Scribd Logo
Upload

Welcome to Scribd!

  • Unidad 3 Libro PDF

    Uploaded by

    joe
    12 views26 pages

    Original Title

    UNIDAD 3 LIBRO PDF.pdf

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    12 views26 pages

    Unidad 3 Libro PDF

    Uploaded by

    joe

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 26
    34 3.2 3.3, 34 Definicion de variable aleatoria Tipos de variables aleatorias Determinacion del tipo de distribucién de un conjunto de datos Generacién de variables aleatorias Expresiones comunes de algunos generadores de variables aleatorias Problemas Referencias IL Coptulo 3 Variables aleatorias 3.1 Definicién de variable tori ‘A lo largo de los capitulos anteriores hemos mencionado que un modelo de simulacién permite lograr un mejor entendimiento de précticamente cualquier sistema. Para ello, resulta indispensable obtener la mejor aproximacion a la realidad, lo cual se consigue componiendo el modelo con base en variables aleatorias que interacttien entre si, Pero, {cémo podemos determinar qué tipo de distribucién tiene una variable aleatoria?, como podemos usarla en el modelo una vez que conocemos su distribucién asociada? En este capitulo comentaremos los métodos y las herramientas que pueden dar respuesta a estas interrogantes clave para la generacién del modelo. Podemos decir que las variables aleatorias son aquellas que tienen un comporta- miento probabilistico en la realidad. Por ejemplo, el ntimero de clientes que llegan cada hora a un banco depende del momento del dia, del dia de la semana y de otros factores: por lo general, la afluencia de clientes serd mayor al mediodia que muy temprano por la ‘mafiana; la demanda seré mas alta el vienes que el miércoles; habré més clientes un dia de pago que un dia normal, etcétera. Debido a estas caracteristicas, las variables aleato- rias deben cumplir reglas de distribucién de probabilidad como éstas: ‘@ Lasuma de las probabilidades asociadas a todos los valores posibles de la variable aleatoria xes uno. @ La probabilidad de que un posible valor de la variables x se presente siempre es mayor que o igual a cero. ‘© Elvalor esperado de la distribucidn de la variable aleatoria es la media de la mis- ‘ma, la cual asu vez estima la verdadera media de la poblacién, © Sila distribucién de probabilidad asociada a una variable aleatoria estd definida por més de un parémetro, dichos parémetros pueden obtenerse mediante un estimador no sesgado, Por ejemplo, la varianza de la poblacién o” puede ser esti- mada usando la varianza de una muestra que es s°. De la misma manera, la desvia- cién estandar de la poblacién c, puede estimarse mediante la desviacion estandar dela muestra 5 3.2 Tipos de variables aleatorias Podemos diferenciar las variables aleatorias de acuerdo con el tipo de valores aleatorios que representan. Por ejemplo, si habléramos del niimero de clientes que solicitan cierto servicio en un periodo de tiempo determinado, podriamos encontrar valores tales como 0, 1, 2, mf, @s decit, un comportamiento como el que presentan las distribuciones de probabilidad discretas, Por otro lado, si hablaramos del tiempo que tarda en ser atendida luna persona, nuestra investigacién tal vez arrojaria resultados como 1.54 minutos, 0.028 horas 0 1.37 dias, es decir, un comportamiento similar al de las distribuciones de proba- idad continuas. Si consideramos lo anterior podemos diferenciar entre variables alea- torias discretas y las continuas. Variables aleatorias discretas. Este tipo de variables deben cumplir con estos pard- metros: 32 Tipos de variables aleatorias Ij PO) 20 yas Plasxsb)=S,p=p.tu+Ps Algunas distribuciones discretas de probabilidad son la uniforme discreta, la de Bernoulli, la hipergeométrica, la de Poisson y la binomial (vea la figura 3.1). Podemos asociar a estas u otras distribuciones de probabilidad el comportamiento de una varia- ble aleatoria. Por ejemplo, si nuestro propésito al analizar un muestreo de calidad con- siste en decidir si la pieza bajo inspeccién es buena o no, estamos realizando un experimento con 2 posibles resultados: la pieza es buena 0 la pieza es mala. Este tipo de comportamiento est asociado a una distribucién de Bernoulli. Por otro lado, si lo que queremos es modelar el ntimero de usuarios que llamardn a un teléfono de aten- cién a clientes, el tipo de comportamiento puede llegar a parecerse a una distribucién de Poisson. Incluso podrfa ocurrir que el comportamiento de la variable no se pareciera