You are on page 1of 22

7-11-2014

UNMSM

DISTRIBUCIONES ESPECIALES PARA SIMULACIÓN

NORMAL, UNIFORME Y POISSON EJERCICIOS DE
APLICACIÓN







CARITA PORRAS, Josselin
MALPARTIDA MAGUIÑA, Pablo
MAMANI MALLMA, Renzo
MARTINEZ CALATAYUD, Jesús
ÑAUPARI SULLCA, Juan
RUIZ CHICOMA, Darío
SAYRITUPAC, Carlos
UNOCUYCA PUZA Rosmery

INTRODUCCIÓN
Este trabajo conllevaba la simulación de problemas
probabilísticos para las variables Normal, Uniforme y
Poisson haciendo uso del método de Montecarlo
simulado en Excel. Partiendo así desde las acepciones,
clasificaciones y las propiedades más importantes de
las variables ya citadas.

................ 2 2.... 3..................................... CASO PRÁCTICO CON SOFTWARE .............................................................................. 1 1.......... 2 PROPIEDADES DE LA VARIABLE ALEATORIA .........................................1............... 16 BIBLIOGRAFÍA ..... CLASIFICACIÓN .... EJEMPLO .......................................... MEDIA . SIMULACIÓN MC CON VARIABLES CONTINUAS ............................................................................... CARACTERÍSTICAS DE LA VARIABLE ALEATORIA ............................................................................................................ UNIFORME............ 2 2.... 5 3........ 8 4.......3.............. 2.....................1.................................................................2................................................................................................................................................................... 17 .................................... 2 2........ 4.............................................................................................. VARIANZA ................... MÉTODO DE MONTECARLO ................1............................................................................................ 6 VARIABLE CONTÍNUA .......................2...................................................................................................2...........2... 15 7.. 2 2..... 10 5..................... SIMULACIÓN MC CON VARIABLES DISCRETAS ................ NORMAL......................................................................................................... 1 1.... 6.......................................................................................................................................... 8 4... DESVIACIÓN ESTÁNDAR ............................................... POISSON ............................................................ 12 6................................. UNIFORME........................................................................................................ 15 6...... VARIABLE ALEATORIA...........................................1.................. 5 3.Contenido 1.......................2...............4.................1............................................................. 2 VARIABLE DISCRETA .....................

Es decir aquella cuya función de probabilidad sólo toma valores positivos en un conjunto de valores de X finito o infinito numerable. la variable que asigna la estatura a una persona extraída de una determinada población es una variable continua ya que. Las variables aleatorias suelen tomar valores reales. 1. Variables Aleatorias Continuas Será continua si su recorrido no es un conjunto numerable. su suma).. Intuitivamente. funciones. Una variable aleatoria o variable estocástica es una variable estadística cuyos valores se obtienen de mediciones en experimento aleatorio. teóricamente. Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un experimento aún no realizado. 1). VARIABLE ALEATORIA Una variable aleatoria es una función.50 m. una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes valores. 5.1.1. Por ejemplo. CLASIFICACIÓN 1. etc. Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un intervalo de números reales.1. los posibles resultados de tirar un dado dos veces: (1.Distribuciones especiales para Simulación 1. 2). que asigna eventos (por ejemplo. Un concepto relacionado es el de proceso estocástico. (1.1. Este tipo de variable se clasifica en:   [Escriba texto] Distribución Uniforme Distribución Exponencial Página 1 . 4.… Este tipo de variable se clasifica en:     Distribución Uniforme Distribución de Bernoulli Distribución Binomial Distribución de Poisson 1. Variables Aleatorias Discretas Será discreta si su recorrido es un conjunto discreto. el número de hijos que puede tener una persona: 0. 2.2.) a números reales (por ejemplo. Por ejemplo. todo valor entre. 1. es posible. 3. como resultado de medición incompleta o imprecisa). El término elemento aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados. pero se pueden considerar valores aleatorios como valores lógicos. o los posibles valores de una cantidad cuyo valor actualmente existente es incierto (por ejemplo. un conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo). pongamos por caso. una distribución de probabilidad se usa para describir la probabilidad de que se den los diferentes valores. 0 y 2..

