7-11-2014

UNMSM

DISTRIBUCIONES ESPECIALES PARA SIMULACIN

NORMAL, UNIFORME Y POISSON EJERCICIOS DE

APLICACIN

CARITA PORRAS, Josselin

MALPARTIDA MAGUIA, Pablo
MAMANI MALLMA, Renzo
MARTINEZ CALATAYUD, Jess
AUPARI SULLCA, Juan
RUIZ CHICOMA, Daro
SAYRITUPAC, Carlos
UNOCUYCA PUZA Rosmery

INTRODUCCIN
Este trabajo conllevaba la simulacin de problemas
probabilsticos para las variables Normal, Uniforme y
Poisson haciendo uso del mtodo de Montecarlo
simulado en Excel. Partiendo as desde las acepciones,
clasificaciones y las propiedades ms importantes de
las variables ya citadas.

Contenido
1.

2.

3.

4.

VARIABLE ALEATORIA....................................................................................................... 1
1.1.

CLASIFICACIN ............................................................................................................ 1

1.2.

CARACTERSTICAS DE LA VARIABLE ALEATORIA ......................................... 2

PROPIEDADES DE LA VARIABLE ALEATORIA ............................................................ 2

2.1.

MEDIA ............................................................................................................................... 2

2.2.

DESVIACIN ESTNDAR ............................................................................................ 2

2.3.

VARIANZA ....................................................................................................................... 2

2.4.

EJEMPLO ......................................................................................................................... 2

VARIABLE DISCRETA .......................................................................................................... 5

3.1.

UNIFORME....................................................................................................................... 5

3.2.

POISSON ........................................................................................................................... 6

VARIABLE CONTNUA ......................................................................................................... 8

4.1.

UNIFORME....................................................................................................................... 8

4.2.

NORMAL......................................................................................................................... 10

5.

MTODO DE MONTECARLO ............................................................................................ 12

6.

CASO PRCTICO CON SOFTWARE ................................................................................ 15

7.

6.1.

SIMULACIN MC CON VARIABLES DISCRETAS ............................................... 15

6.2.

SIMULACIN MC CON VARIABLES CONTINUAS .............................................. 16

BIBLIOGRAFA ..................................................................................................................... 17

Distribuciones especiales para Simulacin

1. VARIABLE ALEATORIA
Una variable aleatoria es una funcin, que asigna eventos (por ejemplo, los posibles
resultados de tirar un dado dos veces: (1, 1), (1, 2), etc.) a nmeros reales (por ejemplo, su
suma). Una variable aleatoria o variable estocstica es una variable estadstica cuyos
valores se obtienen de mediciones en experimento aleatorio.
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de
un experimento an no realizado, o los posibles valores de una cantidad cuyo valor
actualmente existente es incierto (por ejemplo, como resultado de medicin incompleta o
imprecisa). Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo
valor no es fijo pero puede tomar diferentes valores; una distribucin de probabilidad se usa
para describir la probabilidad de que se den los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores lgicos, funciones... El trmino elemento aleatorio se utiliza para
englobar todo ese tipo de conceptos relacionados. Un concepto relacionado es el de proceso
estocstico, un conjunto de variables aleatorias ordenadas (habitualmente por orden o
tiempo).
1.1. CLASIFICACIN
1.1.1. Variables Aleatorias Discretas
Ser discreta si su recorrido es un conjunto discreto. Es decir aquella cuya
funcin de probabilidad slo toma valores positivos en un conjunto de valores de X
finito o infinito numerable. Por ejemplo, el nmero de hijos que puede tener una
persona: 0, 1, 2, 3, 4, 5,
Este tipo de variable se clasifica en:

Distribucin Uniforme
Distribucin de Bernoulli
Distribucin Binomial
Distribucin de Poisson

1.1.2. Variables Aleatorias Continuas

Ser continua si su recorrido no es un conjunto numerable. Intuitivamente esto
significa que el conjunto de posibles valores de la variable abarca todo un intervalo
de nmeros reales. Por ejemplo, la variable que asigna la estatura a una persona
extrada de una determinada poblacin es una variable continua ya que, tericamente,
todo valor entre, pongamos por caso, 0 y 2,50 m, es posible.
Este tipo de variable se clasifica en:

