Etapas de un
Proyecto de
simulación
no
¿Verificado?
no no
¿Validado?
Diseño de Experimentos
si si
¿Más Corridas?
Conducir Experimentos
Establecer si el modelo ejecuta lo que postula y si existe una concordancia
entre el modelo y el sistema real.
Analizar Resultados Hacer corridas de simulación controladas. modificando los niveles de una
variable de control y manteniendo el resto exactamente igual. La variación en
la salida se atribuye a estos cambios.
Estudiar los resultados de la simulación para inferir nueva información y
hacer recomendaciones para la resolución del problema.
• Modelo se construye de
Establecer los Límites del “abajo-arriba”
Modelo y Restringir los detalles
Variable aleatoria
Concepto.
Variables discretas y continuas.
Función de probabilidad (densidad) y función de distribución.
Media y varianza de una variable aleatoria.
Modelos probabilísticos
Bernoulli.
Binomial.
Normal.
Aproximación de binomial a normal.
Lecturas recomendadas:
Capítulos 15, 16 y 18 del libro de Peña y Romo (1997)
16
Variable aleatoria
Concepto de variable aleatoria
• Se llama variable aleatoria a toda función que asocia a cada
elemento del espacio muestral, un número real.
17
Variable aleatoria
p1 p2 p3 pn 1
Toda función de probabilidad se verifica que
Función de distribución de una v.a. discreta: Sea X una v.a. cuyos valores
suponemos ordenados de menor a mayor. Se llama función de distribución
de la variable X a la función que asocia a cada valor de la v.a. la probabilidad
acumulada hasta ese valor, es decir,
F ( x ) P( X x )
18
Variable aleatoria
tabla: xi 1 2 3 4 5
pi 0.1 0.3 a 0.2 0.3
20
Modelos probabilísticos
MODELOS DISCRETOS
Modelo BINOMIAL:
EJEMPLO
Calcula la probabilidad de que una familia que tiene 4 hijos, 3 de ellos
sean varones.
EJEMPLO
La probabilidad de que un alumno de repita curso es de 0,3. Elegimos
20 alumnos al azar. ¿Cuál es la probabilidad de que haya
exactamente 4 alumnos repetidores?
EJEMPLO
La probabilidad de que un reloj salga de fábrica defectuoso es del 4
%. Halla: El número esperado de relojes defectuosos en un lote de
1000
22
Variable aleatoria
FUNCIÓN DE DENSIDAD DE UNA V.A. CONTINUA:
La función de densidad de una v.a. continua cumple las siguientes
condiciones:
Sólo toma valores no negativos, f(x) ≥ 0.
El área encerrada bajo la curva es igual a 1.
24
Modelos probabilísticos
Distribución normal estándar
De las infinitas distribuciones normales, tiene especial interés la que tiene
media igual a 0 y desviación típica igual a 1, es decir, N(0,1). Esta
distribución recibe el nombre de normal estándar o tipificada.
Por ello cuando tenemos una v.a. X que sigue una distribución normal de
media y desviación típica pasamos a otra variable Z que sigue una
distribución N(0,1) mediante la siguiente transformación:
X
Z
25
Modelos probabilísticos
Halla, en una distribución N(0, 1), las siguientes probabilidades:
(a ) P z 0,2 (b ) P z 1,27 (c ) P 0,52 z 1,03
26
Modelos probabilísticos
27
Modelos probabilísticos
28
Modelos probabilísticos
N np, np(1 p)
Suele considerarse que la aproximación es buena cuando np>5 y nq>5
EJEMPLO
Se lanza una moneda correcta al aire 400 veces. Calcula la probabilidad de
obtener un número de caras comprendido entre 180 y 210, ambos inclusive.
29
Simulación de Monte Carlo
NORMAL
La distribución normal es continua, se observa en muchísimos
fenómenos naturales, es la más general, la de mayor utilización.
TRIANGULAR
Es continua.
Es definida mediante un valor mínimo, un valor máximo, y un
valor más probable.
Es utilizada como una aproximación a la distribución normal
cuando no se tiene información en forma completa (aplica
rangos)
Poisson - Binomial
POISSON (discreta)
Es aplicable a variables que suceden en un determinado período de
tiempo, como por ejemplo, el número de items que compra un
cliente en un día, las salidas por mes de inventario, los errores por
línea de programación de un código de software.
Asume que el promedio es constante.
BINOMIAL (discreta)
Está basada en la distribución de Bernoulli, que se caracteriza por ser
una distribución de una variable aleatoria con dos resultados posibles
(éxito o fracaso).
La distribución binomial hace “n” replicas de las pruebas de Bernoulli
y puede utilizarse, por ejemplo, para campañas de venta
(telemarketing, etc.)
Lognormal - Exponencial
LOGNORMAL (continua)
Tiene aplicación en funciones en las que altos valores de la variable tengan
muy poca probabilidad (y que tampoco puedan ser negativos), tales como
tiempos de proceso de tareas de producción, valores de acciones, valores
inmobiliarios, etc.
EXPONENCIAL (continua)
Es representativa de hechos que ocurren aleatoriamente a través del
tiempo. Es por ejemplo utilizada para estimar desde el tiempo de arribo de
clientes (servicios) o el tiempo de falla de maquinarias, luces, y otro tipo de
instrumentos mecánicos o electrónicos
Esta función no tiene memoria, es decir, un evento actual no tiene
incidencia sobre el próximo (pueden llegar 2 clientes, uno detrás del otro, o
ninguno, una maquina puede romperse tan pronto fue reparada...)
Menos frecuentes
GEOMÉTRICA
WEIBULL
BETA
HIPERGEOMETRICA
LOGISTIC
Utilizada para medir el crecimiento de la población a través del tiempo.
PARETO
Describe sucesos en los que una pequeña proporción de items
representa una gran proporción de la variable medida (control de
inventarios, rentabilidad por línea de productos, variación en índices
accionarios, etc.)
Menos frecuentes (4)
NEG. BINOMIAL
Similar a la distribución geométrica, pero mide el numero de intentos
hasta la consecución del suceso (cantidad de llamados para que un
telemarketer cierre una venta)
EXTREME VALUE
Describe el limite máximo de un suceso a través del tiempo (lluvia
por período, etc.)
CUSTOM
UNIFORME
Tests
“Skewness”
Describe en que grado una distribución no es simétrica.
Una distribución puede estar orientada hacia la izquierda
(negativamente) o hacia la derecha (positivamente).
Hay que analizar si el valor es positivo o negativo.
Mientras mas se acerque a cero, es mas simétrica.
Mayor a 1 o menor a –1 es altamente asimétrica.
Coeficientes normales de simetría podrían estar ubicados entre –0,5
y 0,5.
Resultados
P value >0,5
Kolmogorov – Smirnov<0,03
Anderson – Darling Test<1,5.
Resultados
P value >0,5
Kolmogorov – Smirnov<0,03
Anderson – Darling Test<1,5.
Bibliografía