Conceptos Bsicos de Estadstica

para Simulacin













Autor:

Dra. Idalia Flores de la Mota













Octubre 2011
P
A
P
I
M
E

1
0
4
3
1
1
i

















Conceptos Bsicos de Estadstica para Simulacin




Prohibida la reproduccin o transmisin total o parcial
de esta obra por cualquier medio o sistema electrnico
o mecnico (incluyendo el fotocopiado, la grabacin o
cualquier sistema de recuperacin y almacenamiento
de informacin), sin consentimiento por escrito del
compilador.




Derechos reservados
2011. Facultad de Ingeniera, Universidad Nacional
Autnoma de Mxico
Ciudad Universitaria, 04510, Mxico, D.F.

Primera edicin, octubre 2011

FLORES de la Mota Idalia

Conceptos Bsicos de Estadstica para Simulacin
Universidad Nacional Autnoma de Mxico.
Facultad de Ingeniera, 2011.
P
A
P
I
M
E

1
0
4
3
1
1
ii








Agradecimientos


A la Direccin General de Asuntos de
Personal Acadmico (DGAPA) por el apoyo
econmico proporcionado para la
elaboracin de este material, a travs del
proyecto Aplicaciones de la estadstica en la
ingeniera PAPIME 104311. En particular a
Yssika Guzmn Lpez, Alfonso Salazar
Moreno y Mara Guadalupe vila por su
apoyo tanto en las gestiones administrativas
derivadas de este proyecto como en el
desarrollo del material. Y a la Divisin de
Ingeniera Mecnica e Industrial por las
gestiones hechas para la consecucin de
dicho proyecto.

Agradezco el apoyo en la revisin del
material a Odette Alejandra Pliego Martnez,
y a los alumnos de la materia de Simulacin
por la aportacin de los ejemplos de las
distribuciones de probabilidad.




















P
A
P
I
M
E

1
0
4
3
1
1

iii



PROLOGO

Como parte de las actividades de la Seccin de Investigacin de Operaciones e
Ingeniera Industrial del Departamento de Sistemas de la Divisin de Ingeniera
Mecnica e Industrial, Facultad de Ingeniera UNAM, nos hemos propuesto el
desarrollo de material didctico y de divulgacin a travs de la elaboracin de una
serie de cuadernillos de difusin as como apuntes que complementen la bibliografa
de los cursos de la Facultad. Este material se centra en los tpicos que abordan la
estadstica aplicada a la Ingeniera con el propsito, de apoyar tanto la labor docente
as como el aumento en el conocimiento de la estadstica por los estudiantes a nivel de
maestra y licenciatura de las diferentes reas de la ingeniera as como de
licenciaturas afines, y que conozcan las aplicaciones y el potencial que ofrecen estas
herramientas.

Este material tiene como uno de sus objetivos introducir al lector en los temas de una
manera clara y sencilla pero sin perder el rigor terico en su tratamiento. La seleccin,
edicin y revisin tcnica del material fue realizada por un grupo de profesores del
departamento de sistemas, que incluye adems de la responsable del proyecto a los
profesores participantes: Idalia Flores de la Mota, Vctor Damin Pinilla Morn,
Francisco lvarez Echeverra, J avier Corts y Miguel Eduardo Gonzlez Crdenas.

Existe un proyecto PAPIME anterior (Cuadernos de divulgacin sobre aplicaciones de
la ingeniera industrial y la investigacin de operaciones 105407), as como otro
proyecto PAPIME vigente (Apoyo multimedio para la aplicacin de la estadstica en
temas de calidad 102811) los cuales divulgan material didctico aunque tratan temas
diferentes, comparten el mismo propsito de proporcionar herramientas de apoyo a
docentes y estudiantes. Por lo que los cuadernillos de divulgacin generados en este
esfuerzo se realizarn con numeracin consecutiva y formato similar que los de los
otros dos proyectos mencionados.

Fue tarea agradable la redaccin de este material, y los autores esperan que los
estudiantes de ingeniera lo encuentren agradable e informativo, cuando traten de
aprender cmo debe aplicarse la estadstica en sus campos de inters.