[Escriba texto]

Distribucin Uniforme
Distribucin Exponencial
Pgina 1

Distribuciones especiales para Simulacin

Distribucin Normal
Distribucin de Pearson
Distribucin de Student
Distribucin de Snedecor

1.2. CARACTERSTICAS DE LA VARIABLE ALEATORIA

1.2.1. Distribucin de probabilidad de una variable aleatoria
La distribucin de probabilidad de una variable aleatoria X, tambin llamada funcin de
distribucin de X es la funcin FX(x), que asigna a cada evento definido sobre X una
probabilidad dada por la siguiente expresin:
FX x P X x

Y de manera que se cumplan las siguientes tres condiciones:

lim F x 1 lim F x 1

Es continua por la derecha.

Es montona no decreciente.
La distribucin de probabilidad de una variable aleatoria describe tericamente la forma en
que varan los resultados de un experimento aleatorio. Intuitivamente se tratara de una lista
de los resultados posibles de un experimento con las probabilidades que se esperaran ver
asociadas con cada resultado.
Ejemplo
Distribucin de probabilidad de los posibles resultados de lanzar una moneda
Distribucin de probabilidad de los posibles resultados de lanzar un dado
Distribucin de probabilidad de los posibles resultados de lanzar un dado que tiene
los valores (1, 2, 2, 3, 3, 3)
Para una variable continua hay infinitos valores posibles de la variable y entre cada dos de
ellos se pueden definir infinitos valores ms. En estas condiciones no es posible deducir la
probabilidad de un valor puntual de la variable; como se puede hacer en el caso de variables
discretas, pero es posible calcular la probabilidad acumulada hasta un cierto valor (funcin
de distribucin de probabilidad), y se puede analizar cmo cambia la probabilidad
acumulada en cada punto (estos cambios no son probabilidades sino otro concepto: la
funcin de densidad.

[Escriba texto]

Pgina 2

Distribuciones especiales para Simulacin

1.2.2. Funcin de densidad de una variable aleatoria continua
La funcin de densidad de probabilidad (FDP) o, simplemente, funcin de densidad,
representada comnmente como F(x), se utiliza con el propsito de conocer cmo se
distribuyen las probabilidades de un suceso o evento, en relacin al resultado del suceso.
La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la funcin de
distribucin de probabilidad F(x), o de manera inversa, la funcin de distribucin es la
integral de la funcin de densidad:
F x

f t dt

La funcin de densidad de una variable aleatoria determina la concentracin de

probabilidad alrededor de los valores de una variable aleatoria continua.

[Escriba texto]

Pgina 1

Distribuciones especiales para Simulacin

2. PROPIEDADES DE LA VARIABLE ALEATORIA
2.1. MEDIA
La media aritmtica (tambin llamada promedio o simplemente media) de un conjunto
finito de nmeros es el valor caracterstico de una serie de datos cuantitativos objeto de
estudio que parte del principio de la esperanza matemtica o valor esperado, se obtiene a
partir de la suma de todos sus valores dividida entre el nmero de sumandos. Cuando el
conjunto es una muestra aleatoria recibe el nombre de media muestral siendo uno de los
principales estadsticos muestrales.
2.2. DESVIACIN ESTNDAR
La desviacin estndar () mide cunto se separan los datos. La frmula es fcil: es la raz
cuadrada de la varianza.
2.3. VARIANZA
Es la media de las diferencias con la media elevadas al cuadrado. En otras palabras, sigue
estos pasos:
a) Calcula la media (el promedio de los nmeros)
b) Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
c) Ahora calcula la media de esas diferencias al cuadrado.
2.4. EJEMPLO
T y tus amigos han medido las alturas de algunos perros (en milmetros):

Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Respuesta:

MEDIA

[Escriba texto]

600 470 170 430 300 1970

394
5
5
Pgina 2

Distribuciones especiales para Simulacin

As que la altura media es 394 mm. Vamos a dibujar esto en el grfico:

Ahora calculamos la diferencia de cada altura con la media:

Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:

2062 762 224 262 94 108520

VARIANZA

21704
5
5
2

As que la varianza es 21,704. Y la desviacin estndar es la raz de la varianza, as que:

Desviacin estndar:

21704 147
Y lo bueno de la desviacin estndar es que es til: ahora veremos qu alturas estn a
distancia menos de la desviacin estndar (147mm) de la media:

As que usando la desviacin estndar tenemos una manera "estndar" de saber qu es

normal, o extra grande o extra pequeo.
[Escriba texto]

Pgina 3

Distribuciones especiales para Simulacin

Los Rottweilers son perros grandes. Y los Dachsunds son un poco pequeos...
Por qu al cuadrado?
Elevar cada diferencia al cuadrado hace que todos los nmeros sean positivos (para evitar
que los nmeros negativos reduzcan la varianza) y tambin hacen que las diferencias
grandes se destaquen. Por ejemplo 1002=10,000 es mucho ms grande que 502=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, as que lo deshacemos
(con la raz cuadrada) y as la desviacin estndar es mucho ms til. En conclusin, la
desviacin slo significa qu tan lejos de lo normal

[Escriba texto]

Pgina 4

Distribuciones especiales para Simulacin

3. VARIABLE DISCRETA
3.1. UNIFORME
Sea X una variable aleatoria discreta que toma valores X1.....Xn tales la probabilidad de
tomar cada uno de los valores es:

P( X X i )

1
p

Cuando esto ocurre se dice que X se distribuye como una variable aleatoria Uniforme
discreta. Esta es la distribucin discreta ms sencilla, la cual asigna la misma probabilidad a
cada una de las soluciones.
Ejemplos
La probabilidad de que salga cara o sello al lanzar una moneda

1
50%
2
1
50%
2

P( X Cara )
P( X Sello )

La probabilidad de que salga cualquier nmero al tirar un dado:

1
16.67%
6
1
16.67%
6
1
16.67%
6
1
16.67%
6
1
16.67%
6
1
16.67%
6

P( X 1)
P( X 2)
P( X 3)
P( X 4)
P( X 5)
P( X 6)

[Escriba texto]

Pgina 5

Distribuciones especiales para Simulacin

3.2. POISSON
Esta es una distribucin discreta de gran utilidad sobre todo en procesos biolgicos, donde
X suele representar el nmero de eventos independientes que ocurren a velocidad constante
en un intervalo de tiempo o en un espacio.
As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye como una
distribucin de Poisson:

x P( )
Con >0, si su funcin o distribucin de probabilidad viene dada por:

P X X i e

Xi !

En esta distribucin representa el nmero promedio de ocurrencias en un intervalo de

tiempo o en un espacio. Por lo tanto, para esta distribucin se verifica que su esperanza y su
varianza son:

E X
V X
Y su funcin de distribucin:

F x

0
,x 0

n X i
e
,x 0

X
!
i 1
i

Seguidamente se pueden ver varios ejemplos de variables que se distribuyen con una
Poisson: Nmero de clientes que llegan a un banco durante una hora o una maana, nmero
de defectos en un trozo de material, etc. Sin embargo, de llegar muchos clientes en una
determinada franja horaria y pocos en otra, o no estar los defectos igualmente distribuidos
en el material, la distribucin de Poisson no sera apropiada.
Ejemplo
Una central telefnica recibe una media de 480 llamadas por hora. Si el nmero de
llamadas se distribuye segn una Poisson y la central tiene una capacidad para atender a
lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un minuto
determinado no sea posible dar lnea a todos los clientes?
[Escriba texto]

Pgina 6

Distribuciones especiales para Simulacin

Solucin
Si definimos X = N de llamadas por minuto, la media ser:

E X

480
8
60

Entonces:

X P(8)
La probabilidad de que reciba ms de doce llamadas ser:
P( X 12) 1 P( X 12)
n

P( X 12) 1 e

i 1

Xi !

