Modelacin y Simulacin de Sistemas

Br. Francisco Javier Desayes Altamirano.

Modelos Estadsticos
Variable Aleatoria Discreta.
El nmero de posibles valores de la variable es finito o infinito pero contable.
Para cada posible valor xi de la variable X se tiene que p(xi) = p(X = xi) es la
probabilidad de que la variable X tome el valor xi.
Se cumplen las siguientes condiciones:
a) p(xi) 0 Para todo xi

b)


i=1
Distribucin de Probabilidad o Funcin Masa de Probabilidad (pmf) de X es el
conjunto de pares (xi,p(xi)) con i=1, 2 ...
Ejemplo Lanzamiento del dado trucado


Variable Aleatoria Continua.-

El espacio de valores de la variable X (Rx) es un intervalo o un conjunto de
intervalos.
La probabilidad de que el valor de X se encuentre en un intervalo [a,b] viene dada
por la expresin:
b

P(a x b) = f (x)dx a
f(x) se llama funcin densidad de probabilidad (pdf) de la variable X
pdf satisface las siguientes condiciones:

a) f(x) 0 Para todo x

b)

c) f(x) = 0 Si xRx

Ejemplo Funcionamiento de una bombilla



Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.


Funcin de Distribucin Acumulativa.-
La funcin de distribucin acumulativa (cdf), denotada por F(x), mide la
probabilidad de que la variable X tenga un valor menor o igual que x; es decir F(x)
= P (X x).


Si X es continua F dt
Propiedades de F(x):

a) F es una
funcin no
decreciente. Si a <
b entonces F(a)
F(b)
b) limF(x) =1


x
c)
Ejemplos Dado Trucado Bombilla


Valor Esperado.-

E(x) se denomina media y se define del siguiente modo:

Si X es continua E(X) = x f (x)dx

Si X es discreta
E


La media es una medida de la tendencia central de la variable aleatoria


Si X es discreta F(x) = p(xi)
xix
x


Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
Varianza.-

V(X)
2
se denomina varianza y se define como:

V(X) = E [(X - E(X))
2
] equivalentemente V(X) = E(X
2
) - [E(X)]
2


La varianza de X mide la variacin de los valores de x respecto de la media

La desviacin estndar se define como la raz cuadrada de la varianza de X


Moda.-

Se define de la siguiente forma:

Variable Discreta: La moda es el valor de la variable que aparece ms
frecuentemente.

Variable Continua: La moda es el valor mximo de pdf

La Moda puede no ser nica.
Si el valor de la moda ocurre en dos valores la distribucin es bimodal


Aplicaciones prcticas de modelos estadsticos

Sistemas de Colas.
La distribucin del tiempo entre llegadas y la distribucin del nmero de llegadas
por periodo de tiempo son importantes a la hora de simular los sistemas de colas.
El tiempo de servicio puede ser constante o probabilstico.

Distribuciones utilizadas:



Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
1 Exponencial. Si los tiempos de servicio son completamente aleatorios.
2 Normal. Si los tiempos de servicio son constantes pero existe una variabilidad
que produce fluctuaciones positivas y negativas.
3 Normal Truncada. Si existen valores de la variable que deben ser mayores o
menores que un cierto valor y el resto siguen una distribucin normal.
4 Gamma y Weibull. Se utilizan para modelar Tiempos de Servicio.



Sistemas Inventario.
Existen tres variables aleatorias:

a) Nmero de items solicitados en cada pedido o en cada periodo de tiempo
b) Tiempo entre pedidos
c) Tiempo entre realizar un pedido y recibir dicho pedido

La variable nmero de items o tamao del pedido suele ser representada por
las siguientes distribuciones:

Geomtrica. Se caracteriza por tener la moda centrada en la unidad
Binomial Negativa. Se caracteriza por tener una cola larga
Poisson. Est tabulada y se conoce con profundidad. Tiene una cola ms corta
que la binomial negativa



Mantenimientos y Fiabilidad.

El tiempo de fallo puede ser modelado por varias funciones:

Distribucin Exponencial. Si solamente ocurren fallos aleatorios
Distribucin Gamma. Surge del modelado por redundancia.

Distribucin Weibull. Cuando hay muchos componentes en un sistema y el fallo
se debe al defecto ms serio del conjunto de defectos



Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
Distribucin Normal. Cuando los fallos se deben al desgaste normal

Distribucin Logonormal. Se utiliza para describir el tiempo de fallo de algn tipo
de componentes





Datos Limitados o Incompletos.

- No se dispone del suficiente nmero de datos

- Las funciones que se utilizan son:

Distribucin uniforme. Se utiliza cuando se sabe que el tiempo
entre llagadas o de servicio es aleatorio pero no se dispone de ms
informacin

Distribucin Triangular. Se puede utilizar cuando se hacen
suposiciones sobre el mximo, el mnimo y la moda

Distribucin Beta. Proporciona una gran variedad de formas en su
distribucin


Distribuciones Discretas

Distribucin de Bernoulli
Es una distribucin de probabilidad con dos puntos de probabilidad discreta
definida como:
p(0) = q
p(1) = p siendo p+q = 1 con p,q >0


Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
Sea un experimento consistente en n ensayos y cada uno de ellos puede tener
xito o fracaso (1 0). Sea por ejemplo xj=1 xito y xj=0 fracaso.
Se tiene: p(x1, x2 ... xn) = p1(x1).
p2(x2) ... pn(xn)

p
xj = 1 j = 1, 2 ... n
xj = 0 j = 1, 2 ... n
pj(xj) = p(xj) = 1 p = q

0 otros



Distribucin Binomial
La variable X indica el nmero de xitos en n ensayos de Bernoulli y tiene una
distribucin binomial dada por:
n x q x = 0, 1, 2 ... n nx p
(x)= x p


resto 0
La media y la varianza son:

E (x) = np V(x) = npq


Distribucin Geomtrica (Relacionada con la secuencia de ensayos
de Bernoulli)
La variable X indica el nmero de ensayos para obtener el primer xito. La
distribucin de esta variable es:

x1

El evento {X = x} ocurre cuando hay x-1 fallos seguidos de un xito






p(x)
= q p
0
x = 1, 2
...
otros


Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
Cada uno de los fallos tiene asignada una probabilidad de q=1-p y cada uno de los
xitos tiene probabilidad p. As:

p(FFF....FS) = q
x-1
.p

La Media y la Varianza vienen dados por:
E(x) = 1 V(x ) = q
p p 2







Distribucin de Poisson
Se utiliza para modelar tiempos entre eventos aleatorios ocurridos en un intervalo
de tiempo fijo.
La funcin masa de probabilidad (pmf) est dada por:
x = 0, 1 ... e

x



p(x) =


x!
otros con > 0


0

Una propiedad importante de la distribucin de Poisson es E(x) = V(x) = La
funcin de distribucin acumulativa es:
x e

i
F(x) =

i =0
i!


Esta funcin est tabulada

Ejemplo: Servicio de Fontanera



Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.











Distribuciones Continuas
Distribucin Uniforme
Se utiliza cuando todos los valores en un rango finito se pueden considerar iguales
La variable aleatoria X est uniformemente distribuida en el intervalo (a,b) si pdf
est dada por:
1
a x <b


f (x) =

b a


Se tiene que p(x1 < x < x2) = F(x2)-F(x1)=
x2x1

Es proporcional a la b a
Longitud del intervalo para todo x1 y x2 que satisfaga a x1 < x2 b

cdf est dada por:











0
0

F (x) = x
a
b a
1
otros
x < a a
x < b
x b


Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.

La media y la Varianza son:
E (X) = a +b V(X) = (b a)2


2 12


Distribucin Exponencial

Se utiliza para modelar tiempos entre llegadas y tambin tiempos entre servicios

Una variable aleatoria X se dice que tiene distribucin exponencial con parmetro
> 0 si
su pdf
est
dada
por:


La media y la Varianza son: E(x) = V


Distribucin Gamma

Se utiliza para representar el tiempo requerido para finalizar una tarea
Una variable aleatoria X tiene una distribucin Gamma con parmetros y si pdf
es:

(

x
)
1

ex x > 0

f (x) =()
0 otros




f (x)
= e x
0


ex 0
x 0 x
F
(
x
) =

1
resto
resto 0





Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.

Donde es un parmetro de forma y es un parmetro de escala y
Adems:

x
dx para entero () =
(1)!

La Media y la Varianza son: E(x) = V(x) =
1

2


Cuando es entero, la distribucin Gamma est relacionada con la Exponencial
Para = 1 se obtiene una distribucin Exponencial




Distribucin Erlang

La expresin pdf de Gamma, para = K, con K entero se denomina distribucin
de Erlang de orden K
La Media y la Varianza son: E(x)
=
1
V(x)
=
1
K2
Se verifica que:

k1 ekx
(Kx)i
x > 0



x 0

1
F(x ) = i=0


0


Distribucin

i!





Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.

Normal

Una variable aleatoria X con media (- < < ) y varianza
2
tiene una
distribucin normal si pdf es:
1 1 x
2
f (x) = exp - < x <
2 2

Se utiliza la notacin N(, )
La cdf de la Distribucin Normal es:
x
1
1t 2

F(x) = p(X x) =

2 exp 2 dt
La funcin acumulativa cdf est tabulada y es:
z t 2
1 e 2 dt



Distribucin Weibull
Se utiliza en modelos de fiabilidad para representar tiempos de vida de
dispositivos. Un sistema formado por muchas partes independientes y el sistema
falla cuando hay un fallo.
Una variable aleatoria tiene una distribucin Weibull si pdf es

1











x exp

x
f (x) =




0

x
otros

z
2
) (



=


Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.
Los tres parmetros de una distribucin Weibull son (- < < ) que es el
parmetro de localizacin; ( > 0) que es el parmetro de escala y (>0)
que es el parmetro de forma. Para = 0 se tiene que la pdf es:
1
x x



Distribucin Triangular
Se utiliza cuando no se conoce la forma exacta de la distribucin pero se
estima el mnimo, el mximo y la moda
Una variable aleatoria X tiene distribucin Triangular si pdf es:

2(x a)





La cdf de una distribucin Triangular es:

0
2 x a
(
x

a)


F (x) = (b a)(c a
2
) a < x b
(c x)
1

(c b)(c a) b < x c
1 x > c



f
(x) =



0
exp

x 0

otros








(b a)( c a)
f (x) =
2(c x) (c b)(c
a)
0
a x b
b < x c
otros



Modelacin y Simulacin de Sistemas
Br. Francisco Javier Desayes Altamirano.