GENERAR VARIABLES ALEATORIAS

PARA LA SIMULACIÓN
Introducción
■ Una de las aplicaciones de la simulación surge en aquellas situaciones en
las que se requiere un cierto método de muestreo estocástico

– Aunque la toma de una muestra resulta imposible o económicamente

impracticable.

■ Tal puede ser el caso con los datos obtenidos con las fallas de la
maquinaria en una industria

– No se dispone de archivos precisos, relativos a la historia de una o

varias maquinas en particular;

– La información no conocida sobre la demanda para cierta fecha futura

que tendrá algún producto de una compañía.
Introducción
■ En muchos casos estos datos estadísticos son imposibles de obtener

– Sin embargo, se pueden suponer ciertos comportamientos respecto a la

población en la que se originan los datos, esto es la esencia de la
simulación; es decir, realizar un análisis del tipo “que pasa si…”.

■ En la generación de estadísticas simuladas:

– Los valores de las variables aleatorias, tienen una naturaleza

estocástica

– Y debe soportarse por números aleatorios.

Definición de variable aleatoria

■ Un modelo de simulación permite lograr un entendimiento de cualquier sistema.

■ Obtener la aproximación a la realidad se consigue componiendo el modelo con base

en variables aleatorias que interactúen entre sí.

■ ¿cómo podemos determinar qué tipo de distribución tiene una variable aleatoria?,

■ ¿cómo podemos usarla en el modelo una vez que conocemos su distribución

asociada?

■ Los métodos y las herramientas dan respuesta a estas interrogantes para la

generación del modelo.
Definición de variable aleatoria
■ Las variables aleatorias son aquellas que tienen un comportamiento probabilístico
en la realidad.

■ Ejemplo:

– el número de clientes que llegan cada hora a un banco depende del momento
del día, del día de la semana y de otros factores:

– por lo general:

 la afluencia de clientes será mayor al mediodía que muy temprano por la

mañana;

 la demanda será más alta el viernes que el miércoles;

 habrá más clientes un día de pago que un día normal, etc.

Reglas de distribución de probabilidad
Debido a estas características, las variables aleatoria deben cumplir las reglas de
distribución de probabilidad :
■ La suma de las probabilidades asociadas a todos los valores posibles de la variable
aleatoria x e s uno.
■ La probabilidad de que un posible valor de la variables x se presente siempre es mayor
que o igual a cero.
■ El valor esperado de la distribución de la variable aleatoria es la media de la misma, la
cual a su vez estima la verdadera media de la población.
■ Si la distribución de probabilidad asociada a una variable aleatoria está definida por
más de un parámetro, dichos parámetros pueden obtenerse mediante un estimador no
sesgado.
Ejemplo:
 La varianza de la población 2 puede ser estimada usando la varianza de una
muestra que es 𝒔𝟐 .
 La desviación estándar de la población  , puede estimarse mediante la desviación
estándar de la muestra s.
Tipos de variables aleatorias
■ Podemos diferenciar las variables aleatorias de acuerdo con el tipo de valores
aleatorios que representan.

■ Ejemplo: el número de clientes que solicitan cierto servicio en un periodo de tiempo

determinado, podríamos encontrar valores tales como 0, 1, 2, ..., n, es decir, un
comportamiento como el que presentan las distribuciones de probabilidad
discretas.

■ Otro del tiempo que tarda en ser atendido una persona, nuestra investigación
arrojaría resultados como 1.54 minutos, 0.028 horas o 1.37 días, es decir, un
comportamiento similar al de las distribuciones de probabilidad continuas.

■ Si consideramos lo anterior podemos diferenciar entre variables aleatorias discretas

y las continuas.
Tipos de variables aleatorias
■ Podemos diferenciar las variables aleatorias de acuerdo con el tipo de valores
aleatorios que representan.

■ Ejemplo: el número de clientes que solicitan cierto servicio en un periodo de tiempo

determinado, podríamos encontrar valores tales como 0, 1, 2, ..., n, es decir, un
comportamiento como el que presentan las distribuciones de probabilidad
discretas.

