Simulacion

Índice
Introducción...................................................................................................................................................3
Definición de variable aleatoria.....................................................................................................................3
Tipos de variables aleatorias.........................................................................................................................4
Determinación del tipo de distribución de un conjunto de datos...................................................................6
Generación de variables aleatorias...............................................................................................................7
Conclusión..................................................................................................................................................10
Referencias.................................................................................................................................................11
Introducción
La simulación es muy importante para poder entender de mejor manera los sistemas sin
necesidad de haber utilizado el sistema real, esto ha permitido que la simulación tenga un
gran campo de aplicación, desde ingeniería, aeronáutica, medicina, militar, etc. En la
simulación resulta indispensable obtener una aproximación lo más parecida a la realidad, lo
cual se consigue componiendo el modelo con base en variables aleatorias que interactúen
entre sí. En el siguiente documento se describen los conceptos básicos de las variables
aleatorias, los tipos de variables aleatorias y los métodos más importantes para el uso de las
variables aleatorias.
Definición de variable aleatoria
Una variable aleatoria se define como aquella que tiene un comportamiento probabilístico en
la realidad. Es una ecuación matemática que describe o intenta describir los resultados (de
manera numérica) de un evento cuyos resultados son obtenidos al azar. Por ejemplo, el
número de clientes que llegan cada hora a un banco depende del momento del día, del día de
la semana y otros factores: por lo general, la influencia 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, etc. Debido a estas características las
variables aleatorias deben cumplir reglas de distribución de probabilidad como estas:
 La suma de las probabilidades asociadas a todos los valores posibles de la variable
aleatoria x es 1.
 La probabilidad de que un posible valor de las variables x se presente siempre es
mayor que o igual a cero.
 El valor esperado de la distribución de la variable a aleatoria es la media de esta, 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.
Tipos de variables aleatorias

Los tipos de variables aleatorias se diferencian por el tipo de valores aleatorios que
representan. Por ejemplo, si habláramos del 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.
Por otro lado, si habláramos del tiempo que tarda en ser atendida una persona, nuestra
investigación tal vez 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 tipo de variables deben cumplir con los siguientes
parámetros:
Algunas distribuciones discretas de probabilidad son la uniforme discreta, la de Bernoulli, la
hipergeométrica, la de Poisson y la binomial. Se puede asociar estas u otras distribuciones de
probabilidad al comportamiento de una variable aleatoria. Por ejemplo, si nuestro propósito es
analizar un muestro 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 mala. Este
tipo de comportamiento está asociado a una distribución de Bernoulli. Por otro lado, si lo que
queremos es modelar el número de usuarios que llamaran a un teléfono de atención a clientes,
el tipo de comportamiento puede llegar a parecerse a una distribución de Poisson. Incluso
podría ocurrir que el comportamiento de la variable no se pareciera a otras distribuciones de
probabilidad conocidas. Si este fuera el caso, es perfectamente válido usar una distribución
empírica 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
considera una distribución de probabilidad.
La siguiente imagen muestra la distribución binomial de probabilidad de una variable

aleatoria discreta.
Variables aleatorias continuas. Este tipo de variables se representan mediante una

ecuación que se conoce como función de densidad de probabilidad. Dada esta condición
cambiamos el uso de la sumatoria por la de una integral para conocer la función acumulada
de la variable aleatoria. Por lo tanto, las variables aleatorias continuas deben cumplir los
siguientes parámetros.
Entre las distribuciones de probabilidad tenemos la uniforme continua, la exponencial, la
normal, la de Weibull, la Chi-cuadrada y la Erlang. De la misma forma que en las
distribuciones discretas, algunos procesos pueden ser asociados a ciertas distribuciones.
La siguiente imagen muestra la distribución Erlang de probabilidad de una variable

aleatoria continua.
Por ejemplo, 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. Sin embargo, 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, Por fortuna, es muy poco probable que 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. En las
siguientes secciones revisaremos algunas herramientas útiles para lograr este objetivo.
Determinación del tipo de distribución de un conjunto de datos
La distribución de probabilidad de los datos históricos puede determinarse mediante las
pruebas Chi- cuadrada, de Kolmogórov-Smirnov y Anderson-Darling.
Existen programas como Stat:Fit de ProModel que nos permite analizar y determinar el tipo de
distribución de probabilidad de un conjunto de datos. Esta herramienta permite comparar los
resultados entre varias distribuciones analizadas mediante una calificación.
Generación de variables aleatorias
La variabilidad de eventos y actividades se representa a través de funciones de densidad
para fenómenos continuos, y mediante distribuciones de probabilidad para fenómenos de tipo
discreto. La simulación de estos eventos o actividades se realiza con la ayuda de la
generación de variables aleatorias. Los principales métodos para generar las variables
aleatorias son:
 Método de la transformada inversa. Este método puede utilizarse para simular las
variables aleatorias continuas, lo cual se logra mediante la función acumulada F(x) y la
generación de números pseudoaleatorios riU (0,1). El método consiste en:
1. Definir la función de densidad F(x) que represente la variable a modelar.