Francis Soler Anguiano
Responsable del proyecto

P
A
P
I
M
E

1
0
4
3
1
1
iv



Sobre el Autor

Idalia Flores de la Mota Estudi el Doctorado en
Investigacin de Operaciones en la Facultad de Ingeniera
de la UNAM. Obtuvo mencin honorfica en la Maestra y
medalla Gabino Barreda por el mejor promedio de su
generacin. Matemtica por la Facultad de Ciencias de la
UNAM. Ha sido miembro de SIN. Desde 1987 forma parte
del personal acadmico de la Facultad de Ingeniera en el
departamento de Sistemas, en las categoras de: Profesor
Asociado B; obteniendo en 1996 la categora de profesor
titular A Definitivo de Tiempo Completo. Nivel C de
Primas de Desempeo del Personal Acadmico (PRIDE)
De 1992 a 1996 fue Coordinadora de la Seccin de
Investigacin de Operaciones del Departamento de
Sistemas de la DEPFI, UNAM; Retomando esta ardua
labor desde el ao 2000 a la fecha, ahora fungiendo
como Coordinadora de las Maestras de Ingeniera en
Investigacin de Operaciones e Ingeniera Industrial, y
adems a partir del 2005 de la Maestra en Gestin
Integral del Agua. Del 2000 al 2005 Coordin la maestra
en Operacin Financiera. Desde el 2001 es miembro del
Subcomit Acadmico del Campo de Conocimiento de
Sistemas. En el 2002, particip en el Plan de Desarrollo
de la Facultad de Ingeniera, en lo relativo a Posgrado. En
ese mismo ao obtuvo su acreditacin como tutora de
doctorado en el Programa de Posgrado de Ingeniera, por
parte del Comit Acadmico y miembro del Padrn de
Tutores de Maestra y Doctorado del mismo programa;
adems, se incorpora al Subcomit de Administracin del
Programa de Maestra y Doctorado en Ingeniera. En el
2004 realiz la puesta en marcha de la Maestra en
Ingeniera Industrial, en la Facultad de Ingeniera.
Participa en la Revisin de Planes y Programas de
Estudio de los posgrados que tiene a su cargo. En el 2006
realiz la planeacin, coordinacin y logstica del 40
Aniversario de la Maestra y Doctorado en Investigacin
de Operaciones con la participacin de personalidades
acadmicas nacionales e internacionales. Ha impartido
maestras en la Facultad de Ingeniera a nivel Posgrado
desde 1990 de: Teora de Redes, Programacin Entera,
Teora y Tcnicas de Operacin I, lgebra Lineal,
Matemticas, Probabilidad, Programacin Dinmica,
Simulacin, Desarrollo de Habilidades Directivas,
Metodologa de la Investigacin de Operaciones, Trabajo
de Investigacin I y II, Seminario de Investigacin,
Seminario de Investigacin Doctoral. Adems de impartir
cursos en universidades del extranjero. Participa en
Convenios de Colaboracin con Sedesol, CFE, IMAT,
ADO, desde el 2001 como expositora en los Cursor
Regionales y en el Desarrollo de Estudios Tcnicos.



P
A
P
I
M
E

1
0
4
3
1
1

v

ndice


CAPTULO 1 ............................................................................................................................ 2
SIMULACIN DIGITAL ....................................................................................................... 2
1.1 Introduccin ............................................................................................ 2
1.2 Cundo usar simulacin ..................................................................... 2
1.3 Modelos en simulacin ....................................................................... 3
1.4 Ejemplo de modelo de eventos discretos [FLORES 2007] .............. 5
1.5 Conclusiones ....................................................................................... 6
CAPITULO 2 ............................................................................................................................ 7
GENERACIN DE NMEROS ALEATORIOS ................................................................. 7
2.1 Introduccin .......................................................................................... 7
2.2 Propiedades de un buen generador de nmeros aleatorios ........... 8
2.3 Generacin de nmeros aleatorios con distribucin uniforme
entre cero y uno ............................................................................................ 9
CAPTULO 3 .......................................................................................................................... 13
ELECCIN DE UNA FUNCIN DE DISTRIBUCIN .................................................... 13
3.1 Introdiccin ........................................................................................... 13
3.2Taxonoma de las funciones de ajuste de los datos (Leemis, 2003) . 15
3.3 Funciones de distribucin continua ................................................. 16
3.4 Funcin de distribucin exponencial .................................................. 17
3.5 Funcin de distribucin gamma ......................................................... 20
3.6 Funcin de distribucin lognormal ................................................... 22
3.8 Funcin de distribucin triangular ..................................................... 26
3.9 Funcin de distribucin uniforme ..................................................... 27
3.10 Funcin de distribucin Weibull ....................................................... 28
CAPTULO 4 .......................................................................................................................... 30
FUNCIONES DE DISTRIBUCIN DISCRETA. ............................................................... 30
4.1 Introduccin .......................................................................................... 30
4.2 Funcin de distribucin de Bernoulli .................................................. 30
4.3 Funcin de distribucin uniforme discreta ....................................... 32
4.4 Funcin de distribucin binomial ........................................................ 34
4.5 Funcin de distribucin de Poisson .................................................. 35
4.6 Funcin de distribucin geomtrica .................................................. 36
CAPITULO 5 .......................................................................................................................... 38
ANLISIS ESTADSTICO DE LOS RESULTADOS DE LA SIMULACIN ............... 38
5.1 Introduccin .......................................................................................... 38
5.2 Los siete pasos para conducir un estudio de simulacin
exitoso.(Law, 2003) ..................................................................................... 39
P
A
P
I
M
E