8Xi
1 e
Xi !
i 1
12

P( X 12)

P( X 12) 1 0.9362
P( X 12) 0.0638

[Escriba texto]

Pgina 7

Distribuciones especiales para Simulacin

4. VARIABLE CONTNUA
4.1. UNIFORME
Es la ms sencilla de las distribuciones continuas. Surge cuando consideramos una variable
aleatoria que toma valores en un intervalo finito de manera equiprobable. Esta se define
como una variable aleatoria continua, X, se dice que se distribuye como una distribucin
uniforme de parmetros a, b, tales que:

a b
X U a, b
Siempre se verifica que su funcin de densidad viene dada por la expresin:

f x

1
,
ba

a xb

Lo ms significativo que vamos a destacar de esta distribucin es que su esperanza y su

varianza vienen dadas por las siguientes expresiones:

ab
2
ba

12

E X
V X

La funcin de distribucin dada una variable aleatoria uniforme es

0
xa
F x
b a

,x a
,a x b
,b x

Ejemplo
Seleccionamos al azar un nmero real en el intervalo [2, 6] y definimos una variable
aleatoria como X=nmero seleccionado. Calcula la probabilidad de que el nmero
seleccionado sea menor de 5 y el nmero esperado.
Solucin
En este caso para calcular la probabilidad lo que hacemos es:
[Escriba texto]

Pgina 8

Distribuciones especiales para Simulacin

5

P X 5
2

1
1
X
5 2 3
f ( x ) dx
dx dx 0.75
62
4
4 2 4 4 4
2
2
5

Esto se poda haber hecho ms rpido con la funcin de distribucin de la siguiente forma:

P X 5 F5

x b 52 3

0.75
a b 62 4

Para calcular la esperanza, aplicamos la formula y nos queda:

V X

[Escriba texto]

ba 62 1

0.33
12
12
3

Pgina 9

Distribuciones especiales para Simulacin

4.2. NORMAL
Se caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno
a un valor central que coincide con el valor medio de la distribucin. Las ventajas tericas
de este modelo hacen que su uso se generalice en las aplicaciones reales.
Sea X una variable aleatoria continua, se dice que se distribuye como una normal:

X N , ;

>0

Donde se verifica que -<x<+, es el valor medio de la distribucin y es precisamente

donde se sita el centro de la curva (campana de Gauss), y es cualquier valor entre y
+, si su funcin de densidad viene dada por:
x

f X

2 2

e
2

Cuando la media de la distribucin es 0 y la varianza es 1, se denomina "normal tipificada",

y su ventaja reside en que hay tablas, o rutinas de clculo que permiten obtener esos
mismos valores, donde se recoge la probabilidad acumulada para cada punto de la curva de
esta distribucin. Es se ver con ms detalle en el siguiente apartado.
Propiedades:
Tiene un parmetro que es la media

E X

Tiene otro parmetro que nos da la dispersin.

V X 2
La media, la moda y la mediana coinciden.
Es una funcin simtrica respecto a la media, como se puede ver en el grfico.

Si definimos la variable Y = a X + b, donde X se distribuye como una normal de

parmetros XN(, ) , entonces:

Y N a b, a

[Escriba texto]

Pgina 10

Distribuciones especiales para Simulacin

Sean dos variables aleatorias normales que se distribuyen X1N(1,1) y
X2N(2,2) se define una nueva variable de la forma Y = X1 + X2, entonces esta
nueva variable se distribuye como:

Y N 1 2 , 12 2 2

Tipificando la normal
Sea:

X N ,

Al definir la nueva variable

Z
Siempre se verifica que:

Z N 0,1

x
X x

P X x

P
Z

Ejemplo
Se utilizan medidores para rechazar todos los componentes donde cierta dimensin no
est dentro de la especificacin 1.50d. Se sabe que esta medida se distribuye de forma
normal con media 1.50 y desviacin estndar 0.2. Calcular el valor d tal que las
especificaciones cubran 95% de las mediciones.
Solucin:
De la Tabla es fcil ver que para 0.95

P 1.96 X 1.96 0.95

Por lo tanto:

1.96

1.5 d 1.5

0.2
d 1.96 0.2
d 0.392

[Escriba texto]

