You are on page 1of 33

Universidad Nacional de Ingeniería

Facultad de
Ingeniería de Sistemas e Industrial

Simulación de Sistemas

Mg(c). César Pacheco Vera


cesarpacheco17@gmail.com
Contenido
1. Generación de procesos aleatorios.
2. Método de la transformada inversa.
3. Generación de Procesos con
Distribuciones de Probabilidad
convencionales
Objetivos

1. Generar procesos aleatorios a


partir de funciones de
distribución de probabilidad
estadísticos.
2. Discutir los métodos
fundamentales para la generación
de observaciones variables
aleatorias.
3. Aplicarlos a diferentes casos.
1. Generación de observaciones de
variables (datos) aleatorias
Dado que existen varios métodos para la
generación de observaciones de variables
aleatorias, a continuación se indican algunos
factores que pueden influir en la decisión de
usar uno u otro método en determinado estudio
de simulación:
 Exactitud. Es deseable que el algoritmo
proporcione en la medida de lo posible
(dadas las limitaciones de precisión del
ordenador, la inexactitud del generador de
números aleatorios, etc.) observaciones de
la variable aleatoria con exactamente la
distribución deseada. En la actualidad
existen algoritmos con esta propiedad para
la mayoría de las distribuciones comúnmente
usadas.

 Eficiencia. Es deseable que el algoritmo sea


de ejecución rápida, y que no requiera de un
gran espacio de memoria.
 Complejidad. Es deseable que la comprensión
conceptual del algoritmo, y su programación,
no resulten extremadamente complejos.

 Robustez. Es deseable que el algoritmo sea


igualmente eficiente para cualquier valor
admisible de los parámetros de la
distribución.
1.1. Método de la transformada inversa

La exposición de los fundamentos del método se


ha estructurado en función del tipo de
distribución de la variable aleatoria. De
esta forma, se han distinguido tres casos:
Distribuciones continuas, Distribuciones
continuas truncadas, y Distribuciones
discretas.
El objetivo es generar observaciones de una
variable aleatoria continua, X, cuya
probabilidad acumulada, FX(x), es una función
continua y estrictamente creciente para todos
los valores de x tales que 0 < FX(x) <1. El
método de la transformación inversa consiste
de los siguientes pasos:

1. Generar un número seudo aleatorio, u.


2. Devolver x = Fx−1(u), donde Fx−1 es la
función inversa de FX.
Caso 1. Hallar los respectivos generadores de
números aleatorios de las siguientes f.d.p

1+𝑥 ; −1 ≤ 𝑥 < 0
a) 𝑓 𝑥 =ቊ
1−𝑥 ;0 ≤ 𝑥 ≤ 1

3 2
b) 𝑓 𝑥 = ቐ2 𝑥 ; −1 ≤ 𝑥 ≤ 1
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1. Distribuciones empíricas continuas
En el caso de las distribuciones
empíricas continuas, el procedimiento de
definición depende de si se dispone de
las observaciones originales, o bien si
sólo se dispone de los datos agrupados
(es decir, del número de observaciones
que caen dentro de cada uno de una serie
de intervalos en que se divide el rango
de la variable aleatoria).
Figura 1. Distribuciones empíricas construidas a
partir de datos individuales (izqda.) y de los datos
agrupados (drcha.)
1. En primer lugar, deben hallarse los
intervalos de confianza del conjunto
de datos, con sus respectivas
frecuencias.
2. A continuación, se define el valor de
x en función de la acumulada de la
siguiente forma:

𝑢1 − 0
𝑥1 + 𝑥2 − 𝑥1 𝑠𝑖 𝑥1 , 𝑥2 𝑐𝑜𝑛 0 ≤ 𝑢1 ≤ 𝐹1
𝐹1 − 0
𝑢2 − 𝐹1
𝑥= 𝑥2 + 𝑥3 − 𝑥2 𝑠𝑖 𝑥2 , 𝑥3 𝑐𝑜𝑛 𝐹1 ≤ 𝑢2 ≤ 𝐹2
𝐹2 − 𝐹1
⋮ ⋯ ⋮
𝑢𝑛 − 𝐹𝑛−1
𝑥𝑛 + 𝑥𝑛 − 𝑥𝑛−1 𝑠𝑖 𝑥𝑛−1 , 𝑥𝑛 𝑐𝑜𝑛 𝐹𝑛−1 ≤ 𝑢𝑛 ≤ 1
1 − 𝐹𝑛−1
APLICACIÓN
Los siguientes datos representa la cantidad
de kilogramos de atún vendidas por semana.
Cada kilogramo se vende a 50 soles. El costo
de producción es de 15 soles por kilogramo.
32 55 75 30 39 59 59
88 53 44 43 89 55 60
45 35 72 75 91 82 91
90 48 27 28 56 100 40
84 94 81 53 30 79 26
23 46 83 27 21 38 29
40 69 79 88 47 42 74