1
0
4
3
1
1

vi

5.2 Paso 1. Formular el problema .......................................................... 39
5.3 Paso 2. Recabar la informacin o datos y construir el modelo
conceptual ................................................................................................... 40
5.4 Paso 3. Es vlido el modelo conceptual? ..................................... 41
5.5 Paso 4. Programar el modelo ........................................................... 42
5.6 Paso 5. Es vlido el modelo programado? ................................... 42
5.7 Paso 6. Diseo y Anlisis de los datos de salida. .......................... 42
5.8 Documentacin y presentacin de los resultados de la simulacin
45
5.9 Conclusiones ..................................................................................... 45

P
A
P
I
M
E

1
0
4
3
1
1

1

INTRODUCCIN


En los modelos de simulacin siempre se tiene como antecedente el uso de estadstica
ya que el carcter aleatorio de los mismos hace necesario que se haga uso de
distribuciones de probabilidad. Es decir, un modelo de simulacin involucra la recoleccin
de datos para la construccin del modelo, para tal objetivo se requiere contestar algunas
preguntas como: Con qu informacin contamos? Hasta hace algunos aos, el principal
problema era que no exista informacin concentrada, haba que disear estrategias para
su obtencin y sobre todo ser suficientemente creativos para buscar fuentes alternas de
informacin. En consecuencia, un fracaso comn en los estudios de simulacin que no
son bien delimitados en la etapa de planeacin, se debe a que de la simulacin se extraen
ms datos de los necesarios o de los que pueden validarse con los datos disponibles.
Algunas preguntas que pueden apoyar este proceso son:
Qu datos son necesarios?
Cmo se obtendrn esos datos?
Qu tiempo aproximado tomar la realizacin de cada etapa de la obtencin de
datos?
Con qu informacin y cmo se validarn los resultados de la simulacin?
Cules configuraciones del modelo se deberan correr?
Cuntas y qu tan grandes deben ser las corridas?

Para recolectar informacin de la estructura del sistema y los procedimientos de
operacin, es necesario hacer las siguientes consideraciones:
No es suficiente un solo documento o la entrevista con una persona. Para el
analista en simulacin es fundamental hablar con tantos expertos en el sistema
como sea necesario, para obtener un entendimiento completo del sistema a
modelar.
Parte de la informacin proporcionada ser invariablemente incorrecta. Si cierta
parte del sistema es particularmente importante, entonces al menos se requerirn
dos expertos en el sistema.
Los procedimientos de operacin del sistema pueden no estar formalizados.

La recoleccin de datos (si es posible) sirve para especificar los parmetros del modelo y
las distribuciones de probabilidad (por ejemplo para el tiempo de falla y el tiempo de
reparacin de la mquina). La simulacin de un sistema o proceso donde hay
componentes que inherentemente son aleatorios, requiere la generacin de variables
aleatorias. En las secciones siguientes se discute cmo estos valores pueden generarse
conveniente y eficientemente a partir de una distribucin de probabilidad deseada, para
poder usarse en los modelos de simulacin, se incluyen adems las funciones de
distribucin que se usan ms en modelos de simulacin y se especifica en que casos se
usan. Se debe tener cuidado para no caer en dos errores comunes a este nivel:
reemplazar una distribucin de probabilidad por su valor medio o el uso de una
distribucin inapropiada. Este cuadernillo tiene como finalidad mostrar algunos elementos
necesarios de estadstica para su uso en modelos de simulacin discreta. Y est
organizado como sigue, captulo 1 en que consiste la simulacin digital discreta, captulo 2
generacin de nmeros aleatorios, captulo 3 distribuciones de probabilidad continuas,
captulo 4 algunas distribuciones de probabilidad discretas, en estos dos captulos (tres y
cuatro) se dan ejemplos proporcionados por estudiantes del curso de Simulacin de la
Maestra en Investigacin de Operaciones del Posgrado en Ingeniera, UNAM.
P
A
P
I
M
E