2. Calcular la función acumulada F(x).
3. Despejar la variable aleatoria x y obtener la función acumulada inversa F(x)-1.
4. Generar las variables aleatorias x, sustituyendo valores con números
pseudoaleatorios riU (0,1) en la función acumulada inversa.
El método de la transformada inversa también puede emplearse para simular variables

aleatorias de tipo discreto, como las distribuciones de Poisson, de Bernoulli, binomial,
geométrica, discreta general, etc. La generación se lleva a cabo a través de la
probabilidad acumulada P(x) y la generación de números pseudoaleatorios r iU (0,1). El
método consiste en:
1. Calcular todos los valores de la distribución de probabilidad p(x) de la variable a

modelar.
2. Calcular todos los valores de la distribución acumulada P(x).
3. Generar números pseudoaleatorios riU (0,1).
4. Comparar con el valor de P(x) y determinar que el valor de x corresponde a P(x).
La siguiente imagen muestra el método de la transformada

inversa para variables discretas.
 Método de convolución. En algunas distribuciones de probabilidad la variable
aleatoria a simular, Y, puede generarse mediante la suma de otras variables aleatorias
X de manera más rápida que a través de otros métodos. Entonces, el método de
convolución se puede expresar como:
Y= X1 + X2 + …+ Xk
 Método de composición. Es conocido también como método mixto, permite generar
variables aleatorias x cuando estas provienen de una función de densidad f(x) que
puede expresarse como la combinación convexa de m distribuciones de probabilidad
fi(x). Entonces, la combinación convexa se puede expresar como:
Donde
Algunas de las distribuciones más conocidas que pueden expresarse como una
combinación convexa son: la triangular, la de Laplace y la trapezoidal. El procedimiento
general de generación es el siguiente:
1. Calcule la probabilidad de cada una de las distribuciones fi(x).
2. Asegúrese que cada función fi(x) sea función de densidad.
3. Obtenga, mediante el método de la transformación inversa, las expresiones para
generar variables aleatorias de cada una de las distribuciones fi(x).
4. Genere el numero pseudoaleatorio ri que permita definir el valor de lA(x).
5. Selecciones la función generadora correspondiente a la función fi(x).
6. Genere un segundo número pseudoaleatorio ri y sustitúyalo en la función
generadora anterior para obtener Y.
 Método de transformación directa. Este método se basa en el teorema de Pitágoras, y
se usa para generar variables aleatorias normales. En la siguiente figura se muestra la
relación entre las variables involucradas en él.
Geométricamente,
La suma de v variables aleatorias normales estándar sigue una distribución Chi-

cuadrada con v grados de libertad:
La función de densidad de una variable aleatoria Chi-cuadrada con 2 grados de libertad es la

misma de una distribución exponencial con media igual a 2. En consecuencia, a través de la
ecuación obtenida por el método de la transformada inversa para generar variables aleatorias
exponenciales, y sustituyéndola en la ecuación anterior se obtiene:
Se generan valores aleatorios uniformes del ángulo  entre 0 y 2π mediante el método de la

transformada inversa:
Y al sustituir obtenemos
Para cualquier variable aleatoria normal N,
Al despejar N y sustituir el valor de z previamente desarrollado, se llega a la expresión final

para la generación de variables aleatorias normales:
Este procedimiento debe iniciarse también a través de la generación de la variable aleatoria z,

lo cual dará lugar a la ecuación final
Conclusión
Las variables aleatorias son muy importantes en el proceso del modelo usado para la
simulación, el tipo de variable y método usado en el modelo depende de la distribución de la
variable aleatoria. Este es muy importante ya que de este depende que tan aproximado de la
realidad sea la simulación.
Las variables aleatorias se dividen en discretas y continuas, las discretas es cuando el conjunto
de valores que esta toma es un conjunto discreto, es decir un conjunto numerable, y las
variables aleatorias continuas son cuando toma todos los valores dentro de un intervalo. Los
principales métodos para la generación de estas variables son método de transformada
inversa, método de convolución y método de composición.
Referencias
colaboradores de Wikipedia. (2023, November 10). Variable aleatoria. Wikipedia, La Enciclopedia Libre.
https://es.wikipedia.org/wiki/Variable_aleatoria
López, J. F. (2022, November 24). Variable aleatoria. Economipedia.
https://economipedia.com/definiciones/variable-aleatoria.html
Del Rio, A. Q. (2019, September 4). 5.1 Tipos de variables aleatorias | Estadística Básica Edulcorada.
https://bookdown.org/aquintela/EBE/tipos-de-variables-aleatorias.html

Simulacion

Cargado por

Copyright:

Formatos disponibles

Simulacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulacion

Cargado por

Copyright:

Formatos disponibles

Índice

Tipos de variables aleatorias

La siguiente imagen muestra la distribución binomial de probabilidad de una variable

Variables aleatorias continuas. Este tipo de variables se representan mediante una

La siguiente imagen muestra la distribución Erlang de probabilidad de una variable

1. Definir la función de densidad F(x) que represente la variable a modelar.

El método de la transformada inversa también puede emplearse para simular variables

1. Calcular todos los valores de la distribución de probabilidad p(x) de la variable a

La siguiente imagen muestra el método de la transformada

La suma de v variables aleatorias normales estándar sigue una distribución Chi-

La función de densidad de una variable aleatoria Chi-cuadrada con 2 grados de libertad es la

Se generan valores aleatorios uniformes del ángulo  entre 0 y 2π mediante el método de la

Para cualquier variable aleatoria normal N,

Al despejar N y sustituir el valor de z previamente desarrollado, se llega a la expresión final

Este procedimiento debe iniciarse también a través de la generación de la variable aleatoria z,

López, J. F. (2022, November 24). Variable aleatoria. Economipedia.

También podría gustarte