1. [Escriba texto] Página 2 . pero es posible calcular la probabilidad acumulada hasta un cierto valor (función de distribución de probabilidad).2. también llamada función de distribución de X es la función FX(x).  Es monótona no decreciente. como se puede hacer en el caso de variables discretas. 3) Para una variable continua hay infinitos valores posibles de la variable y entre cada dos de ellos se pueden definir infinitos valores más.Distribuciones especiales para Simulación     Distribución Normal Distribución de Pearson Distribución de Student Distribución de Snedecor 1. 3. CARACTERÍSTICAS DE LA VARIABLE ALEATORIA 1. y se puede analizar cómo cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades sino otro concepto: la función de densidad. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable.2. 3. La distribución de probabilidad de una variable aleatoria describe teóricamente la forma en que varían los resultados de un experimento aleatorio. 2. Intuitivamente se trataría de una lista de los resultados posibles de un experimento con las probabilidades que se esperarían ver asociadas con cada resultado. Ejemplo  Distribución de probabilidad de los posibles resultados de lanzar una moneda  Distribución de probabilidad de los posibles resultados de lanzar un dado  Distribución de probabilidad de los posibles resultados de lanzar un dado que tiene los valores (1. Distribución de probabilidad de una variable aleatoria La distribución de probabilidad de una variable aleatoria X. que asigna a cada evento definido sobre X una probabilidad dada por la siguiente expresión: FX  x  P X  x Y de manera que se cumplan las siguientes tres condiciones:  lim F x   1  lim F x   1 x  x   Es continua por la derecha. 2.

Distribuciones especiales para Simulación 1. la función de distribución es la integral de la función de densidad: F x    x  f t  dt La función de densidad de una variable aleatoria determina la concentración de probabilidad alrededor de los valores de una variable aleatoria continua. simplemente. se utiliza con el propósito de conocer cómo se distribuyen las probabilidades de un suceso o evento. representada comúnmente como F(x). [Escriba texto] Página 1 . función de densidad. en relación al resultado del suceso.2. o de manera inversa.2. Función de densidad de una variable aleatoria continua La función de densidad de probabilidad (FDP) o. La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la función de distribución de probabilidad F(x).

430mm y 300mm. c) Ahora calcula la media de esas diferencias al cuadrado.Distribuciones especiales para Simulación 2.4. La fórmula es fácil: es la raíz cuadrada de la varianza. 2.1. Respuesta: MEDIA  [Escriba texto] 600  470  170  430  300 1970   394 5 5 Página 2 . En otras palabras. la varianza y la desviación estándar. VARIANZA Es la media de las diferencias con la media elevadas al cuadrado.3. 2.2. sigue estos pasos: a) Calcula la media (el promedio de los números) b) Ahora. 470mm. 170mm. por cada número resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado). Cuando el conjunto es una muestra aleatoria recibe el nombre de media muestral siendo uno de los principales estadísticos muestrales. MEDIA La media aritmética (también llamada promedio o simplemente media) de un conjunto finito de números es el valor característico de una serie de datos cuantitativos objeto de estudio que parte del principio de la esperanza matemática o valor esperado. PROPIEDADES DE LA VARIABLE ALEATORIA 2. se obtiene a partir de la suma de todos sus valores dividida entre el número de sumandos. DESVIACIÓN ESTÁNDAR La desviación estándar (σ) mide cuánto se separan los datos. EJEMPLO Tú y tus amigos han medido las alturas de algunos perros (en milímetros): Las alturas (de los hombros) son: 600mm. 2. Calcula la media.

o extra grande o extra pequeño. elévala al cuadrado.704. y haz la media: 2062  762   224   262   94  108520 VARIANZA      21704 5 5 2 2 2 Así que la varianza es 21. así que: Desviación estándar:   21704  147 Y lo bueno de la desviación estándar es que es útil: ahora veremos qué alturas están a distancia menos de la desviación estándar (147mm) de la media: Así que usando la desviación estándar tenemos una manera "estándar" de saber qué es normal. Y la desviación estándar es la raíz de la varianza. toma cada diferencia. Vamos a dibujar esto en el gráfico: Ahora calculamos la diferencia de cada altura con la media: Para calcular la varianza. [Escriba texto] Página 3 .Distribuciones especiales para Simulación Así que la altura media es 394 mm.

