Procesos de simulacin en

sistemas estocsticos
Juan Carlos Aldana B.

Objetivo
Reconocer como desarrollar adecuadamente un
modelo de simulacin estocstica, y las variables
que los definen.

Proceso de simulacin estocstica

Recoleccin
de datos

Simulacin
con
computadora

Anlisis

Asignacin
de nmeros
aleatorios

Formulacin
del modelo

Datos de costos, capacidades,

distribuciones de probabilidad

Recoleccin de datos

Registros histricos cuando

la informacin existe en
informes
Procedimiento de muestreo
estadstico, cuando no se
tiene informacin precisa

Variables aleatorias
Cuando en un experimento, las cantidades de
inters son determinadas por el resultado de este
experimento.
La funcin de distribucin acumulada o funcin de
probabilidad F, de las variables aleatorias X, es dada
algn nmero real x para:
F(x) = P(X x)
Una variable discreta slo puede tomar un nmero
finito de valores, por lo tanto la probabilidad de la
funcin es: p(x) = P(X=x)
Y por lo tanto
=1 = 1

Generacin de Nmeros PseudoAleatorios

Un nmero aleatorio es aquel que tiene la misma
probabilidad de ser seleccionado que cualquier
otro nmero.
Como en la naturaleza no se puede garantizar la
completa aleatoriedad de un nmero se generan
los nmeros pseudo-aleatorios.
Estos constituyen una secuencia de valores, los
cuales son determinsticamente generados,
tienen la apariencia de ser uniformemente
independientes (0,1) de variables aleatorias.

Generacin de nmeros Pseudoaleatorios

La aproximacin ms comn para generar nmeros
pseudo-aleatorios, empieza con un valor inicial 0
llamado semilla, y entonces recursivamente se
computan valores sucesivos con n 1, para
permitir que:
= 1 , modulo m
Donde a y m son enteros positivos, y donde la media
1 , es divido por m y el remanente es tomado
como .
Esta ecuacin es llamada el mtodo congruencial
multiplicativo.

Generacin de Nmeros PseudoAleatorios

Se pueden generar nmeros pseudo-aleatorios a
travs de:

Las tablas de nmeros aleatorios de los libros

Las calculadoras
Las hojas de clculo de los computadores
Aplicaciones especificas

Formulacin del modelo

Insumos incontrolables
(Parmetros)

Insumos
controlables
(Variables de
decisin)

Modelo
Matemtico

Salidas
(Resultados
previstos)

Anlisis
Es un mtodo para ensayar hiptesis, en el cual
el resultado de un conjunto de simulaciones,
proporcionan datos de muestra que pueden
analizarse estadsticamente.
Se comparan con otros conjuntos de simulacin
para determinar consistencia de los datos.
Tambin se pueden utilizar para analizar
alternativas y casos extremos y determinar si son
estadsticamente significativos.

Simulacin por computadora

Mejora las alternativas de

la simulacin y la
eficiencia

Si son manuales pueden

consumir mucho tiempo

En estado estable

Ejercicio. Venta de vehculos

La distribuidora de carros Best vende vehculos nuevos.
El Gerente considera que la distribucin de probabilidad
de vehculos vendidos por semana es:
Ventas semanales

Frecuencia relativa (prob)

0,05

0,15

0,20

0,30

0,20

0,10

Total

1,0

Si el precio de venta por vehculo es de 20 (mill), disee un modelo

de simulacin que determine las distribuciones de probabilidad y
la media de las prximas 20 semanas

Variables aleatorias
Una variable aleatoria es la descripcin numrica del
resultado de un experimento

Discreta

Contnua

Slo puede asumir una

secuencia finita o infinita de
valores
1, 2, 3,..100
Pueden asumir cualquier valor
en un intervalo determinado
Nmeros reales

Distribuciones de probabilidad de una

variable aleatoria discreta
Si la funcin de probabilidad f(x) determina la
probabilidad que una variable aleatoria tome un
valor especifico.
Se requiere que:
0 f(x) 1
f(x) = 1

Valor esperado de una V.A.D.

El Valor Esperado de una Variable Aleatoria Discreta es
un promedio ponderado de todos los valores posibles de
la misma, donde las ponderaciones son las
probabilidades asociadas a los valores.
De denota como:
E(x) = = x f(x)
x

F(x)

X f(x)

0,18

0*0,18 = 0

0,39

1*0,39= 0,39

0,24

2*0,24= 0,48

0,14

3*0,14= 0,42

0,04

4*0,04= 0,16

0,01

5*0,01= 0,05
E(x) = 1,5

Varianza de una V.A.D.

La varianza es la variabilidad de los valores que asume
una variable aleatoria.
Se denota como:
2

Var(x) = = (x ) f(x)
x

(x )

F(x)

(x ) f(x)

0-1,5 = -1,5

2,25

0,18

0,4050

1-1,5 = -0,5

0,25

0,39

0,0975

2 1,5 = 0,5

0,25

0,24

0,06

3 1,5 = 1,5

2,25

0,14

0,315

4 1,5 = 2,5

6,25

0,04

0,25

5 1,5 = 3,5

12,25

0,01

0,1225

2 =

1,25

La desviacin estndar es la raiz cuadrada positiva de la varianza

Distribucin de probabilidad binomial

Es el experimento que cumple las siguientes
caractersticas:
1. Consiste en una secuencia de n eventos
idnticos.
2. Dos resultados son posibles en cada ensayo.
xito y fracaso; cara y sello.
3. Las probabilidades de los dos resultados no
cambian de un ensayo a otro.
4. Los ensayos son independientes, es decir el
resultado de un ensayo no afecta el resultado del
otro.

Notacin de la Distribucin Binomial

Si cumple las condiciones 2,3 y 4 se conoce como un
proceso de Bernoulli.
Funcin de probabilidad binomial:
f(x) =

!
! !

(1 ) con x= 0, 1, 2n

Donde:
n: nmero de ensayos
P: probabilidad de xito en un ensayo
x: nmero de xitos en n ensayos
f(x): probabilidad de x xitos en n ensayos
n! = n(n-1)(n-2).(1)

Valor esperado y varianza

El valor esperado es:
E(x) = = x f(x)

Para esta distribucin binomial se cumple que:

= np
La varianza es:
Var(x) = 2 = np (1 - p)

Distribucin de Probabilidad de Poisson

Es aplicable cuando:
1. La probabilidad de una ocurrencia del evento es la misma para dos
intervalos de igual longitud
2. La ocurrencia o no ocurrencia de un evento en cualquier intervalo
es independiente de la ocurrencia o no ocurrencia en cualquier
otro intervalo
La funcin de probabilidad es:
f(x) =

para x= 1,2,3

= media o nmero medio de ocurrencias en un intervalo

e = 2,71828
X = nmero de ocurrencias en el intervalo
f(x) = probabilidad de x ocurrencias en el intervalo

Ejercicio. Poisson
Se desea conocer la cantidad de clientes que
llegan a un cajero electrnico durante 15
minutos en las maanas de los das hbiles. Si se
asume que la probabilidad de llegada de un
cliente es igual en intervalos de tiempos iguales,
y que la llegada de clientes es independiente, la
distribucin de Poisson es aplicable. Si se conoce
que el nmero medio de clientes que llega es de
10 durante los 15 minutos, se aplica la funcin de
probabilidad con = 10 clientes.

Ejercicio. Poisson
f(x) =
Si

10 10
!

100 10
f(0) = =
= 0,00
0!
101 10
f(1) = =
= 0,005
1!

para x= 1,2,3

Calcule la probabilidad para x = 2, 3, 4, 5, 6, 7, 8,

9.
Cul es la probabilidad que al menos lleguen 5
clientes?

Variables aleatorias contnuas

Se presentan en modelos en los cuales
No se conoce el comportamiento de las variables,
es incierto.
Esta definido para todo instante de tiempo, en un
intervalo de observacin.
El comportamiento de las variables esta asociado a
una distribucin de probabilidad.

Distribucin de probabilidad Uniforme

Se define cuando la variable tiene la misma
probabilidad de ocurrencia en cualquier
intervalo de tiempo.
La variable puede tomar cualquier valor en el
intervalo (por esto es contnua).
Valores Y
6
4
Valores Y

2
0
0

10

15

Notacin de la Distribucin Uniforme

Funcin de probabilidad Uniforme:
f(x) =

0 en cualquier otro valor

Como la variable x puede tomar un nmero de
valores infinitos se asume la probabilidad en
funcin de que la variable aleatoria tome un valor
dentro de un intervalo dado.