a otras distribuciones de probabilidad conocidas. Si éste fuera el caso, es perfectamen- te valido usar una distribucién empirica que se ajuste a las condiciones reales de pro- babilidad. Esta distribucion puede ser una ecuacién o una suma de téminos que cumpla con las condiciones necesarias para ser considerada una distribucién de pro- babilidad. Figura 3.1 Distribucion de probabilidad de una variable deatoria dscreta, Variables aleatorias continuas. Este tipo de variables se representan mediante una ecuacién que se conoce como funcién de densidad de probabilidad. Dada esta condicion, cambiamos el uso de la sumatoria por la de una integral para conocer la funcién acumu- ada de la variable aleatoria, Por lo tanto, las variables aleatorias continuas deben cumplir los siguientes pardmetros. 61 IL Coptulo 3 Variables aleatorias roy20 J reo Plasxs b)=Pa Inf ](-1) i Sin(tt—n)(1-1)(1-4)] 3 Tabla 3.14 Simulacién del tiempo de proceso para el ejemplo 3.11. ‘Tiempo de proceso Pieza HF, t=, | 1-5 (imin/pieza) 1 028 052 064 6328 ae ese ee | 3 004 o12 003 23588 | 4 035 cas 050 6837 | 5 077 | oa 021 1.279 | Distribucién norm: La variable aleatoria normal con media jt y desviacién estindar a puede generarse mediante el teorema del limite centrat VEX, 4X, +t X, ~N ky, ko2) Alsustituir X, por ntimeros pseudoaleatorios r, se obtiene: 14 Vai tect hy ~Mk— kK) Be tat MIS KT) 12 12 Vente +-+hs ~M——)~N6,) nts fa Mr) N61) Ye: = (pth tt h:)-6~N(0,1) z=3(7)-6= ta ~N(0,1). Sidespejamos X, tenemos que [Zs on 87 IL Coptulo 3 Variables aleatorias Ejemplo 3.12 El volumen de liquido de un refresco sique una distribucién normal con media de 12 onzas y desviacién estandar de 0.4 onzas. Genere 5 variables aleatorias con esta distribu- ci6n para simular el proceso de llenado. n= [So-cle>n »-[Sto-d (04)+12 Tabla 3.15 Simulacién del volumen de llenado de refrescos (ejemplo 3.12). a) dYe-6 ‘Volumen. Botella a oa. (onzas) 1 621 | 021 12084 | 2 534 =086 11736 3 603 003 12012 | 4 697 097 12038 5 431 19 11524 Distribucién Binomial La variable aleatoria Binomial con parémetros N y p puede ser generada a través de la suma de N variables aleatorias con distribucién de Bernoulli con pardmetto p. Y= 6,= BE, + BE, +... + BE,~ BUN, p) Ejemplo 3.13 Alinspeccionar lotes de tamatio N=5, la probabilidad de que una pieza sea defectuosa 5 0.03. Simulle el proceso de inspeccién para determinar el ntimero de piezas defectuo- sas por lote. Este proceso sigue una distribucién Binomial con 03, y serd simulado ‘mediante la generacién de variables aleatorias de Bernoulli con p = 0.03, de acuerdo con el procedimiento sefalado en la seccién anterior, donde BE,=0 representa una pieza en buen estado y BE,= 1, una pieza defectuosa. (Observe los resultados en la tabla 3.16.) 0 si 5 (0-097) B= st e(0.97—1) 8, = BE, + BE, +..+ BE, 34 GeneraciOn de variables aleatorias 3.4.3 ‘Tabla 3.16 Simulacién del sistema de inspeccién del ejemplo 3.13. pels mle [6] 4 |) [28]. | 28 | o o ° 1 1 099 joa 0 032/ 0 015 0 001 0 | 04s fon oas| 0 03 | [ost ° ° ° 1 [osr 0 0s2| 0 os | 0 loz 0 [oa ° ° ° 1 ° 1 1 Método de composicion | 062 [ose El método de composicién —conocido también como método mixto— permite generar variables aleatorias x cuando éstas provienen de una funcién de densidad f(x) que puede expresarse como la combinacién convexa de m distribuciones de probabilidad f(x). Entonces, la combinacién convexa se puede expresar como: Y 401,00 068 | 098 | 01 | 038 | 058 1 | 099 002 0 | 098 TA wally = f(x) donde: si xeA xeA Algunas de las distribuciones ms conocidas que pueden expresarse como una combina- cién convexa son: la triangular, la de Laplace y la trapezoidal. El procedimiento general de generacién es el siguiente: 1. Calcule la probabilidad de cada una de las distribuciones f(x). 2. Aseguirese que cada funcién f(x) sea funcion de densidad. 3. Obtenga, mediante el método de la transformada inversa, las expresiones para generar variables aleatorias de cada una de las distribuciones f(x) 4. Genere un ntimero pseudoaleatorio r,que permita definir el valor de I, (x). 5. Seleccione la funcién generadora correspondiente a la funcién f(x). 