1
0
4
3
1
1

2

CAPTULO 1
SIMULACIN DIGITAL

1.1 Introduccin
Qu es la simulacin? Un concepto intuitivo es: simular, es representar, fingir,
actuar. En la ciencia, la industria y la educacin no es algo distinto: la simulacin
es una tcnica de investigacin o enseanza, que reproduce en forma semejante
o aproximada los eventos reales y los procesa con ciertas condiciones de prueba,
definidas con anterioridad. Desarrollar simulaciones de este tipo requiere de
procesos matemticos, que en algunos casos son complejos. Inicialmente, debe
especificarse un conjunto de reglas, relaciones y procedimientos operativos. La
interaccin de estos fenmenos crea nuevas situaciones o nuevas reglas que
evolucionan al desarrollarse la simulacin.

La forma de implementar la simulacin va desde objetos muy sencillos como papel
y lpiz, hasta sofisticadas representaciones en computadora, con sistemas
interactivos de entornos casi reales.[FLORES2007]

1.2 Cundo usar simulacin
La simulacin es una de las tcnicas administrativas ms frecuentemente usadas, y todo
parece indicar que su popularidad va en aumento. Para analizar las razones de su uso, es
interesante explorar las alternativas existentes a la simulacin, es decir, los diferentes
mtodos que pueden usarse para resolver el mismo problema:

1. uso de algn otro tipo de modelo matemtico de tipo analtico;
2. experimentacin directa con el modelo real o con un prototipo de ste;
3. uso de la experimentacin y la intuicin.

Por otro lado, es ms sencillo controlar condiciones experimentales en un modelo de
simulacin que en un sistema real. Podemos pensar en un modelo de un crucero vial, donde
puedan analizarse diferentes sincronizaciones de semforos sin afectar a los elementos
reales, lo cual tendra un costo excesivo, que podra llegar hasta lo invaluable de una vida
humana.

En un modelo de simulacin es posible comprimir largos periodos de tiempo y
analizar el comportamiento en forma inmediata. Podemos visualizar cmo ser la
poblacin dentro de 30 aos y si los servicios de transporte sern suficientes para
satisfacerla.

Por supuesto, existen casos en los que el sistema que se quiere analizar ni
siquiera existe, de modo que, definitivamente lo ideal ser usar la simulacin o
algn mtodo de tipo cualitativo. La simulacin no reemplaza a otras formas de
experimentacin ni al juicio subjetivo, pero es una solucin alternativa
conveniente.[Flores 2007]
P
A
P
I
M
E

1
0
4
3
1
1

3


La experiencia y la intuicin, as como el profundo conocimiento de los fenmenos,
debern ser ingredientes constantes para el xito de los modelos de simulacin.
En resumen podemos decir que algunas ventajas al usar simulacin son:

Ventajas:
Incrementar el conocimiento sobre la dinmica del proceso estudiado
Predecir el comportamiento del sistema
Evaluar la sensibilidad de los parmetros del sistema
Optimizar el comportamiento del sistema
Explorar aquellas situaciones en las que la experimentacin con el sistema
real es peligrosa, problemtica, cara o imposible.
Entrenamiento

1.3 Modelos en simulacin
Un modelo es la representacin simplificada de un problema o situacin real.
Esquemticamente lo podemos ver de la siguiente manera:


Figura 1.1 Modelacin en la simulacin
Esta representacin puede hacerse de diferentes maneras y utilizando distintos
recursos. Independientemente de cmo y con qu se haga el modelo, en cualquier
caso involucra un proceso de abstraccin que consiste bsicamente en:

1. Seleccionar de la realidad, los elementos ms importantes que intervienen
en el problema y desechar aquellos que se considera que no juegan un papel
determinante en el mismo.
2. Establecer con precisin las distintas relaciones que guardan entre s
dichos elementos.

Una vez realizado el proceso de abstraccin se estar en condiciones de elaborar
un modelo. Dependiendo de cmo y con qu se haga, tomar distintas
caractersticas.



