INSTITUTO TECNOLOGICO DE CAMPECHE

DEPARTAMENTO DE INGENIERIA INDUSTRIAL

UNIDAD 3 “GENERACIÓN DE VARIABLES

ALEATORIAS”

3.1 INTRODUCCION

3.2 GENERACION DE VARIABLES ALEATORIAS

DISCRETAS Y CONTINUAS UTILIZANDO PAQUETES
COMPUTACIONALES COMO ECXEL, PROMODEL,
ARENA.

MAESTRO: ING. DANIEL E. GONGORA ALVAREZ

ALUMNO:

PERERA DOMINGUEZ CARLOS MAURICIO

MATERIA: SIMULACIÓN

31 DE MAYO DEL 2018

Simulación Página 1
 Índice

Introducción ............................................................................................................. 3
3.1 Introducción ....................................................................................................... 4
3.2 Generación de variables aleatorias discretas y continuas utilizando paquetes
computacionales como Excel, ProModel, Arena. .................................................... 5
3.2.1 Conceptos básicos. ..................................................................................... 5
3.2.2 Variables Aleatorias Discretas .................................................................... 6
3.2.3 Variables Aleatorias Continuas ................................................................. 11
Bibliografía ............................................................................................................ 14

Simulación Página 2
 Introducción

Esta unidad abarca los métodos que permiten generar los las variables aleatorias
continuas y discretas.

Recordando un poco la unidad pasada que trato de la definición de estos dos

conceptos mencionados, donde en pocas palabras las variables discretas son
aquellas que tienden a ser números enteros mientras que las variables continuas
son aquellas donde el número es decimal.

Por tanto en esta unidad veremos a fondo la manera de que estas se puedan ver
presente al momento de generarse en los diferentes formatos a través del uso del
software como lo es el Excel y el Promodel Students.

La investigación que se presenta a continuación trata de despejar las dudas en

cuanto a que método es posible para desarrollar las variables tanto continuas
como discretas ya que como se mencionó antes no son las mismas.

También es importante mencionar la aportación de esta unidad con respecto al

estudio de teoría de colas que se manejará en el proyecto que se está
desarrollando en la materia de Simulación ya que será pauta imprescindible.

Finalmente se busca que se puedan cubrir con todas las expectativas en cuanto a
la generación de números o variables aleatorias.

Simulación Página 3
 3.1 Introducción

La generación de cualquier variable aleatoria se basa en la generación previa de

una distribución uniforme (0,1).

Se busca métodos que nos permitan obtener valores de variables aleatorias que
sigan determinadas distribuciones de probabilidad a partir de los números
aleatorios generados, que siguen la distribución uniforme en el intervalo (0,1).

Hay cuatro métodos generales de generación de variables aleatorias y una serie

de métodos particulares de las distintas distribuciones.

Los más importantes son: La transformada inversa, convolución y aceptación-

rechazo. Mediante estos métodos es posible generar variables aleatorias discretas
(binomial, poisson, etc.) y continuas (uniforme, exponencial, normal, etc.).

La facilidad de aplicación de dichos métodos, así como el costo computacional

asociado a los mismos, varía mucho según la familia de variables aleatorias a las
que se apliquen.

Normalmente existen varios algoritmos que se pueden utilizar para generar

valores de una determinada distribución, y diferentes factores que se pueden
considerar para determinar que algoritmo utilizar en cada caso particular.
Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y a
veces se ha de llegar a una solución de compromiso.

Un modelo de simulación permite lograr un mejor entendimiento de prácticamente

cualquier sistema. Para ello resulta indispensable obtener la mejor aproximación a
la realidad, lo cual se consigue componiendo el modelo a base de variables
aleatorias que interactúen entre sí.

Simulación Página 4
3.2 Generación de variables aleatorias discretas y continuas utilizando
paquetes computacionales como Excel, ProModel, Arena.

3.2.1 Conceptos básicos.

Definición de variables aleatorias.

Un modelo de simulación permite lograr un mejor entendimiento de prácticamente

cualquier sistema. Para ello resulta indispensable obtener la mejor aproximación a
la realidad, lo cual se consigue componiendo el modelo a base de variables
aleatorias que interactúen entre sí.

Las variables aleatorias son aquellas que tiene un comportamiento probabilístico

en la realidad.

Por 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 medio día 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.

Una variable aleatoria es una regla que asigna un número a cada resultado de un
experimento. Estos números se denominan los valores de la variable aleatoria. A
menudo se usan letras como X, Y y Z para denotar una variable aleatoria.

Variables aleatorias: discretas y continuas

Una variable aleatoria discreta puede tomar valores numéricos específicos, como
el resultado de lanzar un dado, o la cantidad de dólares en una cuenta bancaria
elegida al azar. Las variables aleatorias discretas sólo pueden tomar un número
finito de muchos valores y se les llama variables aleatorias finitas. Las variables
aleatorias discretas que puede tomar un número ilimitado de valores (como el
número de estrellas que se calcula que el universo) son variables aleatorias
discretas infinitas.

Simulación Página 5
Una variable aleatoria continua, por otra parte, puede tomar cualquier valor dentro
de un rango continuo o en un intervalo, como la temperatura en el Parque Central,
o la altura de un atleta en centímetros.

Tipos de Variables Aleatorias

Podemos diferenciar las variables aleatorias de acuerdo con el tipo de valores

aleatorios que representan.

3.2.2 Variables Aleatorias Discretas

Distribución uniforme

En teoría de la probabilidad, la distribución uniforme discreta es una distribución

de probabilidad que asume un número finito de valores con la misma probabilidad.

