You are on page 1of 30

> 24-11-2016

Modelación estocástica.
Unidad 3. Elementos de simulación.
Evidencia de Aprendizaje. Simulación de números
pseudoaleatorios y variables aleatorias.

.http://static.wixstatic.com/media/a8b6eb_19b6474edcfe4cc68ce427747
b1e0a1b.jpg/v1/fill/w_626,h_470/a8b6eb_19b6474edcfe4cc68ce427747
b1e0a1b.jpg.png

Joel Alberto Montalvo Hernández


AL12523631
MODELACION ESTOCASTICA
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

INTRODUCCION
Simulación del latín similis parecido y el sufijo ion acción o efecto de, representar algo imitando o
fingiendo lo que no es. Podemos definir a la simulación como la experimentación con un modelo que imita
ciertos aspectos de la realidad. Esto permite trabajar en condiciones similares a las reales, pero con variables
controladas y en un entorno que se asemeja al real pero que está creado o acondicionado artificialmente.
La idea es que la simulación permita comprobar el comportamiento de una persona, de un objeto o de
un sistema en ciertos contextos que, si bien no son idénticos a los reales, ofrecen el mayor parecido posible.
Así, es posible corregir fallos antes de que la experiencia, efectivamente, se concrete en el plano de lo real. En
la actualidad, la simulación es una de las herramientas de análisis cuantitativo que más uso tienen y se presenta
como una solución a muchos problemas de índole administrativa; simular equivale a tratar de duplicar las
funciones, apariencias y características de un sistema real, mediante la construcción de un modelo matemático
que se asemeje lo más posible a la representación real del sistema, y a partir de ahí, obtener conclusiones y
tomar decisiones de acción, con base en los resultados de la simulación. Podemos modificar los valores de las
variables que intervienen en un problema y determinar el comportamiento del mismo o bien mantenerla fijas y
hacer pronósticos sobre el comportamiento futuro del mismo.
Para poder llevar a cabo una simulación se requiere definir tres cosas:
Sistema: Conjunto de objetos o ideas que están interrelacionados entre sí como una unidad para la
consecución de un fin (Shannon, 1988). También se puede definir como la porción del Universo que será objeto
de la simulación.
Modelo: es una representación abstracta, gráfica, conceptual, visual del sistema a analizar, el cual nos
permitirá controlar variables y obtener, soluciones así como predicciones del comportamiento del mismo.
Simulación: Simulación es el proceso de diseñar un modelo de un sistema real y llevar a cabo
experiencias con él, con la finalidad de aprender el comportamiento del sistema o de evaluar diversas
estrategias para el funcionamiento del sistema.
En ciencias, ingeniería los procesos de simulación han permitido analizar desde diversas ópticas un
problema permitiendo realizar pruebas de un modelo a escala o un experimentoantes de realizarlo, reduciendo
con ello los gastos de investigación y desarrollo.
La simulación es conveniente cuando:
· No existe una formulación matemática analíticamente resoluble. Muchos sistemas reales no
pueden ser modelados matemáticamente con las herramientas actualmente disponibles, por ejemplo la
conducta de un cliente de un banco.

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

· Existe una formulación matemática, pero es difícil obtener una solución analítica. Los modelos
matemáticos utilizados para modelar un reactor nuclear o la respuesta dinámica de un ala de avión.a planta
química, los cuales son imposibles de resolver en forma analítica sin realizar serias simplificaciones.
· No existe el sistema real. Cuando un ingeniero diseña un sistema nuevo, la simulación permitirá
mejorarlo antes de materializarlo
· Los experimentos son imposibles debido a impedimentos económicos, de seguridad, de calidad
o éticos. En este caso el sistema real está disponible para realizar experimentos, pero la dificultad de los
mismos hace que se descarte esta opción, por ejemplo en aviación no es posible provocar fallas en un avión
real para evaluar la conducta del piloto.
· El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de dinámica lenta es el
problema de los científicos que estudian el calentamiento global, deben predecir las consecuencias del mismo
dentro de 50 o 100 años. Caso contrario cuando se presenta un huracán el cual puede evolucionar rápidamente
y provocar serios daños a una región por donde pueda pasar, el predecir su trayectoria permite reducir los daños
en vidas humanas.
Los números pseudoaleatorios constituyen la parte medular de la simulación de procesos estocásticos
se usan para generar el comportamiento de variables aleatorias continuas o discretas. Debido a que no es
posible generar números realmente aleatorios, los consideramos como pseudoaleatorios, generados por medio
de algoritmos (expresiones matemáticas) en los cuales determinamos las condiciones iniciales, el uso de las
computadoras nos permite generar fácilmente una gran cantidad de dichos números independientes y
uniformes, también los podemos generar mediante el uso de algoritmos, usaremos para los números
pseudoaleatorios el de los cuadrados medios y el congruencial y para las variables aleatorias el de la
transformada inversa.
Para aceptar un conjunto de números pseudoaleatorios estos deben de:
Estar uniformemente distribuidos, es decir, que no haya demasiados números en un subintervalo y en
otro muy pocos o ninguno.
Ser discretos y no continuos, por ejemplo no se aceptarían 0.125, 0.126, 0.127.
La media del conjunto debe ser cercana a 0.5.
La varianza del conjunto debe ser cercana a 1/12.
Para planear una simulación debemos:
 Definir el sistema a estudiar sus alcances y limitaciones así como las condiciones generales del
mismo.
 Desarrollo del modelo, el cual considera los aspectos relevantes del sistema así como las
variables que en el intervienen.
 Recabar datos históricos, mediciones en el sistema real.

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

 Diseño del experimento, determinamos el tipo de experimento a realizar, el tiempo de inicio, de


simulación y el número de simulaciones.
 Realización del experimento, se efectúan las simulaciones y los resultados obtenidos con
recolectados y procesados.
 Evaluación de resultados, mediante pruebas de bondad de ajuste determinamos la validez del
modelo propuesto o bien modificar el modelo propuesto.
 Reporte final el cual incluye documentación técnica, manuales de uso, descripción del modelo,
desarrollo del proyecto, resultados análisis de los mismos y conclusiones.
Métodos para generar números pseudoaleatorios
Métodos no tienen periodos relativamente cortos, esto es permiten solo generar pocos
congruenciales números pseudoaleatorios.
Cuadrados el procedimiento de obtención de números pseudoaleatorios con este tipo de generador
medios es el siguiente:
• Se define una semilla.
• Se eleva la semilla al cuadrado.
• Dependiendo de la cantidad de dígitos que se desea tenga el número pseudoaleatorio,
se toman de la parte central del número resultante en el paso anterior el número de
dígitos requeridos. Si no es posible determinar la parte central, se completa el número
agregando ceros al principio o al final.
• Debe tenerse en cuenta que se desean números pseudoaleatorios entre 0 y 1, en
consecuencia el resultado se debe normalizar, es decir, si los números son de dos
dígitos se normaliza dividiendo por 100, si es de tres dígitos por mil y así
sucesivamente.
Producto medio Se comienza con dos semillas X0 y X1 cada una con k dígitos, el número resultante se
toma como las cifras centrales del producto de los dos números anteriores.
Para calcular el 2° número se multiplica X1 por el número obtenido en el proceso
anterior, el proceso se repite tantas veces como se requiera.
Ejemplo: X0 =13 y X1 =15
X2 = (13*15)= 0195 = 19, luego R2 =19 / 100 = 0.19.
X3 = (15*19) = 0285 = 28, luego R3 = 28 / 100 = 0.28.
X4 = (19*28) = 0532 = 53, luego R4=53 / 100 = 0.53.
Multiplicador consiste en usar una constante multiplicativa en lugar de una variable. Es decir Xn+1 =
constante (K*Xn).

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

Métodos
congruenciales
Congruencial calcula una sucesión de números pseudoaleatorios mediante la relación Xn+1= Xn +Xn-
aditivo k (mod M). Para usar este método se necesitan k valores iniciales, siendo k entero. Las
propiedades estadísticas de la secuencia tienden a mejorarse a medida que k se
incrementa. Este es el único método que produce periodos mayores que M.
Congruencial los generadores congruenciales ineales generan una secuencia de números
mixto pseudoaleatorios en la cual el próximo número pseudoaleatorio es determinado a partir
del último número generado, es decir, el número pseudoaleatorio Xn+1 es derivado a
partir del úmero pseudoaleatorio Xn La relación de recurrencia para el generador
congruencial mixto es
Xn+1 =(a Xn+c) mod m, en donde
• X0 = es la semilla
• a =el multiplicador
• c = constante aditiva
• m = el modulo (m > X0, a,c)
• X0, a, c >0
Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir a Xn+c entre
el modulo. Lo anterior significa que los valores posibles de Xn+1 son 0,1,2,3 ....m-1,
es decir, m representa el número posible de valores diferentes que pueden ser
generados.
Congruencial calcula una sucesión Xn de enteros no negativos, cada uno de los cuales es menor que
multiplicativo M mediante la relación Xn+1= a.Xn (mod M). Es un caso especial de la relación de
congruencia en que c=0, este método se comporta de manera satisfactoria
estadísticamente, es decir, los números generados por medio de este método están
unifórmente distribuidos, y no están correlacionados. Este método tiene un periodo
máximo menor que M, pero se pueden imponer condiciones en a y X0 de tal forma que
se obtenga el periodo máximo. Desde el punto de vista computacional es el más rápido
de todos.