P
A
P
I
M
E

1
0
4
3
1
1

4

Modelo
Un modelo es siempre una aproximacin del sistema real basado en
hiptesis y aproximaciones. Por tano, nunca es una representacin perfecta
del sistema real.
Un modelo siempre es construido para un objetivo especfico. Por lo tanto,
tiene que ser formulado de forma que sea til para responder al objetivo
formulado.
Un modelo es siempre el resultado de un compromiso entre la simplicidad y
la necesidad de incorporar todos los aspectos relevantes del sistema.

Los sistemas que se tiene como objetivo modelar, pueden ser continuos o
discretos en este trabajo se consideran los modelos de eventos discretos. Sin
embargo y citando a Law: Pocos sistemas en la prctica son completamente
discretos o continuos, pero ya que algn tipo de cambio predomina en la mayora
de los sistemas, es siempre posible clasificarlos en discretos o continuos [LAW
2007]. Un sistema discreto es aqul donde las variables de estado cambian
solamente en un conjunto de puntos discretos en el tiempo, por ejemplo un banco
es un ejemplo de un sistema discreto si consideramos como variable de estado los
clientes en el banco, en cuyo caso los cambios ocurren solo cuando los clientes
llegan o cuando el servicio proporcionado al cliente se ha completado, la figura 1.2
muestra como los cambios en los clientes son puntos discretos en el
tiempo.[BANKS 2010]



Figura 1.2 Ejemplo de sistema discreto

Un sistema continuo es aqul en el que la(s) variable(s) de estado cambia
continuamente en el tiempo. Un ejemplo es el agua que esta almacenada en una
presa, durante una tormenta de lluvia e incluso algn tiempo despus, el agua cae
en el lago detrs de la presa, posteriormente se hace fluir el agua con el propsito
de controlar el flujo y producir electricidad, adems de que la evaporacin tambin
hace decrecer el nivel del agua. En la figura 1.3 se muestra como la variable de
P
A
P
I
M
E

1
0
4
3
1
1

5

estado cortina de agua detrs de la presa, cambia en este sistema continuo
[BANKS 2010].


Figura 1.3 Ejemplo de sistema continuo


1.4 Ejemplo de modelo de eventos discretos [FLORES 2007]
Simulacin de una barbera
El tiempo entre llegadas de clientes a Barba Azul tiene distribucin exponencial
con una media de 15 minutos. En el local hay un solo peluquero, y tarda de 10 a
15 minutos, con una distribucin uniforme, para terminar un corte de pelo. A los
clientes se les atiende con el sistema FIFO (first-in, first-out,primero en llegar,
primero en salir).

El objetivo de la simulacin es calcular las siguientes medidas de desempeo:
La utilizacin promedio del local.
La cantidad promedio de clientes en espera.
El tiempo de espera promedio de un cliente en la cola.

La lgica del modelo de simulacin se puede escribir en trminos de las acciones
asociadas con sus eventos de llegada y de salida. Para lo cual se definen los
siguientes eventos:

Determinacin de entidades
Las entidades para este modelo con sus atributos son las siguientes:

1. Clientes Hora de llegada y hora de salida
2. Barbero Ocupado o desocupado
3. Cola Longitud de la cola

Determinacin de eventos
Los eventos en este modelo solamente son dos y se describe a continuacin la
manera en que se desarrollan en la simulacin.
P
A
P
I
M
E

1
0
4
3
1
1

6


Evento de llegada
1. Genere y guarde cronolgicamente la hora de llegada del siguiente cliente =
hora de simulacin actual + tiempo entre llegada. Este mtodo de generar
llegadas se conoce como cordn de bota, ya que un evento de llegada genera al
siguiente evento de llegada.
2. Si el recurso o instalacin (el barbero) est inactivo.
Inicie el servicio y declare ocupado el recurso. Actualice las
estadsticas de utilizacin del recurso.
Genere y guarde cronolgicamente la hora de salida del cliente =
hora de simulacin actual +tiempo de servicio.
3. Si el recurso est ocupado, ponga al cliente en la lnea de espera y
actualice las estadsticas de la cola.

Evento de salida
1. Si la cola est vaca, declare inactivo el recurso. Actualice las estadsticas
de utilizacin del recurso.
2. Si la cola no est vaca.
Seleccione un cliente de la cola y colquelo en el recurso. Actualice
las estadsticas de la cola y de utilizacin del recurso.
Genere y guarde cronolgicamente la hora de salida del cliente =
hora de simulacin actual +tiempo de servicio.