. Pero elevarlas al cuadrado hace que la respuesta sea muy grande. ¿Por qué al cuadrado? Elevar cada diferencia al cuadrado hace que todos los números sean positivos (para evitar que los números negativos reduzcan la varianza) y también hacen que las diferencias grandes se destaquen.500.000 es mucho más grande que 502=2. así que lo deshacemos (con la raíz cuadrada) y así la desviación estándar es mucho más útil. la desviación sólo significa qué tan lejos de lo normal [Escriba texto] Página 4 . En conclusión. Por ejemplo 1002=10..Distribuciones especiales para Simulación Los Rottweilers son perros grandes. Y los Dachsunds son un poco pequeños.

67% 6 1   16.1. VARIABLE DISCRETA 3. Esta es la distribución discreta más sencilla.. Ejemplos La probabilidad de que salga cara o sello al lanzar una moneda 1  50% 2 1   50% 2 P( X Cara )  P( X  Sello ) La probabilidad de que salga cualquier número al tirar un dado: 1  16..67% 6 1   16..67% 6 1   16. UNIFORME Sea X una variable aleatoria discreta que toma valores X1.Xn tales la probabilidad de tomar cada uno de los valores es: P( X  X i )  1 p Cuando esto ocurre se dice que X se distribuye como una variable aleatoria Uniforme discreta. la cual asigna la misma probabilidad a cada una de las soluciones.67% 6 1   16..Distribuciones especiales para Simulación 3.67% 6 1   16.67% 6 P( X 1)  P( X  2) P( X 3) P( X  4) P( X 5) P( X 6) [Escriba texto] Página 5 .

Ejemplo Una central telefónica recibe una media de 480 llamadas por hora. Si el número de llamadas se distribuye según una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas por minuto. donde X suele representar el número de eventos independientes que ocurren a velocidad constante en un intervalo de tiempo o en un espacio. por tanto.x 0    n    X i e . POISSON Esta es una distribución discreta de gran utilidad sobre todo en procesos biológicos. si su función o distribución de probabilidad viene dada por: P X  X i   e  X i Xi ! En esta distribución λ representa el número promedio de ocurrencias en un intervalo de tiempo o en un espacio. sea X una variable aleatoria discreta. etc.2. Por lo tanto.Distribuciones especiales para Simulación 3. o no estar los defectos igualmente distribuidos en el material. Sin embargo. de llegar muchos clientes en una determinada franja horaria y pocos en otra. la distribución de Poisson no sería apropiada. número de defectos en un trozo de material. se dice que se distribuye como una distribución de Poisson: x  P(  ) Con λ>0. ¿cuál es la probabilidad de que en un minuto determinado no sea posible dar línea a todos los clientes? [Escriba texto] Página 6 .x 0   X ! i 1 i Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con una Poisson: Número de clientes que llegan a un banco durante una hora o una mañana. Así. para esta distribución se verifica que su esperanza y su varianza son: E X    V X    Y su función de distribución: F x  0 .

la media será: E X     480 8 60 Entonces: X  P(8) La probabilidad de que reciba más de doce llamadas será: P( X 12)  1  P( X 12) n P( X 12)  1   e   X i 1 Xi ! 8Xi  1  e Xi ! i 1 12 P( X 12) i 8 P( X 12)  1  0.9362 P( X 12)  0.Distribuciones especiales para Simulación Solución Si definimos X = “Nº de llamadas por minuto”.0638 [Escriba texto] Página 7 .