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

1) Problema Prototipo: Considerando el trabajo ya realizado en las unidades 1 y 2, elabora:


a) Planteamiento del problema: establece los ajustes a tu problema ya planteado para elaborar
una simulación.
Resumen problema de la evidencia 2
Para un auto nuevo se considera como duración de sus llantas el kilometraje que señala el odómetro al
momento que requiera cambiarlas por el desgaste asociado al rodamiento (los neumáticos cuentan con unas
marcas las cuales señalan el momento idóneo para su cambio).
Nacional de Llantas, proveedor de neumáticos para los vehículos Journey fabricados en México por
Chrysler, otorga una garantía duración de 40,000 kms para su modelo GTS 4, necesita saber si su producto
cumple con lo ofrecido, para ello solicita a sus concesionarios información sobre la duración de dicho modelo
en kilómetros, anotando el kilometraje del odómetro cuando el cliente acude a cambiar sus llantas, los datos
proporcionados se consideran en la siguiente tabla. También desea conocer si es recomendable ampliar la
garantía del producto a 50 o 60 mil kms.
52452 51179 67662 50238 36950 62215 48662 66310 67430 59483
48698 61979 57884 46681 59880 37402 50356 41460 46850 64398
44411 80502 60727 78635 55989 53808 67124 41250 47950 28625
63692 50432 74582 53324 61390 65550 51269 35850 49860 33142
84588 65854 43068 55257 66520 59449 25875 53571 51360 42158
55643 41886 35342 56155 41720 49677 61065 41830 43250 68829
47012 40003 37748 58708 49010 85600 69010 32819 25860 58267
79426 40709 75850 41539 84566 59168 45500 35807 48950 37864
48240 55912 34754 44719 86070 72655 57840 61477 57277 61030
74239 71360 65996 51861 48035 29840 45313 89116 65585 55521

Los datos presentados se ajustan a una distribución normal con media 53,271 km. Y desviación estándar
de 14,910 km.
Para considerar un sistema de colas, se consideró el proceso que sigue el propietario de una Journey al
cambiar sus neumáticos en una concesionaria de Nacional de llantas, se miden los tiempos entre arribos y
los tiempos de servicio de cambio de llantas.
Se recabaron 40 datos y se analizó el comportamiento de los mismos.

b) Planteamiento del problema.


El propósito de solucionar el problema es determinar el tipo de distribución de los tiempos entre llegada de l0so
clientes a la concesionaria, para ello se realizará una prueba de Kolmogorov smirnov para validar el modelo
propuesto.

Se realizará una simulación para los tiempos entre llegadas de ,los clientes a la concesionaria, considerando
una distribución exponencial lambda 0.66654, los números pseudoaleatorios se calcularán por medio del
método congruencial.
c) Establece los datos relacionados a tu problema.
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

Los datos obtenidos se muestran en la siguiente tabla

d) Ajusta y verifica a que distribución se ajusta el problema


Tabulamos los datos, elaboramos la tabla de frecuencia y el histograma correspondiente, calculamos la
frecuencias esperadas y comparamos histogramas, elaboramos una prueba Smirnov Kolmogorov.

En el histograma se observa que las frecuencias decrecen rápidamente y como tenemos una variable aleatoria
continua con espacio de estado continuo considero que los datos se ajustan a un modelo exponencial.
𝑃𝑎𝑟𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝜇 = 𝜆, 𝜎 2 = 𝜆2
1 −𝑥
𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑥 𝑒𝑠 𝑓(𝑥; 𝜆) = { 𝜆 𝑒 , 𝑥 ≥ 0
𝜆

0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
40 40
𝑥𝑖 26.66 1 6.57958525
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑦 𝑙𝑎 𝑎𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜇 = ∑ = = 0.6665; , 𝜎 2 = ∑(𝑥 − 0.665)2 =
40 40 4 40
𝑖=1 𝑖=1

= .164489631
1 𝑥
𝐸𝑛 𝑒𝑠𝑡𝑒 𝑐𝑎𝑠𝑜 𝜇 = 0.666540, 𝜎 2 = .16489631, 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑒𝑠 𝑓(𝑥, 0.66654) = 𝑒 −0.6665 ;
0.6665
𝑏
1 𝑥 𝑥
𝑏 𝑎 𝑏
𝐹(𝑥; 𝑎, 𝑏) = ∫ 𝑒 −0.6665 𝑑𝑥 = −𝑒 −0.6665 | = 𝑒 −0.6665 − 𝑒 −0.6665
𝑎 0.6665 𝑎

𝑎 𝑏
𝑃𝑎𝑟𝑎 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎𝐹𝐸𝑖 = 𝑛𝐹(𝑥) = 40 (𝑒 −0.6665 − 𝑒 −0.6665 )

Generamos una tabla que incluya FOi y FEi y su histograma

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

Lim inf Lim sup FO i FE i

0.05 0.29 11 14.1116657

0.29 0.53 11 7.82795673

0.53 0.77 4 5.46098689

0.77 1.01 7 3.80972696

1.01 1.25 4 2.65776494

1.25 1.49 2 1.85412618

1.49 1.73 1 4.2777726

Haremos una prueba de Kolmogorov Smirnov


𝑎 𝑏
Calculamos POi=FOi/40, POAi, PEi=𝑒 −0.6665 − 𝑒 −0.6665 , PEAi, |PEAi-POAi|, y señalamos Max|PEAI-POAi|

Lim inf Lim sup FO i FE i PO i POA i PE i PEA i |PEA i-POA i|

0.05 0.29 11 14.1116657 0.275 0.275 0.35279164 0.35279164 0.077791642

0.29 0.53 11 7.82795673 0.275 0.55 0.19569892 0.54849056 0.001509439

0.53 0.77 4 5.46098689 0.1 0.65 0.13652467 0.68501523 0.035015233

0.77 1.01 7 3.80972696 0.175 0.825 0.09524317 0.78025841 0.044741593

1.01 1.25 4 2.65776494 0.1 0.925 0.06644412 0.84670253 0.07829747

1.25 1.49 2 1.85412618 0.05 0.975 0.04635315 0.89305568 0.081944315

1.49 1.73 1 4.2777726 0.025 1 0.10694432 1 0

𝑀𝐷 = 0.081944315
Planteamos nuestras hipótesis
𝐻𝑜 : 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑒𝑛 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎 𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝜆 = 0.6665
𝐻𝑜: 𝑋~ 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝜆 = 0.6665
𝐻𝑎 𝑛𝑜 𝐻𝑜
𝑃𝑎𝑟𝑎 𝛼 = 0.05 𝑐𝑜𝑛 𝑛 = 50 𝐷0.05,40 = 0.2102
𝐶𝑜𝑚𝑜 𝑀𝐷 = 0.081944315 ≤ 0.2102 = 𝐷0.05,40 , 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑝𝑎𝑟𝑎 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻𝑜, 𝑝𝑜𝑟 𝑙𝑜 𝑐𝑢𝑎𝑙 𝑝𝑜𝑑𝑒𝑚𝑜𝑠
𝑎𝑓𝑖𝑟𝑚𝑎𝑟 𝑞𝑢𝑒 𝑐𝑜𝑛 𝑢𝑛 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 0.05 𝑞𝑢𝑒 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑒𝑛 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎 𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 (𝜆 = 0.6665).

e) Elabora una simulación con 40 datos. Explica el método que empleaste para realizar la
simulación de acuerdo a lo visto en el material desarrollado.

𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑒𝑠 𝑓(𝑥, 𝜆) = { 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0


0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎


𝑥 0 𝑥 𝑥
𝑥
∫ 𝑓(𝑥) 𝑑𝑥 = ∫ 0 𝑑𝑥 + ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = − ∫ −𝜆𝑒 −𝜆𝑥 𝑑𝑥 = −[𝑒 −𝜆𝑥 ] = −[𝑒 −𝜆𝑥 − 𝑒 −𝜆0 ] = −[𝑒 −𝜆𝑥 − 1]
−∞ −∞ 0 0
0
= 1 − 𝑒 −𝜆𝑥
𝐷𝑎𝑑𝑜 𝑟𝑖 = 1 − 𝑒 −𝜆𝑥
𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑒 −𝜆𝑥 = 1 − 𝑟𝑖
𝑎𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝐼𝑛 𝑒𝑛 𝑎𝑚𝑏𝑜𝑠 𝑙𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑 − 𝜆𝑥 = 𝐼𝑛|1 − 𝑟𝑖 |
𝟏 1 1
𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝒙 = − 𝑰𝒏|𝟏 − 𝒓𝒊 | 𝑐𝑜𝑛 𝜆 = 𝑐𝑜𝑛 𝜇 = 0.6665 𝜆 = = 1.5
𝝀 𝜇 0.6665
Calculamos 40 números pseudoaleatorios por el método congruencial usando Excel calculamos las Xi
It ri a c a+c*r i m (a+c*r i)mod m Xi (Num- μ)^2 *-0.6665In(1-Xi)
1 17 41 19 364 817 364 0.4461 0.000901 0.3937
2 364 41 19 6957 817 421 0.5159 0.001586 0.4836
3 421 41 19 8040 817 687 0.8419 0.133816 1.2294
4 687 41 19 13094 817 22 0.0270 0.201729 0.0182
5 22 41 19 459 817 459 0.5625 0.007464 0.5510
6 459 41 19 8762 817 592 0.7255 0.062194 0.8616
7 592 41 19 11289 817 668 0.8186 0.117323 1.1379
8 668 41 19 12733 817 478 0.5858 0.012030 0.5874
9 478 41 19 9123 817 136 0.1667 0.095751 0.1215
10 136 41 19 2625 817 174 0.2132 0.069099 0.1598
11 174 41 19 3347 817 79 0.0968 0.143860 0.0679
12 79 41 19 1542 817 725 0.8885 0.170055 1.4620
13 725 41 19 13816 817 744 0.9118 0.189801 1.6181
14 744 41 19 14177 817 288 0.3529 0.015169 0.2901
15 288 41 19 5513 817 611 0.7488 0.074350 0.9207
16 611 41 19 11650 817 212 0.2598 0.046785 0.2005
17 212 41 19 4069 817 801 0.9816 0.255545 2.6636
18 801 41 19 15260 817 554 0.6789 0.041135 0.7572
19 554 41 19 10567 817 763 0.9350 0.210631 1.8223
20 763 41 19 14538 817 649 0.7953 0.101914 1.0573
21 649 41 19 12372 817 117 0.1434 0.110703 0.1031
22 117 41 19 2264 817 630 0.7721 0.087590 0.9855
23 630 41 19 12011 817 573 0.7022 0.051123 0.8074
24 573 41 19 10928 817 307 0.3762 0.009976 0.3146
25 307 41 19 5874 817 155 0.1900 0.081883 0.1404
26 155 41 19 2986 817 535 0.6556 0.032233 0.7105
27 535 41 19 10206 817 402 0.4926 0.000274 0.4523
28 402 41 19 7679 817 326 0.3995 0.005867 0.3399
29 326 41 19 6235 817 516 0.6324 0.024414 0.6669
30 516 41 19 9845 817 41 0.0502 0.181355 0.0344
31 41 41 19 820 817 3 0.0037 0.223187 0.0025
32 3 41 19 98 817 98 0.1201 0.126740 0.0853
33 98 41 19 1903 817 269 0.3297 0.021446 0.2666
34 269 41 19 5152 817 250 0.3064 0.028808 0.2438
35 250 41 19 4791 817 706 0.8652 0.151393 1.3356
36 706 41 19 13455 817 383 0.4694 0.000045 0.4223
37 383 41 19 7318 817 782 0.9583 0.232546 2.1182
38 782 41 19 14899 817 193 0.2365 0.057400 0.1799
39 193 41 19 3708 817 440 0.5392 0.003983 0.5164
40 440 41 19 8401 817 231 0.2831 0.037255 0.2218
Total 20.0784 3.419361 26.3513
Media 0.5020 0.6588
Varianza 0.072745

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

La media de los números generados es 0.5020 muy cercana a la teórica de 0.5, la varianza obtenida es
0.072745 muy cercano a la teórica de .08333, la base de números generada es válida para la simulación,
además la media de las variables aleatorios0.6588 se aproxima a la teórica de 0.6665, se ajustan alos
parámetros de una distribución uniforme (0,1), la base generada es válida..
El diagrama de dispersión es
Tiempo entre llegadas
3.0000

2.5000

2.0000

1.5000

1.0000

0.5000

0.0000
0 5 10 15 20 25 30 35 40 45

2.6611
𝑅𝑎𝑛𝑔𝑜 = 𝑀𝑎𝑥 − 𝑚𝑖𝑛 = 2.6636 − .0025 = 2.6611, 𝑘 = √40 = 6.32~7, 𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑 = = .3802
7

Lim inf Lim sup FO i


0.0025 0.3826 17
0.3826 0.7627 10
0.7627 1.1428 6
1.1428 1.5229 3
1.5229 1.903 2
1.903 2.2831 1
2.2831 2.6636 1
De acuerdo al histograma los datos se ajustan a una distribución exponencial,

f) Utilizando tus datos simulados:


i) Establece la media y varianza de los datos.
40 40
𝑥𝑖 26.3513 1 15.0643588
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑦 𝑙𝑎 𝑎𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜇 = ∑ = = 0.6588; , 𝜎 2 = ∑(𝑥 − 0.6588)2 =
40 40 40 40
𝑖=1 𝑖=1

= 0.376608971

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

𝐸𝑛 𝑒𝑠𝑡𝑒 𝑐𝑎𝑠𝑜 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑒𝑠 𝜇 = 0.6588, 𝐿𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜎 2 = 0.376608971

Xi (Xi-0.6588)^2 0.0025
0.3937 0.0702658 0.0182
0.4836 0.0307074 0.0344
1.2294 0.3256154 0.0679
0.0182 0.4103478 0.0853
0.5510 0.0116249 0.1031
0.8616 0.0411400 0.1215
1.1379 0.2294891
0.1404
0.5874 0.0050934
0.1598
0.1215 0.2886727
0.1598 0.2489570 0.1799
0.0679 0.3492014 0.2005
1.4620 0.6451372 0.2218
1.6181 0.9202454 0.2438
0.2901 0.1359106 0.2666
0.9207 0.0685948 0.2901
0.2005 0.2100298 0.3146
2.6636 4.0191297 0.3399
0.7572 0.0096807
0.3937
1.8223 1.3537150
0.4223
1.0573 0.1588415
0.4523
0.1031 0.3087470
0.9855 0.1067538 0.4836
0.8074 0.0220721 0.5164
0.3146 0.1184973 0.5510
0.1404 0.2687331 0.5874
0.7105 0.0026759 0.6669
0.4523 0.0426619 0.7105
0.3399 0.1016838 0.7572
0.6669 0.0000660
0.8074
0.0344 0.3899266
0.0025 0.4307889
0.8616
0.0853 0.3289307 0.9207
0.2666 0.1538388 0.9855
0.2438 0.1722091 1.0573
1.3356 0.4580880 1.1379
0.4223 0.0559107 1.2294
2.1182 2.1297692 1.3356
0.1799 0.2293769
1.4620
0.5164 0.0202718
1.6181
0.2218 0.1909578
26.3513 15.0643588
1.8223
0.6588 2.1182
Varianza 0.376608971 2.6636

ii) Realiza dos inferencias de tus resultados.


Verificamos que con un nivel de significancia α=0.05 los datos se ajustan a una distribución exponencial
Prueba Chi cuadrada
1
Consideramos 𝐹𝐸 𝑖 = 40 ∗= −[𝑒 −𝜆𝑏 − 𝑒 −𝜆𝑎 ] 𝜆 = 0.6665 = 1.5

Determinamos el parámetro C con m=7

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.
7
(𝐹𝐸𝑖 − 𝐹𝑂𝑖)2
𝐶=∑
𝐹𝐸𝑖
𝑖=1

La tabla es
Clase Lim inf Lim sup FO i FE i (FO i-FE i)^2
1 0.0000 0.3826 17 17.4670 0.2181
2 0.3826 0.7627 10 9.7919 0.0433
3 0.7627 1.1428 6 5.5367 0.2146
4 1.1428 1.5229 3 3.1307 0.0171
5 1.5229 1.9030 2 1.7702 0.0528
6 1.9030 2.2810 1 0.9968 0.0000
7 2.2810 1 1.3065 0.0940
Total 40 40
C 0.6399
Agrupamos las clases adyacentes
Clase Lim inf Lim sup FO i FE i (FO i-FE i)^2
1 0.0000 0.3826 17 17.4670 0.2181
2 0.3826 0.7627 10 9.7919 0.0433
3 0.7627 1.1428 6 5.5367 0.2146
4 1.1428 1.5229 7 7.2043 0.0417
40 40
C 0.29964413

