Professional Documents
Culture Documents
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
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.
· 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.
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.
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.
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.
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 )
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 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
= 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
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
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
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..
2.5000
2.0000
1.5000
1.0000
0.5000
0.0000
0 5 10 15 20 25 30 35 40 45
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
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
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
12
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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?
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
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.
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
3 o menos 0
4 20
5 30
6 50
7 60
8 40
9 o más 0
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