6. Genere un segundo ntimero pseudoaleatorio r,y sustityalo en la funcién gene- radora anterior para obtener Y. Distribucién triangular A partir de la funcién de densidad triangular Paes asxse mane a A 20s axen (b—a)(b—c) IL Coptulo 3 Variables aleatorias calcule la probabilidad de cada uno de los segmentos de la funcion © 2{x-a) « (b—aylc— an b 2(b-x) « (b-ay(b-c) P(x)= (c-0) _|(6=a) atx)=) 5-4) (ba) asxse e> ‘Al generar una secuencia de ntimeros pseudoaleatorios se obtiene la secuencia de varia- bles triangulares que se lista en la tabla 3.17: Tabla 3.17 Simulacién de variables aleatorias triangulares. x=545,/h, x=20-10/1- 5 Variable 1 5 S33 si 033 1 | 021 ase 837 = | 2 0421 | 0967 - 1818 | 3 | oss | 09a - 165 4 | 0048 | O34 683 - | 5 [067s | 0536 = 13.18 | 91 IL Coptulo 3 Variables aleatorias 3.4.4 Método de transformacién directa 92 Este método se basa en el teorema de Pitagoras, y se usa para generar variables aleatorias normales. En la figura 3.15 se muestra la relacin entre las variables involucradas en él. Figura 3.15 Genoraclon de variables aleatorias 2~ MO, 1). Geométricamente, 2, shsend 2, =\z7 +z3sen0 La suma de v variables aleatorias normales esténdar sigue una con v grados de libertad: 2. Vifeasend La funcién de densidad de una variable aleatoria Chi-cuadrada con 2 grados de libertad es la misma de una distribucién exponencial con media igual a 2. En consecuencia, a través de la ecuacién obtenida por el método de la transformada inversa para generar variables aleatorias exponenciales, y sustituyéndola en la ecuacién anterior se obtiene: 2,=\-2in(1=5)sen0 Se generan valores aleatorios uniformes del angulo @ entre 0 y 2 mediante el método dela transformada inversa: @=a+(b-a)n, O=Qmy, 35 Expresiones comunes de algunos generadores de variables aleatorias lj Y al sustituir obtenemos 2, = \=2in(t=5 sen(2ar7) Para cualquier variable aleatoria normal N, N-p Al despejar Ny sustituir el valor de z previamente desarrollado, se llega a la expresi6n final para la generacién de variables aleatorias normales: N=[(Y-2int=1)}sentamn)}o+ Este procedimiento debe iniciarse también a través de la generacién de la variable alea- toriaz,, lo cual dard lugar a la ecuacién final (Bin p))eostem)]o+u Cualquiera de las dos dltimas ecuaciones puede utilizarse para resolver el ejemplo 3.12, en donde el generador de variables aleatorias que simulan el volumen de las botellas seria: N,=[(\-2ing=r))sent2mq)](04) +12 De manera que si producimos los niimetos pseudoaleatorios uniformes 0.43 y 0.75, el volumen del liquido generado para alguna de las botellas seria 1n,=[(V=2inti=043))sen(2m(0.75) |(04)+12=11.575onzas 3.5 Expresiones comunes de algunos generadores de variables aleatorias En la tabla 3.18 se presentan los generadores de variables aleatorias de las distribuciones de probabilidad mas usuales. 93 IL Coptulo 3 Variables aleatorias Tabla 3.18 Generadores de variables aleatorias. Distribucién Generador Parémetros Uniforme ‘@-=Limite inferior de la distribucién uy tuniforme. usard-or, ‘b=Limite superiorde la distribucién uniforme. 1,=Nimero aleatorio con distribucién uniforme entre0 y 1. Triangular a (bSeNeSaE ‘a= Limite inferior de la distribucion T ‘ t triangular. oe ea (c= Moda de la distribucién 7 ‘triangular. a b=Limite superiorde la b— [(b—ayb—oiti-1) distribucién eee fo eae). Triangular ‘a=Limite inferior de la distribucién a triangular. f ‘¢= Moda de la distribucién (=a) ‘wiangular. b=Limite superior dela b-[(b-0) 1-5] distribucién triangular. a yo" (ea) 2 z Z,=Nimeros aleatorios con weeyz distribucién normal esténdar. 2 n= Grados de libertad. Erlang 1/A=Valor esperado. FR, matin fa-n ‘k= Parmetro de forma. is q = Media de la distribuci6n — N=[( Jin ))costamnyJoru | Me Maciadeladist r= Desviacién estindar de la Ny=[(\-2InG=7))sen(2an) Jor we | distribucién normal. Normal (= Media de la distribuci6n N, = normal 7 N=[D5-6 |o+ . (& er e @ = Desviacién estandar dela distribucién normal. 94 35 Expresiones comunes de algunos generadores de variables aleatoras lj Exponencial 1/\=Media de la distribucion E ‘exponencial. ‘Weibull B=Pardmetro de escala. Ww, a= Pardmetro de forma. “y= Pardmetro de localizacin. Gamma ts 1/A= Valor esperado. G G=— yin] T-1) ‘= Pardnetra de forme. Lognormal IN=e* 2 Valor esperado. LN, labocahe 7 =Varianza. a re 2 ele} )) ges) ‘Bernoulli p-=Probabilidad de ocurrencia AE, peal? G(0.1-p) del evento x= = gt jel-p.d 41 —p= Probabilidad de ocurrencia del evento x-0. Binomial BE, = Numeros aleatorios con B distribucién de Bernoulli. “ N= Naimero del evento méximo B= DBE, de la distribucién binomial. as p=Probabilidad de éxito de la ‘distribucién binomial que se involucraal generar los Bernoulli. Poisson aleatorio r, Paso 1. Calcular T’ = (tr) Paso 2. Sila’ 2 e", entonces hacer N=N+1,T=T,cakcularotro ny regresar al paso 1. SIT’

    You might also like