Planteamos nuestras hipótesis


𝐻𝑜 : 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑚𝑢𝑙𝑎𝑑𝑜𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎 𝑙𝑎 𝑐𝑜𝑛𝑐𝑒𝑠𝑖𝑜𝑛𝑎𝑟𝑖𝑎 𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎𝑛
𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑙𝑎𝑚𝑏𝑑𝑎 = 0.6665
𝐻𝑜: 𝑋~ 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑙𝑎𝑚𝑏𝑑𝑎 = 0.6665
𝐻𝑎 𝑛𝑜 𝐻𝑜
2 2
𝑆𝑖 𝐶 ≤ 𝜒𝑑𝑓,𝛼 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝐻𝑜 𝑛𝑜 𝑝𝑢𝑒𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟𝑠𝑒, 𝑠𝑖 𝐶 ≥ 𝜒𝑑𝑓,𝛼 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝐻𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎
𝐿𝑎 𝑝𝑟𝑢𝑒𝑏𝑎 𝑙𝑎 ℎ𝑎𝑟𝑒𝑚𝑜𝑠 𝑐𝑜𝑛 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 0.05 𝛼 = 0.05,
𝑃𝑎𝑟𝑎 𝑙𝑜𝑠 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑑𝑓 = 𝑘 − 𝑟 − 1
𝑒𝑛 𝑛𝑢𝑒𝑠𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝑘 = 4, 𝑟 = 0, 𝑑𝑓 = 4 − 0 − 1 = 3.
2 2
𝑇𝑜𝑚𝑎𝑚𝑜𝑠 𝜒3,0.05 = 7.815, 𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑞𝑢𝑒 𝐶 = 0.22964413 < 7.815 = 𝜒3,0.05
Por lo cual no existe evidencia para rechazar Ho, podemos afirmar que con un nivel de
significancia de 0.05 que los datos simulados para los tiempos entre llegadas de clientes se ajustan a
un modelo exponencial lambda=0.6665.

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

Para una prueba SmirnovKolmogorov elaboramos una tabla de FO, Fei, POi=FOi/n, POAi, PEi,PEAi, |PEAi-
POAi|
Clase Lim inf Lim sup FO i FE i (FO i-FE i)^2 PO i POA i PE i PEA i |PEAi-POAi|
1 0.0000 0.3826 17 17.4670 0.2181 0.425 0.425 0.4367 0.4367 0.0117
2 0.3826 0.7627 10 9.7919 0.0433 0.25 0.675 0.2448 0.6815 0.0065
3 0.7627 1.1428 6 5.5367 0.2146 0.15 0.825 0.1384 0.8199 0.0051
4 1.1428 1.5229 3 3.1307 0.0171 0.075 0.900 0.0783 0.8982 0.0018
5 1.5229 1.9030 2 1.7702 0.0528 0.05 0.950 0.0443 0.9424 0.0076
6 1.9030 2.2810 1 0.9968 0.0000 0.025 0.975 0.0249 0.9673 0.0077
7 2.2810 1 1.3065 0.0940 0.025 1.000 0.0327 1.0000 0.0000
Total 40 40 D 0.0117

Planteamos nuestras hipótesis


𝐻𝑜 : 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑚𝑢𝑙𝑎𝑑𝑜𝑠 𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎𝑛 𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎𝑛 𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝜆 = 0.6665
𝐻𝑜: 𝑋~ 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝜆 = 0.6665
𝐻𝑎 𝑛𝑜 𝐻𝑜
𝑃𝑎𝑟𝑎 𝛼 = 0.05 𝑐𝑜𝑛 𝑛 = 50 𝐷0.05,40 = 0.2102
𝐶𝑜𝑚𝑜 𝑀𝐷 = 0.0117 ≤ 0.2102 = 𝐷0.05,40 , 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑝𝑎𝑟𝑎 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻𝑜, 𝑝𝑜𝑟 𝑙𝑜 𝑐𝑢𝑎𝑙 𝑝𝑜𝑑𝑒𝑚𝑜𝑠
𝑎𝑓𝑖𝑟𝑚𝑎𝑟 𝑞𝑢𝑒 𝑐𝑜𝑛 𝑢𝑛 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 0.05 𝑞𝑢𝑒 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑚𝑢𝑙𝑎𝑑𝑜𝑠 𝑠𝑒 𝑎𝑗𝑢𝑠𝑡𝑎𝑛 𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛
𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 (𝜆 = 0.6665).

iii) Establece dos probabilidades utilizando tu datos simulados


La probabilidad de que el tiempo entre llegada de clientes a la concesionaria se menor a 0.5 horas es
P(X<0.5)=21/40=0.525, la teórica es 1-exp(-1.5*0.5)=0.5276, una diferencia de 26 diezmilésimas, si el
tamaño de la simulación aumentar dicha diferencia pordía ser menor.
La probailidad e que el tiempo entre llegadas sea maro a una hora P(X<1)=9/40=0.225 la teórica es
exp(-1.5*1)=0.2231, una diferencia de 31 milésimas
g) Conclusiones del problema prototipo.
Los 40 datos simulados se ajustan al modelo propuesto, el cual se ajusta al problema propuesto el cual
consistió en medir los tiempos entre llegadas de los clientes a la consecionaria para el servicio de sus llantas,
por este método podríamos realizar simulaciones en las cuales modifiquemos los tiempos entre llegadas y
determinemos las posibles frecuencias observadas. La simulación de variables aleatoria nos permite estudiar
un sistema y modificar sus parámetros para observar el comportamiento del mismo; en física ante los altos
costos que implica el realizar experimentos es mejor llevar a cabo simulaciones modificando los parámetros del
fenómeno a estudiar, logrando con ello reducir los costos de experimentación o bien corregir posibles fallos en
el diseño de nuestro experimento.

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑒𝑠 𝑓(𝑥, 𝜆) = { 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0


0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎
𝑥 0 𝑥 𝑥
𝑥
∫ 𝑓(𝑥) 𝑑𝑥 = ∫ 0 𝑑𝑥 + ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = − ∫ −𝜆𝑒 −𝜆𝑥 𝑑𝑥 = −[𝑒 −𝜆𝑥 ] = −[𝑒 −𝜆𝑥 − 𝑒 −𝜆0 ] = −[𝑒 −𝜆𝑥 − 1] = 1 − 𝑒 −𝜆𝑥
−∞ −∞ 0 0
0
𝐷𝑎𝑑𝑜 𝑟𝑖 = 1 − 𝑒 −𝜆𝑥𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑒 −𝜆𝑥 = 1 − 𝑟𝑖
𝟏 1 1
𝑎𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝐼𝑛 𝑒𝑛 𝑎𝑚𝑏𝑜𝑠 𝑙𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑 − 𝜆𝑥 = 𝐼𝑛|1 − 𝑟𝑖 | 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝒙 = − 𝑰𝒏|𝟏 − 𝒓𝒊 | 𝑐𝑜𝑛 𝜆 = 𝑐𝑜𝑛 𝜇 = 0.6665 𝜆 = = 1.5
𝝀 𝜇 0.6665
Los números generados son

Joel
La media de los números generados es 0.5020 muy cercana a la teórica de 0.5, la varianza obtenida es
0.072745 muy cercano a la teórica de .08333, la base de números generada es válida para la simulación,
además la media de las variables aleatorios0.6588 se aproxima a la teórica de 0.6665, se ajustan alos
parámetros de una distribución uniforme (0,1), la base generada es válida..

Joel Alberto Montalvo Hernández

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.
Se elabora el diagrama de dispersión, la tabla de frecuencia e histograma de las variables pseudosaleatorias.
Tiempo entre llegadas
3.0000

2.5000

2.0000

1.5000

1.0000

0.5000

0.0000
0 5 10 15 20 25 30 35 40 45

𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑒𝑠 𝜇 = 0.6588, 𝐿𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜎 2 = 0.376608971


Se realizaron las pruebas Chi cuadrada y de Kolmogorov Smirnov para validar que los datos se ajustan al modelo propuesto, las pruebas corroboran lo
propuesto, las tablas son.

ajustando celdas adyacentes

La probabilidad de que el tiempo entre llegada de clientes a la concesionaria se menor a 0.5 horas es P(X<0.5)=21/40=0.525, la teórica es 1-exp(-
1.5*0.5)=0.5276, una diferencia de 26 diezmilésimas, si el tamaño de la simulación aumentar dicha diferencia pordía ser menor.
La probabilidad de que el tiempo entre llegadas sea maro a una hora P(X<1)=9/40=0.225 la teórica es exp(-1.5*1)=0.2231, una diferencia de 31
milésimas
Joel Alberto Montalvo Hernández

Analiza cada una de las situaciones proporcionadas y realiza lo que se solicita en cada caso. Recuerda
establecer los procedimientos de cada ejercicio.
2) Elabora 5 simulaciones de la distribución Normal usando el método de simulación directa con media 9.5 y
desviación estándar 1. Utilice el método de congruencial utilizando una semilla a su elección.
Para una simulación directa calculamos 12 números pseudoaleatorios, los sumamos y les restamos 6
12

𝑍𝑖 = ∑ 𝑟𝑖 − 6 𝑒𝑠 𝑢𝑛𝑎 𝑠𝑢𝑚𝑎 𝑛𝑜𝑟𝑚𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑑𝑎 (0,1)


𝑖=1

Calculamos en Excel por el método congruencial, determinamos en cada caso la media y la varianza para
corroborar que tiene valores cercanos a 0.5 y .0083333 respectivamente.