Pgina 11

Distribuciones especiales para Simulacin

5. MTODO DE MONTECARLO
La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y
los ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio
de sistemas reales no dinmicos (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulacin de eventos discretos o
bien a la simulacin de sistemas continuos).
La clave de la simulacin MC consiste en crear un modelo matemtico del sistema, proceso
o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo
comportamiento aleatorio determina el comportamiento global del sistema. Una vez
identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento
consistente en (1) generar con ayuda del ordenador- muestras aleatorias (valores
concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores
generados. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el
comportamiento del sistema, lo cual nos ser de utilidad para entender el funcionamiento
del mismo obviamente, nuestro anlisis ser tanto ms preciso cuanto mayor sea el
nmero n de experimentos que llevemos a cabo.
Ejemplo
Sea muestra un anlisis histrico de 200 das sobre el nmero de consultas diarias
realizadas a un sistema de informacin empresarial (EIS) residente en un servidor
central. La tabla incluye el nmero de consultas diarias (0 a 5) junto con las frecuencias
absolutas (nmero de das que se producen 0, 1, ..., 5 consultas), las frecuencias relativas
(10/200 = 0,05,...), y las frecuencias relativas acumuladas.
Consultas EIS
0
1
2
3
4
5

Frec. Abs. (das)

10
20
40
60
40
30

Frec. Relativa
0.05
0.10
0.20
0.30
0.20
0.15

Frec. Relat. Ac.

0.05
0.15
0.35
0.65
0.85
1.00

Se desea conocer el nmero esperado (o medio) de consultas por da.

Solucin
Forma manual
n

E X xi P X xi
i 0

E X 0 0.05 1 0.10 2 0.20 3 0.30 4 0.20 5 0.15

E X 2.95
[Escriba texto]

Pgina 12

Distribuciones especiales para Simulacin

Simulacin de Monte Carlos con Excel
Conociendo la distribucin de probabilidad, ser posible usar la columna de frecuencias
relativas acumuladas para obtener los llamados intervalos de nmeros aleatorios asociados
a cada suceso. En este caso, los intervalos obtenidos son:

Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador (proveniente de

una distribucin uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo
resultado, obtenido de forma aleatoria y segn la distribucin de probabilidad anterior,
estar asociado a un suceso. As por ejemplo, si el ordenador nos proporciona el nmero
pseudo-aleatorio 0,2567, podremos suponer que ese da se han producido 2 consultas al
EIS.
Asignamos el valor =Aleatorio() a la casilla F1

Y luego procedemos a arrastrar con el mouse para generar ms valores, tantos como
creamos convenientes.

[Escriba texto]

Pgina 13

Distribuciones especiales para Simulacin

Generamos una funcin para asignar el valor correspondiente en la columna siguiente:

Y arrastramos nuevamente con el mouse para asignarle un valor de consultas a cada

nmero aleatorio.

Finalmente usando la funcin =Promedio(G:G) obtendremos, un valor idntico o al

menos muy cercano a lo esperado, pero teniendo la posibilidad de alterar diferentes
patrones caractersticos, como el nmero de eventos.

[Escriba texto]

Pgina 14

Distribuciones especiales para Simulacin

6. CASO PRCTICO CON SOFTWARE
6.1. SIMULACIN MC CON VARIABLES DISCRETAS

[Escriba texto]

Pgina 15

Distribuciones especiales para Simulacin

6.2. SIMULACIN MC CON VARIABLES CONTINUAS

[Escriba texto]

Pgina 16

Distribuciones especiales para Simulacin

7. BIBLIOGRAFA
CARRASCO, H. (2010). Simulacin, algunos mtodos y aplicaciones.
MONTERO, A. (2008). Estadstica II. Guadalajara.
RODRIGEZ ARAGN, L. J. (2010). Tema 3: Clculo de probabilidades. En Estadstica (pg. 29).
Mxico.
DLM. (2011). Disfruta las Matemticas. Recuperado el 29 de Octubre de 2014, de Varianza y
desviacin estndar: http://www.disfrutalasmatematicas.com/datos/desviacionestandar.html
UNIVERSITAT OBERTA DE CATALUNYA. (2012). Simulacin de Monte Carlo con excel. Recuperado el
29 de Octubre de 2014, de http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf

[Escriba texto]

Pgina 17