 0.72965525 0.57275324 1.27689669 2.46362338 SI

4 0.00935712 0.9361987 0.00701784 1.63834773 2.74649108 SI

5 0.25998153 0.53083205 0.19498615 0.92895609 2.65250693 SI

6 0.35991429 0.58616335 0.26993572 1.02578586 2.61503214 SI

7 0.19198543 0.27714271 0.14398907 0.48499975 2.67800546 SI

8 0.39417602 0.95777733 0.29563201 1.67611032 2.60218399 SI

9 0.59025305 0.14984351 0.44268979 0.26222615 2.5286551 SI

10 0.68244927 0.31120616 0.51183695 0.54461079 2.49408152 SI

 BIBLIOGRAFIA

 Jerry Banks, John Carson, Barry L. Nelson, David Nicol - Discrete-Event System
Simulation-Prentice Hall (2004)
 LIBRO DE SIMULACION Y ANALISIS DE SISTEMAS CON PROMODEL
 SHELDON ROSS SIMULACION IV EDICION 2006
 Simulación un Enfoque Práctico 2da Edicion Raul COSS Bu
 Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
http://www.scielo.org.co/pdf/prosp/v12n1/v12n1a12.pdf