12
It ri a c a+c*r i m (a+c*r i)mod m Número (Num- μ)^2 𝑋𝑖 = ∑ 𝑋𝑖 − 6
𝑖=1

1 23 43 31 756 623 133 0.213826 0.096803


2 133 43 31 4166 623 428 0.688103 0.026616
3 428 43 31 13311 623 228 0.366559 0.025090
4 228 43 31 7111 623 258 0.414791 0.012137
5 258 43 31 8041 623 565 0.908360 0.146997
6 565 43 31 17558 623 114 0.183280 0.116744
7 114 43 31 3577 623 462 0.742765 0.047440
8 462 43 31 14365 623 36 0.057878 0.218164
9 36 43 31 1159 623 536 0.861736 0.113419
10 536 43 31 16659 623 461 0.741158 0.046742
11 461 43 31 14334 623 5 0.008039 0.267206
12 5 43 31 198 623 198 0.318328 0.042696 -0.495177
Suma 5.504823 1.160056
Media 0.458735
Varianza 0.096671

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.
12

It ri a c a+c*r i m (a+c*r i)mod m Número (Num- μ)^2 𝑋𝑖 = ∑ 𝑋𝑖 − 6


𝑖=1

1 11 17 31 358 343 15 0.043860 0.231456


2 15 17 31 482 343 139 0.406433 0.014048
3 139 17 31 4326 343 210 0.614035 0.007935
4 210 17 31 6527 343 10 0.029240 0.245737
5 10 17 31 327 343 327 0.956140 0.185918
6 327 17 31 10154 343 207 0.605263 0.006449
7 207 17 31 6434 343 260 0.760234 0.055355
8 260 17 31 8077 343 188 0.549708 0.000613
9 188 17 31 5845 343 14 0.040936 0.234278
10 14 17 31 451 343 108 0.315789 0.043752
11 108 17 31 3365 343 278 0.812865 0.082890
12 278 17 31 8635 343 60 0.175439 0.122164 -0.690058
Suma 5.309942 1.230594
Media 0.442495
Varianza 0.102550

12
It ri a c a+c*r i m (a+c*r i)mod m Número (Num- μ)^2 𝑋𝑖 = ∑ 𝑋𝑖 − 6
𝑖=1

1 29 43 31 942 343 256 0.748538 0.049988


2 256 43 31 7979 343 90 0.263158 0.068540
3 90 43 31 2833 343 89 0.260234 0.070079
4 89 43 31 2802 343 58 0.169591 0.126286
5 58 43 31 1841 343 126 0.368421 0.024504
6 126 43 31 3949 343 176 0.514620 0.000107
7 176 43 31 5499 343 11 0.032164 0.242847
8 11 43 31 384 343 41 0.119883 0.164086
9 41 43 31 1314 343 285 0.833333 0.095095
10 285 43 31 8878 343 303 0.885965 0.130326
11 303 43 31 9436 343 175 0.511696 0.000176
12 175 43 31 5468 343 323 0.944444 0.175968 -0.347953
Suma 5.652047 1.148001
Media 0.471004
Varianza 0.095667

12

It ri a c a+c*r i m (a+c*r i)mod m Número (Num- μ)^2 𝑋𝑖 = ∑ 𝑋𝑖 − 6


𝑖=1

1 18 43 31 601 343 258 0.754386 0.052637


2 258 43 31 8041 343 152 0.444444 0.006483
3 152 43 31 4755 343 296 0.865497 0.115967
4 296 43 31 9219 343 301 0.880117 0.126138
5 301 43 31 9374 343 113 0.330409 0.037849
6 113 43 31 3546 343 116 0.339181 0.034513
7 116 43 31 3639 343 209 0.611111 0.007422
8 209 43 31 6522 343 5 0.014620 0.260446
9 5 43 31 198 343 198 0.578947 0.002915
10 198 43 31 6181 343 7 0.020468 0.254511
11 7 43 31 260 343 260 0.760234 0.055355
12 260 43 31 8103 343 214 0.625731 0.010155 0.225146
Suma 6.225146 0.964389
Media 0.518762
Varianza 0.080366

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.
12
It ri a c a+c*r i m (a+c*r i)mod m Número (Num- μ)^2 𝑋𝑖 = ∑ 𝑋𝑖 − 6
𝑖=1

1 13 43 31 446 343 103 0.301170 0.050081


2 103 43 31 3236 343 149 0.435673 0.007972
3 149 43 31 4662 343 203 0.593567 0.004707
4 203 43 31 6336 343 162 0.473684 0.002629
5 162 43 31 5065 343 263 0.769006 0.059559
6 263 43 31 8196 343 307 0.897661 0.138907
7 307 43 31 9560 343 299 0.874269 0.122018
8 299 43 31 9312 343 51 0.149123 0.141252
9 51 43 31 1624 343 252 0.736842 0.044895
10 252 43 31 7855 343 309 0.903509 0.143300
11 309 43 31 9622 343 18 0.052632 0.223093
12 18 43 31 601 343 258 0.754386 0.052637 0.941520
Suma 6.941520 0.991051
Media 0.578460
Varianza 0.082588

𝑥−𝜇
𝐷𝑎𝑑𝑜 𝑍𝑖 = 𝑥𝑖 = 𝑍𝑖 𝜎 + 𝜇, 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎𝑠 𝑠𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑛 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑑𝑒 𝑙𝑎 𝑡𝑎𝑏𝑙𝑎
𝜎
Zi Zi(1)+9.5
-0.495177 9.004823
-0.690058 8.809942
-0.347953 9.152047
0.225146 9.725146
0.94152 10.441520

3) Utilizando el método de la transformada inversa, simula 10 valores de la siguiente distribución


empírica: (Debes mostrar el procedimiento).
𝑥 1
− , 2≤𝑥≤4
𝑝(𝑥) = { 8 4
𝑥 10
− + , 4 ≤ 𝑥 ≤ 10
24 24

Utilice el método de cuadrados medios con la semilla 763 para generar los valores de la uniforme.
𝑥 1
− , 2≤𝑥≤4 𝑥
𝑑𝑎𝑑𝑎 𝑝(𝑥) = { 8 4 𝐹(𝑥) = ∫ 𝑝(𝑥) 𝑑𝑥
𝑥 10 −∞
− + , 4 ≤ 𝑥 ≤ 10
24 24
𝑥
𝑥 1 𝑥2 𝑥 𝑥 𝑥2 𝑥 1 4
𝑥 1 𝑥2 𝑥 4
𝑒𝑣𝑎𝑙𝑢𝑎𝑚𝑜𝑠 ∫ ( − ) 𝑑𝑥 = − | = − + , 𝑐𝑜𝑛 ∫ ( − ) 𝑑𝑥 = [ − ] = 0.25
2 8 4 16 4 2 16 4 4 2 8 4 16 4 2
𝑥
𝑥 10 𝑥 2 10𝑥 𝑥 𝑥 2 10𝑥 64 𝑥
𝑥 10 𝑥 2 10𝑥 𝑥
∫ (− + ) 𝑑𝑥 = [− + ] =− + − , 𝑐𝑜𝑛 ∫ (− + ) 𝑑𝑥 = [− + ] = 0.75
4 24 24 48 24 4 48 24 48 4 24 24 48 24 4

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

𝑥2 𝑥 1
− + , 2≤𝑥≤4
𝐹(𝑥) = 16 4 4
𝑥 2 10𝑥 64 1
{ 48 + 24 − 48 + 4 ,
− 4 ≤ 𝑥 ≤ 10

𝒙𝟐 𝒙 𝟏
− + , 𝟐≤𝒙≤𝟒
𝑭(𝒙) = 𝟏𝟔 𝟒 𝟒
𝒙𝟐 𝟏𝟎𝒙 𝟔𝟒 𝟓𝟐
{ 𝟒𝟖 + 𝟐𝟒 − 𝟒𝟖 − 𝟒𝟖 , 𝟒 ≤ 𝒙 ≤ 𝟏𝟎

𝑥2 𝑥 1
𝑝𝑎𝑟𝑎 2 ≤ 𝑥 ≤ 4 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑟 = − + → 𝑥 2 − 4𝑥 + 4 = 16𝑟 → (𝑥 − 2)2 = 16𝑟 → 𝑥 − 2 = 4√𝑟
16 4 4
→ 𝒙 = 𝟐 + 𝟒√𝒓
𝑥 2 10𝑥 52
𝑝𝑎𝑟𝑎 4 ≤ 𝑥 ≤ 10 𝑟 = − + − → 𝑥 2 − 20𝑥 + 52 = −48𝑟 → (𝑥 − 10)2 = −48𝑟 + 100 − 52 →
48 24 48
→ (𝑥 − 10)2 = 48(1 − 𝑟) → 𝑥 − 10 = √48(1 − 𝑟) → 𝑥 − 10 = ±4√3√1 − 𝑟 → 𝒙 = 𝟏𝟎 − 𝟒√𝟑√𝟏 − 𝒓
2 + 4√𝑟, 0 ≤ 𝑟 ≤ 0.25
𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝑋 = {
10 − 4√3√1 − 𝑟, 0.25 ≤ 𝑟 ≤ 1
Generamos 10 números por el método de los cuadrados medios semilla 793, de ser necesario se agrega un
cero a la izquierda.
x x^2 centrales ri=c/10000
793 628849 2884 0.28840
2884 8317456 3174 0.31740
3174 10074276 742 0.07420
742 550564 5056 0.50560
5056 25563136 5631 0.56310
5631 31708161 7081 0.70810
7081 50140561 1405 0.14050
1405 1974025 9740 0.97400

Ordenamos los ri, 𝑠𝑖 𝑟𝑖 < 0.25 𝑋 = 𝟐 + 𝟒√𝒓, 𝒔𝒊 𝟎. 𝟐𝟓 ≤ 𝒓 ≤ 𝟏 𝒙 = 𝟏𝟎 − 𝟒√𝟑√𝟏 − 𝒓 , la rabla de ri, Xi es


ri X
0.0742 3.0896
0.1405 3.4993
0.2884 4.1556
0.3174 4.2759
0.5056 5.1285
0.5631 5.4206
0.7081 6.2568
0.9740 8.8829

4) Considere la forma más simple de un juego de dados. En este juego, se tira un par de dados. Si el primer
lanzamiento se obtiene un 7 o un 11, se gana de inmediato. Si el resultado del lanzamiento es 2, 3, o 12 se
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

pierde de inmediato. Cualquier otro total (es decir, 4, 5, 6, 8, 9 o 10) da una segunda oportunidad. En esta
parte del juego, se sigue lanzando los dados hasta que se obtiene un 7 o el total obtenido en el primer
lanzamiento. Se pierde si sale 7. Si se obtiene el mismo total que en el primer lanzamiento, se gana.
Suponga que los dados no están cargados. Realice 20 juegos (Puede utilizar cualquier técnica para obtener
las simulaciones, además es necesario explicar procedimientos):
Para un dado no cargado
1
,𝑥 = 1 1
6 ,𝑥 ≤ 1
1 6
,𝑥 = 2 2
6 ,1 < 𝑥 ≤ 2
1 6
1 ,𝑥 = 3 3
𝑃𝑎𝑟𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 ( ; 1,6) 𝑝(𝑥) = 6 𝐹(𝑥) = 𝑃(𝑋 < 𝑥) = 6 , 2 < 𝑥 ≤ 3
6 1
,𝑥 = 4 4
6 ,3 < 𝑥 ≤ 4
1 6
,𝑥 = 5 5
6 ,4 < 𝑥 ≤ 5
1 6
{ 1, 5 < 𝑥 ≤ 6
{6 , 𝑥 = 6
1
1, 𝑟 ≤
6
1 2
2, < 𝑟 ≤
6 6
2 3
3, < 𝑟 ≤
𝑋= 6 6
3 4
4, < 𝑟 ≤
6 6
4 5
5, < 𝑟 ≤
6 6
5 6
{6, 6 < 𝑟 ≤ 6

Para simular el juego usé una hoja de Excel


Elaboré una matriz para F(x)
Lim inf Lim sup Lado
0.000000 0.166667 1
0.166667 0.333333 2
0.333333 0.500000 3
0.500000 0.666667 4
0.666667 0.833333 5
0.833333 1.000000 6

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

Par simular el lanzamiento de cada dado generé una tabla con 3 columnas la 1ª ensayo, la 2ª aletorio, la 3ª
puntos (=BUSCARV(C13,$B$4:$D$9,3), la matriz se fijó para usar siempre dichos parámetros para determinar
el valor en puntos siempre con los mismos parámetros.
dado 1 dado 2
Ensayo aleatorio Lado Ensayo aleatorio puntos
1 0.00998494 1 1 0.102200369 1
Como en la primer tirada se gana con un 7 o un 11, se pierde con 2,3,12 o se repite con 4,5,6,8,9,10, en una
columna puntaje 1 se tiene el valor de la suma de los puntos de ambos dados, 2 columnas gana 7, gana 11 con
la función =SI(J13=7,1,0), =SI(J13=11,1,0), =SI(J13=2,2,0), =SI(J13=3,1,0), =SI(J13=12,1,0); para el valor
repite consideré que si la suma de las columnas gana, pierde era 0 se genera una segunda tirada, con la función
=SI(SUMA(K13:O13)=0,1,0)
Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0 0 0 0 0 1
Si se tiene un 1 en repite se hacen más simulaciones de tiradas, pero con solo tres columnas pierde con puntaje
2=7, gana con la condicional puntaje 2=puntaje1, repite si gana11+pierde 7=0
Puntaje 2 Pierde7 Gana,siP1=P2 repite
8 0 0 1
La hoja completa es
Lim inf Lim sup puntos
0.000000 0.166667 1
0.166667 0.333333 2
0.333333 0.500000 3
0.500000 0.666667 4
0.666667 0.833333 5
0.833333 1.000000 6

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.19816571 2 1 0.915160385 6 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.31160565 2 2 0.355663145 3 5 0 0 1
3 0.27041669 2 3 0.366322998 3 5 0 0 1
4 0.7269667 5 4 0.55851632 4 9 0 0 1
5 0.66381446 4 5 0.911328775 6 10 0 0 1
6 0.31528731 2 6 0.843362823 6 8 0 1 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.86128455 6 1 0.09731369 1 7 1 0 0 0 0 0

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.05914549 1 1 0.25998293 2 3 0 0 0 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.42340607 3 1 0.740065413 5 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.4907695 3 2 0.822522471 5 8 0 1 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.63860225 4 1 0.848756691 6 10 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.88173624 6 2 0.476540505 3 9 0 0 1
3 0.71751418 5 3 0.974542726 6 11 0 0 1
4 0.32047025 2 4 0.528023483 4 6 0 0 1
5 0.59892753 4 5 0.335780782 3 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.30643371 2 1 0.192911665 2 4 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.16159098 1 2 0.825586703 5 6 0 0 1
3 0.31238478 2 3 0.186681349 2 4 0 1 0
4 0.33019067 2 4 0.652668956 4 6 0 0 1
5 0.07389739 1 5 0.344287337 3 4 0 1 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.6365436 4 1 0.111605693 1 5 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.07822792 1 2 0.374973277 3 4 0 0 1
3 0.48366544 3 3 0.309609144 2 5 0 1 0

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.17161814 2 1 0.497079754 3 5 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.66917445 5 2 0.946798752 6 11 0 0 1
3 0.71442714 5 3 0.928159338 6 11 0 0 1
4 0.73241835 5 4 0.421091155 3 8 0 0 1
5 0.73595878 5 5 0.399505948 3 8 0 0 1
6 0.52890953 4 6 0.318004989 2 6 0 0 1
7 0.25696233 2 7 0.701116737 5 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.61999132 4 1 0.187519213 2 6 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.43509873 3 2 0.53652877 4 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.58995702 4 1 0.41628479 3 7 1 0 0 0 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.4039472 3 1 0.398837977 3 6 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.99561305 6 2 0.523884827 4 10 0 0 1
3 0.47148629 3 3 0.036995207 1 4 0 0 1
4 0.9547242 6 4 0.721458901 5 11 0 0 1
5 0.48958381 3 5 0.217762159 2 5 0 0 1
6 0.30450347 2 6 0.463503632 3 5 0 0 1
7 0.63295443 4 7 0.662396506 4 8 0 0 1
8 0.23999651 2 8 0.954419286 6 8 0 0 1
9 0.91376428 6 9 0.596650334 4 10 0 0 1
10 0.54391771 4 10 0.930520135 6 10 0 0 1
11 0.64434205 4 11 0.59919789 4 8 0 0 1
12 0.93134869 6 12 0.914658787 6 12 0 0 1
13 0.68327264 5 13 0.687418755 5 10 0 0 1
14 0.07688598 1 14 0.482972282 3 4 0 0 1
15 0.31240941 2 15 0.207789968 2 4 0 0 1
16 0.24969719 2 16 0.149351934 1 3 0 0 1
17 0.403025 3 17 0.950233727 6 9 0 0 1
18 0.54827535 4 18 0.592651686 4 8 0 0 1
19 0.81369527 5 19 0.559932085 4 9 0 0 1
20 0.41324374 3 20 0.006833258 1 4 0 0 1
21 0.8082114 5 21 0.114646434 1 6 0 1 0