Simule la venta de atún para 40 semanas y


determine la utilidad promedio semanal. Use
la formula del Excel: =Aleatorio()
Si son datos discretos que tienen su
respectiva frecuencia, se considera el
intervalo de la acumulada donde cae ui, y el
valor de x, sería la respectiva frecuencia.
APLICACIÓN
Los siguientes datos indica la cantidad de
autos que llegan a una playa de
estacionamiento. La capacidad máxima del
estacionamiento es de 3 autos por día
2 0 2 1 2 1 2
2 1 0 3 1 1 0
3 0 2 2 3 1 1
0 3 0 3 0 1 0
3 2 3 3 2 2 1
1 3 2 3 2 3 2
0 2 2 1 1 0 3

Simule 40 días de servicio y determine las


características del mismo. Use la formula
del Excel: =Aleatorio()
1.1. Distribución Uniforme

Quizá la función de densidad de probabilidad


más simple es aquella que se caracteriza por
ser constante, en el intervalo (a, b) y cero
fuera de el. Esta función de densidad define
la distribución conocida como uniforme.
Matemáticamente, la función de densidad
uniforme se define como sigue:
La función de la distribución acumulada FX(x),
para una variable aleatoria X uniformemente
distribuida se representa por:

𝒙−𝒂
Como u=Fx(x)=
𝒃−𝒂

Entonces, aplicando la inversa tenemos, el


generador Números aleatorios

u u
Figura. Variables aleatorias uniformes.
APLICACIÓN

El tiempo promedio de servicio en la


ventanilla de un banco es U(1,4). Genere el
tiempo de atención de 30 clientes y obtenga
el tiempo promedio de servicio en la
ventanilla. Use la formula del Excel:
=Aleatorio()
1.2. Distribución Exponencial

Se dice que una variable aleatoria X tiene


una distribución exponencial, si se puede
definir a su función de densidad como:

con >0 y x≥0. La función de distribución


acumulada de X ésta dada por:
Entonces

En consecuencia

Por consiguiente, para cada valor del número


aleatorio u se determina un único valor para
x. Los valores de x toman tan sólo magnitudes
no negativas.
Figura. Variables aleatorias exponencial.
APLICACIÓN

El tiempo promedio de llegada de clientes a


un servicio de reparación y mantenimiento de
autos es cada E(20). Genere el tiempo de
atención de 10 clientes y obtenga el tiempo
promedio de arribos.
1.3. Distribución Normal

La más conocida y más ampliamente utilizada


es sin duda la distribución normal y su
popularidad se debe cuando menos a dos
razones que presentan sus propiedades
generales. Las pruebas matemáticas nos
señalan, que bajo ciertas condiciones de
calidad, resulta justificado que esperamos
una distribución normal mientras que la
experiencia estadística muestre que, de
hecho, muy a menudo las distribuciones se
aproximan a la normal.
la función de distribución recibirá el
nombre de distribución normal estándar, con
función de densidad:

Del cual podemos generar variables


aleatorias normalmente distribuidas

Considerando K números aleatorios


Figura. Variables aleatorias normales.
APLICACIÓN

El número de clientes que llega por día a un


cajero automático del banco de la nación se
da mediante N(20,9). Genere el número de
clientes para diez días y obtenga el
promedio de clientes por día. Considere K=2.
1.4. Distribución Logarítmica Normal

Si el logaritmo de una variable aleatoria


tiene una distribución normal, entonces la
variable aleatoria tendrá una distribución
continua sesgada positivamente, conocida con
el nombre de distribución logarítmica
normal. Frecuentemente se hace uso de esta
distribución para describir procesos
aleatorios que representan al producto de
varios eventos pequeños e independientes.
Donde

y
Figura. Variables aleatorias logarítmicas normales.
APLICACIÓN

El número de clientes que llega por día a un


cajero automático del banco de la nación se
da mediante los datos mostrados en la
siguiente tabla. Genere el número de
clientes para diez días y obtenga el
promedio de clientes por día. Use el
siguiente generador.
0.54 0.77
32 55 75 30 39 59 59 0.57 0.23
0.80 0.94
88 53 44 43 89 55 60 0.15 0.87
45 35 72 75 91 82 91 0.62 0.91
90 48 27 28 56 100 40 0.94 0.27
0.97 0.71
84 94 81 53 30 79 26 0.13 0.28
23 46 83 27 21 38 29 0.46 0.56
40 69 79 88 47 42 74 0.55 0.02