■ Otro del tiempo que tarda en ser atendido una persona, nuestra investigación
arrojaría resultados como 1.54 minutos, 0.028 horas o 1.37 días, es decir, un
comportamiento similar al de las distribuciones de probabilidad continuas.

■ Si consideramos lo anterior podemos diferenciar entre variables aleatorias discretas

y las continuas.
Variables aleatorias discretas
■ Este variables deben cumplir
con estos parámetros:

■ Distribuciones discretas de probabilidad son:

 la uniforme discreta
 la de Bernoulli
 la hipergeométrica
 la de Poisson y
 la binomial.
■ Podemos asociara estas u otras distribuciones de probabilidad el comportamiento
de una variable aleatoria.
Distribución de probabilidad de una variable aleatoria discreta
■ .
Ejemplos
■ Comportamiento asociado a una distribución de Bernoulli.
 Si nuestro propósito al analizar un muestreo de calidad consiste en decidir si
la pieza bajo inspección es buena o no, estamos realizando un experimento
con 2 posibles resultados: la pieza es buena o la pieza es mala.
■ Comportamiento a una distribución de Poisson.
 si lo que queremos es modelar el número de usuarios que llamarán a un
teléfono de atención a clientes
■ Distribución empírica
 Si el comportamiento de la variable no se pareciera a otras distribuciones de
probabilidad conocidas.
 Es perfectamente válido usar una que se ajuste a las condiciones reales de
probabilidad.
 Esta distribución puede ser una ecuación o una suma de términos que cumpla
con las condiciones necesarias para ser considerada una distribución de
probabilidad.
Variables aleatorias continuas
■ Las variables se representan mediante una ecuación que se conoce como función
de densidad de probabilidad.
■ Cambiamos el uso de la sumatoria por la de una integral para conocer la función
acumulada de la variable aleatoria.
■ Las variables aleatorias continuas deben cumplir los siguientes parámetros.
Las distribuciones de probabilidad continuas:

 la uniforme continua,

 la exponencial

 la normal,

 la de Weibull,

 la Chi-cuadrada y

 Erlang

■ De la misma forma que en las distribuciones discretas, algunos procesos pueden

ser asociados a ciertas distribuciones.
Distribución de probabilidad de una variable aleatoria continua

*
Ejemplos
■ Es posible que el tiempo entre llegadas de los clientes a un sistema tenga una
distribución de probabilidad muy semejante a una exponencial, o que el tiempo que
le toma a un operario realizar una serie de tareas se comporte de manera muy
similar a la dispersión que presenta una distribución normal.

■ Debemos hacer notar que este tipo de distribuciones tienen sus desventajas, ya
que el rango de valores posibles implica que existe la posibilidad de tener tiempos
entre llegada de clientes infinitos o tiempos de ensamble infinitos» situaciones
lejanas a la realidad.

■ Es muy poco probable de se presenten este tipo de eventos, aunque el analista de

la simulación debe estar consciente de cómo pueden impactar valores como los
descritos en los resultados del modelo.
Métodos para generar variables aleatorias
■ Existen varios métodos para generar variables aleatorias:

– Transformada inversa.

– Convolución.

– Aceptación rechazo.

– Directo.
Distribuciones continuas:
■ Se presentan las expresiones para generar variables aleatorias con las
distribuciones de probabilidad más usuales.

Distribución uniforme
■ Obtenida a partir del método de la transformada inversa.

x  a  (b  a) RNDi

■ donde:
Distribución exponencial
■ Obtenida a partir del método de la transformada inversa.

1
x ln( 1  RNDi )

■ donde:
Distribución normal
■ Obtenida a partir del método directo:

 
x  (  2  ln( 1  RNDi ) ) cos( 2    RNDi 1 )   
■ donde:
Distribución Erlang
■ Obtenida a partir del método de convolución:
1  k 
x ln   RNDi 
k    i 1 

■ donde:
Distribución Weibull
■ Obtenida a partir del método de la transformada inversa.

x        ln( 1  RNDi )

■ donde:
Distribución Gamma
■ Obtenida a partir del método de convolución.

1  k 
x ln   RNDi 
k    i 1 

■ donde: