Académique Documents
Professionnel Documents
Culture Documents
sistemas estocsticos
Juan Carlos Aldana B.
Objetivo
Reconocer como desarrollar adecuadamente un
modelo de simulacin estocstica, y las variables
que los definen.
Simulacin
con
computadora
Anlisis
Asignacin
de nmeros
aleatorios
Formulacin
del modelo
Recoleccin de datos
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
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.
En estado estable
0,05
0,15
0,20
0,30
0,20
0,10
Total
1,0
Variables aleatorias
Una variable aleatoria es la descripcin numrica del
resultado de un experimento
Discreta
Contnua
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
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
!
! !
(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)
para x= 1,2,3
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
2
0
0
10
15
Discretas
Continuas
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
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
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.