Ejemplo: Distribucin Uniforme

Una persona demora en llegar a su casa en la noche
mnimo 1 hora y mximo 1 hora y 20 minutos.
Defina la funcin de probabilidad
Dibuje la grfica de distribucin de probabilidad.
Cul es la probabilidad que se demore entre 1 hora y
1 hora y un minuto?
Cul es la probabilidad que demore entre 1 hora y 1
hora y 10 minutos?
Se puede conocer la probabilidad por el rea, cmo?

Diferencias entre las variables

aleatorias discretas y continuas

Discretas

Continuas

La probabilidad de la variable toma un valor en

particular.
La probabilidad es representada como un punto
instantneo en una grfica.

La probabilidad que la variable tome un valor dentro

de un intervalo dado.
La probabilidad en ese intervalo se define como el
rea bajo la curva de la funcin de densidad de
probabilidad en el intervalo. Entonces la probabilidad
de que la variable tome un valor particular es cero.

Distribucin de probabilidad normal

Es muy utilizada, porque existen muchos
fenmenos de la vida real y variables que se
pueden expresar as.
La funcin de densidad de probabilidad es una
curva con forma de campana de gauss.

Notacin de la Distribucin Normal

Funcin de probabilidad normal:
2
2
(x
)
/
2

f(x) = (1/ 2)
con - x
Donde:
: Media o valor esperado de la variable aleatoria x
2 : Varianza de la variable aleatoria x
: desviacin estndar de la variable aleatoria x
: 3,1416
e = 2,71828

Distribuciones de probabilidad con la

misma media

Distribucin Normal Estndar

Se presenta cuando:
=0
=1

Z : variable aleatoria con

distribucin normal
estndar
La probabilidad tambin
corresponde al rea bajo la
curva
Los valores de z negativos y
positivos se consultan en las
tablas.

Clculo de probabilidades para

distribuciones normales
Se puede convertir
cualquier funcin con
media y desviacin
estndar , a una
distribucin normal
estndar utilizando la
frmula:
Z=x-/
En este caso z es el
nmero de desviaciones
estndar que x est alejada
de

Ejercicio Distribucin Estndar

Una fbrica esta probando el recorrido promedio de una
nueva llanta que se calcula en =35.500 km y con una
desviacin estndar de = 5.000 km. Se identifica que
este comportamiento sigue una distribucin normal.
Qu porcentaje de llantas se puede esperar dure ms de
40.000 km?
Cul es la probabilidad que al menos dure 30.000 km?
Si se da un descuento a las llantas que no cumplan con el
recorrido mnimo y se quiere que este no sea de ms del
10% de las llantas, cul debe ser el kilometraje de
garanta de las llantas?

Distribucin de probabilidad
exponencial
Es una distribucin empleada usualmente para
identificar el tiempo de completar una tarea.
Llegada entre clientes
Tiempo para prestar un servicio
Tiempo entre errores medios en una lnea

Notacin de la Distribucin
Exponencial
Funcin de probabilidad normal:
f(x) =

para x 0, 0
Donde:
X : Variable aleatoria continua
: Media o valor esperado de la variable aleatoria x
e = 2,71828

Clculo de probabilidades para la

distribucin exponencial
La probabilidad es el
rea bajo la curva.
0
P ( x 0 ) = 1 -
P ( x 1 ) = 1 -
2

Ejercicio Distribucin Exponencial

Si los tiempos de atencin a un cliente en un
banco son = 15 minutos, cul es la
probabilidad que se requieran menos de 6
minutos para atender a un cliente?
Cul es la probabilidad que se demore entre 6 y
15 minutos?
Cul es la probabilidad que se demore ms de 18
minutos?

Bibliografa
MORA, Hctor M.,Temas de Optimizacin. . Facultad De Ciencias
Universidad Nacional 2009.
TAHA Handy. Investigacin de operaciones. Pearson Educacin.
Mxico. 2004.
EPPEN G.D. y otros. Investigacin de operaciones en la ciencia
administrativa. Pearson Educacin. Mxico. 2.000.
HILLIER Fredery y LIEBERMAN. Investigacin de operaciones.
McGraw Hill. Mxico. 2.001.
ANDERSON David y otros. Mtodos cuantitativos para los negocios.
Ed. Cengage Learning , 11. Ed. 2010.
HEIZER Jay, Direccin de la Produccin y Operaciones, 8. Edicin,
Prentice Hall, 2007.
KRAJEWSKI Lee, Administracin de Operaciones, 8. Edicin,
PrenticeHall, 2008.
DUARTE Oscar, Anlisis de Sistemas Dinmicos Lineales, Universidad
Nacional de Colombia.