Surge cuando consideramos una variable aleatoria que toma valores en un intervalo finito de manera equiprobable. tales que:   a  b   X  U  a. 6] y definimos una variable aleatoria como X=”número seleccionado”. Solución En este caso para calcular la probabilidad lo que hacemos es: [Escriba texto] Página 8 .x  a .a  x  b .Distribuciones especiales para Simulación 4.1. b. Calcula la probabilidad de que el número seleccionado sea menor de 5 y el número esperado. VARIABLE CONTÍNUA 4. ba a xb Lo más significativo que vamos a destacar de esta distribución es que su esperanza y su varianza vienen dadas por las siguientes expresiones: ab 2 ba  12 E X   V X  La función de distribución dada una variable aleatoria uniforme es 0 xa F x    b  a  1 .b  x Ejemplo Seleccionamos al azar un número real en el intervalo [2. se dice que se distribuye como una distribución uniforme de parámetros a. UNIFORME Es la más sencilla de las distribuciones continuas. Esta se define como una variable aleatoria continua. b  Siempre se verifica que su función de densidad viene dada por la expresión: f x   1 . X.

aplicamos la formula y nos queda: V X   [Escriba texto] ba 62 1    0.75 a b 62 4 Para calcular la esperanza.33 12 12 3 Página 9 .Distribuciones especiales para Simulación 5 P X 5   2 5 1 1 X 5 2 3 f ( x ) dx   dx   dx       0.75 62 4 4 2 4 4 4 2 2 5 5 Esto se podía haber hecho más rápido con la función de distribución de la siguiente forma: P X 5  F5  x b 52 3    0.

2. Las ventajas teóricas de este modelo hacen que su uso se generalice en las aplicaciones reales. se denomina "normal tipificada". donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribución.  Es una función simétrica respecto a la media. como se puede ver en el gráfico. en torno a un valor central que coincide con el valor medio de la distribución. V X    2  La media. y su ventaja reside en que hay tablas. Es se verá con más detalle en el siguiente apartado.   . Propiedades:  Tiene un parámetro que es la media E X     Tiene otro parámetro que nos da la dispersión. y σ es cualquier valor entre –∞ y +∞. si su función de densidad viene dada por: x f X   2 2 e 2 Cuando la media de la distribución es 0 y la varianza es 1.Distribuciones especiales para Simulación 4. a  [Escriba texto] Página 10 . NORMAL Se caracteriza porque los valores se distribuyen formando una campana de Gauss. μ es el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva (campana de Gauss).     >0 Donde se verifica que -∞<x<+∞. σ) . se dice que se distribuye como una normal: X  N  . donde X se distribuye como una normal de parámetros X→N(μ. Sea X una variable aleatoria continua. la moda y la mediana coinciden. entonces: Y  N  a  b. o rutinas de cálculo que permiten obtener esos mismos valores.  Si definimos la variable Y = a X + b.

96  X  1. Calcular el valor “d” tal que las especificaciones cubran 95% de las mediciones.95 P 1.Distribuciones especiales para Simulación  • Sean dos variables aleatorias normales que se distribuyen X1→N(μ1.5 0.96   1.96  0.2 d  0.   Al definir la nueva variable Z Siempre se verifica que: X   Z  N  0. Solución: De la Tabla es fácil ver que para 0. 12   2 2  Tipificando la normal Sea: X  N  .σ1) y X2→N(μ2.96  0.1 x X  x  P  X  x     P Z         Ejemplo Se utilizan medidores para rechazar todos los componentes donde cierta dimensión no está dentro de la especificación 1. entonces esta nueva variable se distribuye como:  Y  N 1  2 .5  d   1.392 [Escriba texto] Página 11 .95 Por lo tanto: Z X  1. Se sabe que esta medida se distribuye de forma normal con media 1.50 y desviación estándar 0.50±d.2.2 d  1.σ2) se define una nueva variable de la forma Y = X1 + X2.

dispondremos de n observaciones sobre el comportamiento del sistema. mediante modelos matemáticos...15 Frec.65 0.30   4  0. proceso o actividad que se quiere analizar.05   1 0. Abs.35 0.05.20 0.Distribuciones especiales para Simulación 5. 1. cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo.. Ac. Relativa 0. se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos).00 Se desea conocer el número esperado (o medio) de consultas por día.20 0. Tras repetir n veces este experimento. 5 consultas). . lo cual nos será de utilidad para entender el funcionamiento del mismo –obviamente.. nuestro análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo. identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Consultas EIS 0 1 2 3 4 5 Frec.20   5  0.95 [Escriba texto] Página 12 . MÉTODO DE MONTECARLO La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar.05 0. y las frecuencias relativas acumuladas. Relat. La clave de la simulación MC consiste en crear un modelo matemático del sistema.. Ejemplo Sea muestra un análisis histórico de 200 días sobre el número de consultas diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central.muestras aleatorias (valores concretos) para dichos inputs. La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días que se producen 0. Solución Forma manual n E X    xi  P X  xi  i 0 E X   0  0. las frecuencias relativas (10/200 = 0.20   3  0. 0.30 0.85 1.10   2  0.15  E X   2.15 0. el comportamiento aleatorio de sistemas reales no dinámicos (por lo general.05 0..10 0. (días) 10 20 40 60 40 30 Frec. y (2) analizar el comportamiento del sistema ante los valores generados. se lleva a cabo un experimento consistente en (1) generar – con ayuda del ordenador.). Una vez identificados dichos inputs o variables aleatorias.

En este caso. Así por ejemplo. obtenido de forma aleatoria y según la distribución de probabilidad anterior.Distribuciones especiales para Simulación Simulación de Monte Carlos con Excel Conociendo la distribución de probabilidad. podremos suponer que ese día se han producido 2 consultas al EIS. estará asociado a un suceso. al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1). Asignamos el valor “=Aleatorio()” a la casilla F1 Y luego procedemos a arrastrar con el mouse para generar más valores. si el ordenador nos proporciona el número pseudo-aleatorio 0.2567. estaremos llevando a cabo un experimento cuyo resultado. será posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de números aleatorios asociados a cada suceso. los intervalos obtenidos son: Esto significa que. [Escriba texto] Página 13 . tantos como creamos convenientes.

un valor idéntico o al menos muy cercano a lo esperado.Distribuciones especiales para Simulación Generamos una función para asignar el valor correspondiente en la columna siguiente: Y arrastramos nuevamente con el mouse para asignarle un valor de consultas a cada número aleatorio. como el número de eventos. pero teniendo la posibilidad de alterar diferentes patrones característicos. [Escriba texto] Página 14 . Finalmente usando la función “=Promedio(G:G)” obtendremos.

Distribuciones especiales para Simulación 6. CASO PRÁCTICO CON SOFTWARE 6.1. SIMULACIÓN MC CON VARIABLES DISCRETAS [Escriba texto] Página 15 .

Distribuciones especiales para Simulación 6. SIMULACIÓN MC CON VARIABLES CONTINUAS [Escriba texto] Página 16 .2.

En Estadística (pág. Guadalajara. Recuperado el 29 de Octubre de 2014. MONTERO. Simulación.com/datos/desviacionestandar. RODRIGEZ ARAGÓN. México. J. (2008). DLM. (2011).disfrutalasmatematicas.pdf [Escriba texto] Página 17 . H. Disfruta las Matemáticas. (2012). A. algunos métodos y aplicaciones. 29). Recuperado el 29 de Octubre de 2014. BIBLIOGRAFÍA CARRASCO. (2010). (2010). L. Simulación de Monte Carlo con excel.Distribuciones especiales para Simulación 7. de http://www.edu/in3/emath/docs/Simulacion_MC. Estadística II. Tema 3: Cálculo de probabilidades. de Varianza y desviación estándar: http://www.html UNIVERSITAT OBERTA DE CATALUNYA.uoc.