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.72214069 5 1 0.468515518 3 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.5436235 4 2 0.006891052 1 5 0 0 1
3 0.25587832 2 3 0.624032062 4 6 0 0 1
4 0.90026431 6 4 0.417437714 3 9 0 0 1
5 0.03921342 1 5 0.759226629 5 6 0 0 1
6 0.78299196 5 6 0.054905947 1 6 0 0 1
7 0.12106153 1 7 0.952710007 6 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.17357924 2 1 0.992437416 6 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.39196314 3 2 0.625269238 4 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.50175444 4 1 0.584708373 4 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.24115978 2 2 0.935800296 6 8 0 1 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.91797918 6 1 0.534835134 4 10 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.08536639 1 2 0.433958652 3 4 0 0 1
3 0.80772748 5 3 0.682349291 5 10 0 1 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.15987973 1 1 0.898107249 6 7 1 0 0 0 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.50020581 4 1 0.522970856 4 8 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.00353274 1 2 0.915629688 6 7 1 0 0

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.92289977 6 1 0.476428148 3 9 0 0 0 0 0 1

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.76267837 5 2 0.28864764 2 7 1 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.74125353 5 1 0.302262903 2 7 1 0 0 0 0 0

dado 1 dado 2
Ensayo aleatorio puntos Ensayo aleatorio puntos Puntaje 1 Gana 7 gana 11 pierde 2 pierde 3 pierde12 repite
1 0.87217259 6 1 0.114890078 1 7 1 0 0 0 0 0

Puntaje 2 Pierde7 Gana,siP1=P2 repite


2 0.85310675 6 2 0.153278002 1 7 1 1 0

a) Determina el número de veces que se ganó el juego.


Elaboramos una tabla indicando el número de juego, el resultado y en que tirada se ganó o perdió.
Juego Resultado Tirada
1 gana 6
2 gana 1
3 pierde 1
4 gana 2
5 pierde 5
6 gana 5
7 gana 3
8 pierde 7
9 pierde 2
10 gana 1
11 gana 21
12 pierde 7
13 pierde 2
14 gana 2
15 gana 3
16 gana 1
17 pierde 2
18 pierde 2
19 gana 1
20 pierde 2

Se ganan 11 juegos.
b) Determina el número de veces que se ganó hasta después del primer lanzamiento.
Se ganó en 7 juegos después del primer lanzamiento.
c) Suponga que se apuestan dos pesos por ganar en cada juego ¿Cuál es la ganancia esperado
utilizando los resultados de tu simulación?

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

De acuerdo a los resultados de la simulación se ganó en 11 ocasiones y perdió en 9, se ganan 22 pesos y se


pierden 18, al final se habrán ganado $4.00.

5) Dog Chow Company produce una serie de marcas de comida para perros. Uno de sus mejores
productos es la bolsa de 50 libras. El presidente de la empresa usa una máquina muy vieja para cargar
las 50 libras de alimento de forma automática en cada bolsa. Desafortunadamente, dado que la máquina es
muy vieja, en ocasiones vierte más o menos alimento en las bolsas. Cuando la maquina coloca
correctamente 50 libras de alimento en cada bolsa, hay una probabilidad de .15 de que solo cargue 49 libras
en la bolsa al siguiente día, y una probabilidad de 0.25 de que cargue 51 libras en cada bolsa al día siguiente.
Si hoy la maquina coloca 49 libras de alimento en cada bolsa, existe una probabilidad de 0.35 de que pondrá
50 libras en ellas el día de mañana y una probabilidad de 0.25 de que ponga 51 libras en cada bolsa el día
de mañana. Además, si la máquina carga 51 libras en cada bolsa el día de hoy, hay una probabilidad 0.4 de
que ponga a 50 libras en cada bolsa mañana y una probabilidad de 0.1 de que ponga 49 en cada bolsa el
día de mañana. Simular 4 días de trabajo de la máquina, suponiendo que por día se obtienen 10 bolsas.
Suponga que el primer día lleno 50 libras y responde:
(1) ¿En los días simulados cuántas veces la máquina funcionó correctamente?
De acuerdo a los datos del problema, si el día de inicio la máquina llena con 50 libras exactas, Al Día siguiente
todas las bolsas se llenarán con la misma cantidad de libras con las probabilidades expuestas, por ello
generamos un número aleatorio para el primer día a simular considerando X50, podemos tener un 49,50 o 51,
escogemos la Xn y hacemos la 2ª simulación en total 4 veces. De acuerdo a los datos
0.40, 𝑥 = 49 0.40, 𝑥 ≤ 49 49, 𝑟 ≤ 0.40
𝑝49 (𝑥) = {0.35, 𝑥 = 50 , 𝐹49 (𝑥) = { 0.75, 49 < 𝑥 ≤ 50 , 𝑋49 (𝑥) = {50, 0.40 < 𝑟 ≤ 0.75
0.25, 𝑥 = 51 1.00, 50 < 𝑥 ≤ 51 51, 0.75 < 𝑟 ≤ 1.00
0.15, 𝑥 = 49 0.15, 𝑥 ≤ 49 49, 𝑟 ≤ 0.15
𝑝50 (𝑥) = {0.60, 𝑥 = 50 , 𝐹50 (𝑥) = { 0.75, 49 < 𝑥 ≤ 50 , 𝑋50 (𝑥) = {50, 0.15 < 𝑟 ≤ 0.75
0.25, 𝑥 = 51 1.00, 50 < 𝑥 ≤ 51 51, 0.75 < 𝑟 ≤ 1.00
0.10, 𝑥 = 49 0.10, 𝑥 ≤ 49 49, 𝑟 ≤ 0.10
𝑝51 (𝑥) = {0.40, 𝑥 = 50 , 𝐹51 (𝑥) = { 0.50, 49 < 𝑥 ≤ 50 , 𝑋51 (𝑥) = {50, 0.10 < 𝑟 ≤ 0.50
0.50, 𝑥 = 51 1.00, 50 < 𝑥 ≤ 51 51, 0.50 < 𝑟 ≤ 1.00
Usamos el método congruencial, generamos 10 números para el primer día, 10 bolsas llenas, la cantidad con
libras con que se llena la última bolsa determina las probabilidades del siguiente día.
49, 𝑟 ≤ 0.15
𝐸𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑑í𝑎 𝑙𝑙𝑒𝑛ó 50 𝑙𝑖𝑏𝑟𝑎𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑝𝑟𝑖𝑚𝑒𝑟 𝑠𝑖𝑚𝑢𝑙𝑎𝑐𝑖ó𝑛 𝑢𝑠𝑎𝑚𝑜𝑠 𝑋50 (𝑥) = {50, 0.15 < 𝑟 ≤ 0.75
51, 0.60 < 𝑟 ≤ 1.00

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

It ri a c a+c*ri m (a+c*ri)mod m Número Libras


1 23 71 41 1014 3307 1014 0.306715 50
2 1014 71 41 41645 3307 1961 0.593164 50
3 1961 71 41 80472 3307 1104 0.333938 50
4 1104 71 41 45335 3307 2344 0.709014 50
5 2344 71 41 96175 3307 272 0.082275 49
6 272 71 41 11223 3307 1302 0.393829 50
7 1302 71 41 53453 3307 541 0.163642 50
8 541 71 41 22252 3307 2410 0.728978 50
9 2410 71 41 98881 3307 2978 0.900786 51
10 2978 71 41 122169 3307 3117 0.942831 51

49, 𝑟 ≤ 0.10
𝐶𝑜𝑚𝑜 𝑙𝑎 ú𝑙𝑡𝑖𝑚𝑎 𝑏𝑜𝑙𝑠𝑎 𝑠𝑒 𝑙𝑙𝑒𝑛ó 𝑐𝑜𝑛 51 𝑙𝑖𝑏𝑟𝑎𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 2𝑎. 𝑠𝑖𝑚𝑢𝑙𝑎𝑐𝑖ó𝑛 𝑢𝑠𝑎𝑚𝑜𝑠 𝑋51 (𝑥) = {50, 0.10 < 𝑟 ≤ 0.50
51, 0.50 < 𝑟 ≤ 1.00
It ri a c a+c*ri m (a+c*ri)mod m Número Libras
1 47 93 111 5310 1521 747 0.491447 50
2 747 93 111 83010 1521 876 0.576316 51
3 876 93 111 97329 1521 1506 0.990789 51
4 1506 93 111 167259 1521 1470 0.967105 51
5 1470 93 111 163263 1521 516 0.339474 50
6 516 93 111 57369 1521 1092 0.718421 51
7 1092 93 111 121305 1521 1146 0.753947 51
8 1146 93 111 127299 1521 1056 0.694737 51
9 1056 93 111 117309 1521 192 0.126316 50
10 192 93 111 21405 1521 111 0.073026 49

49, 𝑟 ≤ 0.40
𝐶𝑜𝑚𝑜 𝑙𝑎 ú𝑙𝑡𝑖𝑚𝑎 𝑏𝑜𝑙𝑠𝑎 𝑠𝑒 𝑙𝑙𝑒𝑛ó 𝑐𝑜𝑛 49 𝑙𝑖𝑏𝑟𝑎𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 3𝑎. 𝑠𝑖𝑚𝑢𝑙𝑎𝑐𝑖ó𝑛 𝑢𝑠𝑎𝑚𝑜𝑠 𝑋49 (𝑥) ={ 50, 0.40 < 𝑟 ≤ 0.75
51, 0.75 < 𝑟 ≤ 1.00
It ri a c a+c*ri m (a+c*ri)mod m Número Libras
1 61 109 93 5782 2015 1752 0.869911 51
2 1752 109 93 163045 2015 1845 0.916087 51
3 1845 109 93 171694 2015 419 0.208044 49
4 419 109 93 39076 2015 791 0.392751 49
5 791 109 93 73672 2015 1132 0.562066 50
6 1132 109 93 105385 2015 605 0.300397 49
7 605 109 93 56374 2015 1969 0.977656 51
8 1969 109 93 183226 2015 1876 0.931480 51
9 1876 109 93 174577 2015 1287 0.639027 50
10 1287 109 93 119800 2015 915 0.454320 50

49, 𝑟 ≤ 0.15
𝐶𝑜𝑚𝑜 𝑙𝑎 ú𝑙𝑡𝑖𝑚𝑎 𝑏𝑜𝑙𝑠𝑎 𝑠𝑒 𝑙𝑙𝑒𝑛ó 𝑐𝑜𝑛 50 𝑙𝑖𝑏𝑟𝑎𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 4𝑎. 𝑠𝑖𝑚𝑢𝑙𝑎𝑐𝑖ó𝑛 𝑢𝑠𝑎𝑚𝑜𝑠𝑋50 (𝑥) = {50, 0.15 < 𝑟 ≤ 0.75
51, 0.75 < 𝑟 ≤ 1.00
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

It ri a c a+c*ri m (a+c*ri)mod m Número Libras


1 17 23 163 2794 2351 443 0.188511 50
2 443 23 163 72232 2351 1702 0.724255 50
3 1702 23 163 277449 2351 31 0.013191 49
4 31 23 163 5076 2351 374 0.159149 50
5 374 23 163 60985 2351 2210 0.940426 51
6 2210 23 163 360253 2351 550 0.234043 50
7 550 23 163 89673 2351 335 0.142553 49
8 335 23 163 54628 2351 555 0.236170 50
9 555 23 163 90488 2351 1150 0.489362 50
10 1150 23 163 187473 2351 1744 0.742128 50

De acuerdo a los datos de las tablas, generamos una tabla indicando el número de bolsas llenadas con cada
peso por día
Libras 1er dia 2° día 3er día 4° día Total
49 1 1 3 2 7
50 7 3 3 7 20
51 2 6 4 1 13
La máquina funcionó correctamente llenando bolsas con 50 libras de alimento en 20 ocasiones

(2) Si se tiene un costo por equivocación de alimento faltante de $20 por bolsa y exceso de
alimento de $25 bolsa, cuál es el costo promedio de los cuatro días simulados?
Costo por faltantes Cf=7x$20=$140.00
Costo por sobrantes Cs=13x25=$325.00
Costo total de los 4 días $465.00, costo promedio diario $116.25

(3) ¿Si el dueño está analizando calibrar la máquina para que el llenado sea exacto a un costo
de $4000, tu qué opinas debe hacer (debe hacer la calibración o no, considera los
resultados de tu simulación)?
Depende del tiempo de operación de la máquina, si consideramos un mes de 30 días el costo mensual por
errores de la máquina es de 30*$116.25= $3,487.50 no se justificaría la reparación; pero si consideramos un
año de operación el costo total sería de $42,431.25 en este caso si se justificaría el costo de la reparación pues
se tendría un ahorro de $38,431.25.

6) El número de autos que llegan a Car Wash durante las últimas 200 horas de funcionamiento es:
Número de autos que llegan Frecuencia

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

3 o menos 0

4 20

5 30

6 50

7 60

8 40

9 o más 0

i) Establezca la probabilidad y la distribución de probabilidad acumulada.


0.10, 𝑥=4 0.10, 𝑥=4 4, 𝑟 ≤ 0.10
𝑓𝑖 0.15, 𝑥=5 0.15, 𝑥=5 5, 0.10 < 𝑟 ≤ 0.25
)
𝑝(𝑥𝑖 = = 0.25, 𝑥 = 6 𝐹(𝑥) = 0.25, 𝑥 = 6, 𝑋 = 6, 0.25 < 𝑥 ≤ 0.50
𝑛 0.30, 𝑥=7 0.30, 𝑥=7 7, 0.50 < 𝑥 ≤ 0.80
{ 0.20, 𝑥=8 { 0.20, 𝑥=8 {8, 0.80 < 𝑥 ≤ 1.00
ii) Realice la simulación de 15 horas.
Usamos el método congruencial:
It ri a c a+c*ri m (a+c*ri)mod m Número Autos
1 73 19 29 2136 1523 613 0.402760 6
2 613 19 29 17796 1523 1043 0.685283 7
3 1043 19 29 30266 1523 1329 0.873193 8
4 1329 19 29 38560 1523 485 0.318660 6
5 485 19 29 14084 1523 377 0.247700 5
6 377 19 29 10952 1523 291 0.191196 5
7 291 19 29 8458 1523 843 0.553876 7
8 843 19 29 24466 1523 98 0.064389 4
9 98 19 29 2861 1523 1338 0.879106 8
10 1338 19 29 38821 1523 746 0.490145 6
11 746 19 29 21653 1523 331 0.217477 5
12 331 19 29 9618 1523 480 0.315375 6
13 480 19 29 13939 1523 232 0.152431 5
14 232 19 29 6747 1523 655 0.430355 6
15 655 19 29 19014 1523 738 0.484888 6

iii) ¿Si se sabe que en el local caben 6 carros, en cuántas horas se tendrán clientes esperando
afuera del negocio?
Durante la segunda, tercer, séptima y y 9ª hora se tienen autos esperando turno, en 4 horas se tendrán autos
esperando afuera del negocio.
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

iv) ¿Si cada auto paga $50, cuál será la ganancia por hora? ¿Cuál será la ganancia para las 15
horas?
Generamos una tabla con hora, número de autos, ganancia por hora y total.
Hora Autos Ganancia
1 6 300
2 7 350
3 8 400
4 6 300
5 5 250
6 5 250
7 7 350
8 4 200
9 8 400
10 6 300
11 5 250
12 6 300
13 5 250
14 6 300
15 6 300
Total 90 4500
La ganancia total durante las 15 horas sería de $4,500.00
Conclusiones
La simulación de variables aleatorias es una poderosa herramienta para analizar un sistema, pudiendo
modificarse los parámetros y observar su comportamiento, su utilidad es mayor cuando se considera para la
toma de decisiones o como en las ciencias donde el costo de simular un experimento es significativamente
menor a la realización del mismo, logrando no nada más reducir costos sino modificar las variables y corroborar
la validez del modelo propuesto en diversas situaciones, corregir posibles fallas en el experimento, definir límites
etc.
Referencias

 Rodríguez, G.. (2015). Generacion de variables con distribución no uniforme . noviembre 28,2016, de slideshare Sitio web:
http://www.slideshare.net/lupiuxlupiux/simulacion-48530938
 Márquez, C.. (2012). Prueba de bondad de ajuste. noviembre 13, 2016, de Wordpress Sitio web:
https://carlosmarquez.files.wordpress.com/2012/02/prueba-de-bondad-de-ajuste.pdf
 Hillier, F. & Lieberman, G. (2010). Introducción a la investigación de operaciones 9ª ed.. ed. México: McGraw Hill.
 http://3.bp.blogspot.com/-kIKP4A6brBc/TZ5aLeW-yNI/AAAAAAAAAA8/Cv3j9Ejz8Bc/s1600/d.png
 http://1.bp.blogspot.com/-n4UwRmSoOGU/T8jNBAA1LdI/AAAAAAAAAAM/HV12-
LOzrHk/s1600/FormulasTC.png
Joel Alberto Montalvo Hernández 15/11/2016
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Modelación estocástica.
Unidad 3. Elementos de simulación.
Actividad 2. Generación de variables aleatorias.

 http://www4.ujaen.es/~mpfrias/TablasInferencia.pdf

Joel Alberto Montalvo Hernández 15/11/2016


MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.

You might also like