Propiedades:

Si la distribución asume los valores reales , su función de

probabilidad es:

Y su función de distribución la función escalonada:

Su media estadística es:

Y su varianza es:

Simulación Página 6
Distribución binomial

En estadística, la distribución binomial es una distribución de probabilidad discreta

que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre
los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En
la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.

Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:

Una de las propiedades de la distribución binomial es que cuando n es grande y p

está cerca de 0.5, la distribución binomial puede ser aproximada por la distribución
normal estándar.

Simulación Página 7
Distribución multinomial

En teoría de probabilidad, la distribución multinomial es una generalización de la

distribución binomial.

La distribución binomial es la probabilidad de un número de éxitos en N sucesos

de Bernoulli independientes, con la misma probabilidad de éxito en cada suceso.
En una distribución multinomial, el análogo a la distribución de Bernoulli es la
distribución categórica, donde cada suceso concluye en únicamente un resultado

de un número finito K de los posibles, con probabilidades

para i entre 1 y K y y con n sucesos independientes.

Entonces sea la variable aleatoria, que indica el número de veces que se ha

dado el resultado i sobre la n sucesos. El vector sigue una

distribución multinomial con parámetros n y p, donde

Nótese que en algunos campos las distribuciones categóricas y multinomial se

encuentran unidas, y es común hablar de una distribución multinomial cuando el
término más preciso sería una distribución categórica.

Distribución Hipergeométrica

En teoría de la probabilidad la distribución hipergeométrica es una distribución

discreta relacionada con muestreos aleatorios y sin reemplazo. Suponga que se
tiene una población de N elementos de los cuales, d pertenecen a la categoría A y
N-d a la B. La distribución hipergeométrica mide la probabilidad de obtener x

elementos de la categoría A en una muestra sin reemplazo de n

elementos de la población original.

Simulación Página 8
Distribución de Poisson

Se trata de un modelo discreto, pero en el que el conjunto de valores con

probabilidad no nula no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribución de Poisson si su función de densidad viene dada
por:

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo.

Esta distribución suele utilizarse para contajes del tipo número de individuos por
unidad de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

3) La suma de dos variables aleatorias independientes con distribución de Poisson

resulta en una nueva variable aleatoria, también con distribución de Poisson, de
parámetro igual a la suma de parámetros:

X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Simulación Página 9
Este resultado se extiende inmediatamente al caso de n variables aleatorias
independientes con distribución de Poisson. En este caso, la variable suma de
todas ellas sigue una distribución de Poisson de parámetro igual a la suma de los
parámetros.

Ejemplo de Excel

Al introducir la fórmula = ALEATORIO () en una celda, se obtiene un número que

es igualmente probable que asumir cualquier valor entre 0 y 1, es decir una
variable aleatoria X ∼ U (0, 1). Así, alrededor del 25 por ciento de las veces, se
debe obtener un número igual o inferior a 0,25; alrededor del 25 por ciento de las
veces se debe obtener un número entre 0,25 a 0,50; y así sucesivamente, tal
como se observa en la hoja ’Simula1’.

Asignaremos un nombre para la columna de números aleatorios. Para esto

seleccionamos las celdas C10:C109 y le asignamos el nombre ’Datos’, escribiendo
este nombre en la celda superior izquierda.

Luego calcularemos el porcentaje estimado para cada intervalo y el promedio

estimado.

Simulación Página 10
3.2.3 Variables Aleatorias Continuas
Distribución Uniforme

XX tiene una distribución Uniforme(a,b)Uniforme(a,b) si:

Donde a<ba<b. La función de distribución es:

Distribución Normal
XX tiene una distribución normal con parámetros μμ y σσ,
denotado X∼N(μ,σ2)X∼N(μ,σ2) si:

Simulación Página 11
Donde μ∈Rμ∈R y σ>0σ>0.

Decimos que XX tiene una distribución Normal estándar si μ=0μ=0 y σ=1σ=1.

Una variable aleatoria Normal estándar se denota tradicionalmente por ZZ, su
función de densidad de probabilidad por ϕ(z)ϕ(z) y la función de probabilidad
acumulada por Φ(z)Φ(z).

Ejemplo de Excel

Supongamos ahora que la demanda diaria de tarjetas de felicitación (según el

tamaño del lote: 10000 unidades, 20000, etc.) se rige por la siguiente variable
aleatoria discreta.

Véase la hoja ’Simula2’:

Al igual que en la anterior hoja, introducimos la fórmula = ALEATORIO () en las

celdas para generar las probabilidades acumuladas FX(x) = P {X ≤ x} = u, donde u
∼ U(0, 1) y la inversa de esta probabilidad, x = F −1 X (u). Mediante estas fórmulas
calculamos la probabilidad acumulada estimada. Las celdas F16:G19 tendrá como
nombre ’Tabla’, las celdas D10:D109 tendrá como nombre ’datos2’, tal como se
muestra en la siguiente figura:

Simulación Página 12
Simulación Página 13
 Bibliografía

 http://es.calameo.com/read/001589672deaf8e8c1d74
 https://es.slideshare.net/Crekis3/unidad-iii-generacion-de-numeros-aleatorios-simulacin

 http://simulacionunilibre.blogspot.mx/2011/04/generacion-de-variables-aleatorias.html

 http://www.est.uc3m.es/esp/nueva_docencia/getafe/estadistica/io_II/practica
s/Practica_6_Simulacionew.pdf

Simulación Página 14