Segn los datos del programa, el tiempo entre llegadas tiene distribucin
exponencial con una media de 15 minutos, y el tiempo de servicio tiene
distribucin uniforme entre 10 y 15 minutos. Si p y q representan muestras
aleatorias de tiempo entre llegadas y de servicio, entonces se obtiene

p =- 15 ln(R) minutos, 0 R 1
q =10 +5R minutos, 0 R 1

1.5 Conclusiones
Con base en todo lo que se ha dicho en este captulo, se puede observar que
dado el carcter estocstico de los modelos de simulacin, es necesario contar
con herramientas de probabilidad y estadstica para poder desarrollar de manera
eficiente tales modelos y que la aplicacin de los mismos al problema real sea
adecuada y con un margen de error mnimo.

Por tal motivo tambin es importante considerar como se trabajan los datos de
inicio del modelo, si se cuenta con tales datos, si son confiables, suficientes o si en
el peor caso se cuenta con pocos datos o ninguno, en este ltimo caso se hace
ms necesaria la continua comunicacin con los expertos del rea donde se
desarrolla el modelo. Todo esto se abordar con mayor detalle en los captulos
siguientes.

P
A
P
I
M
E

1
0
4
3
1
1

7

CAPITULO 2
GENERACIN DE NMEROS ALEATORIOS

2.1 Introduccin
Los mtodos de simulacin aleatoria fueron inicialmente aplicados por matemticos y fsicos,
para la solucin de ciertos problemas determinsticos que podan expresarse en forma de
ecuaciones matemticas, cuyas soluciones no eran sencillas de obtener por los mtodos
numricos o analticos usuales. En muchos problemas matemticos importantes, es posible
encontrar un proceso estocstico, con distribucin de probabilidad o parmetros que satisfagan
los requerimientos de las ecuaciones. Entre los problemas determinsticos, para los cuales se
ha usado la simulacin estocstica, estn la evaluacin de integrales mltiples, solucin a
ecuaciones diferenciales de orden muy alto, problemas complejos de lneas de espera y
programacin de horarios. Aunque existen mtodos analticos para estos casos, los mtodos de
simulacin han probado ser ms efectivos.

Otro tipo de problema que conduce a la simulacin de variables aleatorias surge en aquellas
situaciones en las que se presenta un comportamiento estocstico, que requieren de algn tipo
de muestreo, que en la prctica resulta imposible o inconveniente, como es el caso de los datos
futuros. Aunque no puedan obtenerse los datos, se tiene cierto conocimiento sobre la
poblacin de la cual se originan. Para la simulacin estocstica, ser entonces necesario
construir el modelo probabilstico adecuado al estudio. Esto significa que ser indispensable
identificar una distribucin (o varias) de probabilidad adecuada a cada caso, la cual permita
generar valores que se comporten de manera semejante al fenmeno en cuestin. Actualmente
la mayora de paquetes tanto estadsticos como de simulacin incluyen un generador de
nmeros aleatorios, sin embargo en este captulo se aborda el tema ya que es recomendable
tener una idea ms profunda de lo que significa generar estos nmeros.

La metodologa para generar nmeros aleatorios, tiene una larga e interesante historia, los
primeros mtodos fueron prcticamente desarrollados a mano, tales como arrojar monedas,
seleccionar cartas o sacar pelotas numeradas de una urna. Muchas loteras actualmente
funcionan de esta manera. A principios del siglo XX, los estadsticos se unieron a los
apostadores en su inters por los nmeros aleatorios, y se construyeron mecanismos
mecnicos para generar nmeros aleatorios con mayor velocidad. En 1938 Kendall y
Babington-Smith usaron un disco que giraba rpidamente para preparar una tabla de 100,000
dgitos aleatorios. Un tiempo despus se desarrollaron circuitos elctricos, basados en tubos de
aspiradora, que pulsaban aleatoriamente, para arrojar nmeros aleatorios a una tasa de 50
nmeros por segundo. La oficina postal britnica us una mquina de este tipo, Equipo
Electrnico Indicador de Nmeros Aleatorios (ERNIE por sus siglas en ingls) para
seleccionar a los ganadores de la lotera de ahorros Premium. La Rand Corporation us otro
dispositivo de este tipo para generar una tabla de un milln de dgitos aleatorios.

Se han usado muchos otros esquemas para seleccionar nmeros aleatoriamente, como la
seleccin de nmeros al azar del directorio telefnico o de los reportes de censos, o usando
dgitos tomados de la expansin decimal de .

P
A
P
I
M
E

1
0
4
3
1
1

8


Figura 2.1 Seleccin de nmeros aleatorios

En la medida en que las computadoras y tambin la simulacin se usaron ms, ha
incrementado la atencin a los mtodos para generar nmeros aleatorios compatibles con la
manera en que trabajan las computadoras. De esta manera entre los aos 40 y 50 las
investigaciones se enfocaron en forma numrica o aritmtica para generar nmeros aleatorios.
Dichos mtodos son secuenciales, con cada nuevo nmero determinado por uno o varios de
sus antecesores, de acuerdo con una frmula matemtica se generan nuevos, como veremos en
algunos ejemplos de la siguiente seccin.

2.2 Propiedades de un buen generador de nmeros aleatorios
Debido a las caractersticas de la simulacin, es necesario generar nmeros
aleatorios que representen el comportamiento del problema a simular. Aunque
existen muchas formas para generar nmeros aleatorios, para la mayora de las
aplicaciones reales, el generador debe poseer una serie de propiedades que lo
hagan verdaderamente til y similar a los procesos reales:

Debe producir nmeros aleatorios.
Debe ser rpido.
No debe requerir mucho espacio de almacenamiento en computadora.
Debe tener un perodo grande antes de repetir su ciclo.
No debe degenerar.
Debe generar nmeros aleatorios que puedan reproducirse.

Se explican cada una de estas propiedades de la siguiente manera:

En la produccin de nmeros aleatorios valga la redundancia, el que sean aleatorios
significa que deben ser independientes entre s. Inicialmente deben provenir de una
distribucin uniforme, lo que significa que en trminos estrictos no son aleatorios, ya
que estn generados con base en una funcin, para efectos prcticos, es lo que ms
se ajusta al concepto.

Los modelos de simulacin a gran escala requieren generalmente de muchos
nmeros aleatorios as, el mtodo de generacin debe ser rpido, por lo que el
tiempo y la memoria utilizada en la computadora no deben ser excesivos.

Prcticamente todos los mtodos de generacin producen nmeros que tarde o
temprano repiten su ciclo en algn punto. Esto significa que la secuencia de nmeros
se repite. Entonces, es importante que el mtodo de generacin que se elija
produzca todos los nmeros aleatorios necesarios antes de que ocurra un ciclo
P
A
P
I
M
E

1
0
4
3
1
1

9

completo. Esto sugiere que la seleccin del mtodo estar en funcin de la
aplicacin especfica. Si se requieren 100 nmeros, un ciclo de longitud 200 no
causar problemas.

Tambin es importante que el mtodo de generacin de nmeros aleatorios no
degenere, en otras palabras, que el mtodo no repita el mismo nmero en forma
indefinida. Por ejemplo, algunos mtodos degeneran en el valor cero.

Por tanto, se deben buscar procedimientos algortmicos de generacin de nmeros,
al menos aparentemente aleatorios. La idea de Von Neumann, era producir nmeros
que parezcan aleatorios, empleando las operaciones aritmticas de la computadora;
partiendo de una semilla inicial (u
0
, u
-1
,,u
-p+1
) generar una sucesin mediante u
i
= d
(u
i-1
,,u
i-p
) para cierta funcin d. Una vez elegida la semilla, la sucesin queda
determinada.

La primera cuestin a resolver es qu entendemos por nmeros aleatorios, as que
es importante contar con una buena definicin. Partiendo de la versin modificada de
la definicin clsica de Kolmogorov y Uspenskii (1987) asociada a la idea de
complejidad algortmica, tenemos la siguiente definicin:

Una sucesin de nmeros es aleatoria si no puede producirse eficientemente
mediante un programa ms corto que la propia serie.

Por ejemplo, la sucesin 0010010010 se interpreta como no aleatoria, dado que
podemos dar un algoritmo ms corto que la propia serie. La discusin de estas ideas
conduce a propuestas de inters. Por ejemplo, se puede introducir un criterio de
definicin de nmeros aleatorios similar al de Turing, para reconocer una inteligencia
artificial, lo que nos lleva a la siguiente definicin:

Una sucesin de nmeros es aleatoria, si nadie que utilice recursos
computacionales razonables en tiempo razonable, puede distinguir entre la
serie y una sucesin verdaderamente aleatoria, de una forma mejor que
tirando una moneda legal para decidir cul es.

La expresin precisa de esta definicin conduce a los denominados generadores PT-
perfectos Lcuyer (1990), de gran inters en criptografa, pero no en simulacin,
debido a su lentitud.

2.3 Generacin de nmeros aleatorios con distribucin uniforme entre cero
y uno

Caso Discreto
La importancia de generar nmeros aleatorios consiste en que representan el valor
de una variable aleatoria, de esta manera si la variable es discreta y slo puede
tomar n valores dados que son x
i
, 1 i n, cuya probabilidad es p
i
, sabemos que:
P
A
P
I
M
E

1
0
4
3
1
1

10

Estas probabilidades pueden obtenerse con anticipacin, o bien determinarse mediante una
serie de observaciones, a partir de las cuales se establecen las diferentes probabilidades,
como se muestra en el siguiente ejemplo:

Ejemplo 2.1
En el crucero que forman las calles A y B, se realiz la siguiente observacin sobre los
vehculos que circulaban sobre la calle A. La tabla 2.1 muestra estas observaciones:



x
i
Observaciones Probabilidad
(p
i
)
Probabilidad
acumulada
a la derecha
a la izquierda
no dan vuelta
28
23
49
0.28
0.23
0.49
0.28
0.51
1.00
Tabla 2.1 Observaciones del crucero
La variable estocstica x
i
puede tomar uno de los siguientes tres valores: dar
vuelta a la derecha, dar vuelta a la izquierda o no dar vuelta. Observe que los
posibles valores no necesariamente deben ser numricos, pueden ser como en
este caso, acciones. Lo que se exige para que sea discreta es que el nmero de
posibles resultados sea finito con las siguientes probabilidades que se muestran
en la tabla 2.2

Valor Derecha Izquierda no da vuelta
Probabilidad 0.28 0.23 0.49
Tabla 2.2 Probabilidades asociadas al crucero

Figura 2.2 Probabilidades asociadas al crucero en forma grfica
Para generar nmeros aleatorios con estas probabilidades, podemos hacerlo, considerando
la grfica de la probabilidad acumulada, como la que se muestra en la figura 2.3.
1 = p
i
n
=1 i

P
A
P
I
M
E

1
0
4
3
1
1

11


Figura 2.3 Probabilidad acumulada

Generamos una sucesin r
i
, de nmeros aleatorios con distribucin uniforme entre cero y uno,
y dependiendo el intervalo en el que se encuentre el nmero aleatorio ser el valor que le
asociemos, como se muestra en la tabla 2.3

r
i

intervalo
valor de
x
i

i =1 i =2 i =3 i =4 i =5
0.274
(0,0.28)
Derecha
0.911
(0.51,1)
no da
vuelta
0.046
(0, 0.28)
derecha
0.466
(0.28,
0.51)
izquierda
0.4976
(.0.28,
0.51)
izquierda
Tabla 2.3 Intervalos y la probabilidad acumulada.

Mtodos congruenciales o residuales.
Los mtodos congruenciales para generar nmeros aleatorios los sugiri por
primera vez Lehmer en 1951. Estos mtodos se basan en lo que en matemticas
se llama relaciones de congruencia. Aunque existen muchas variantes, los
generadores congruenciales multiplicativos o mtodos de potencias de residuos
son los ms populares.

Este mtodo al igual que el anterior requiere de un primer nmero, a partir del cual
se genera la serie de nmeros aleatorios, mediante la aplicacin recursiva de la
siguiente frmula:

(mdulo m) X X
i i

1

+


Esta relacin se lee como X
i+1
es congruente con X
i
en mdulo m. Por definicin,
se dice que dos nmeros enteros A y B son congruentes en mdulo m (con m
entero), si (A-B) es divisible entre m y si A y B producen residuos idnticos al
dividirse entre m, esto significa que A es congruente con B en mdulo m si y slo
si existe un valor k en los enteros, tal que (A-B) = km.

49
28
23
0.28
0.51
1.00
r1
vuelta a la
derecha
vuelta a la
izquierda
no da
vuelta
vuelta a la
derecha
vuelta a la
izquierda
no da
vuelta
P
A
P
I
M
E

1
0
4
3
1
1

12

Cualquier secuencia de nmeros puede obtenerse multiplicando el nmero
precedente por una constante y luego reduciendo el producto por mdulo m. La
operacin mdulo m significa dividir X
i
entre m y conservar el residuo como el
valor de X
i+1
.

Por ejemplo, sea =5, x
o
=3 y m =32. El valor de x
1
ser 15 ya que:

x
1
(5) (3) (mod 32)
15/32 =0 con 15 como residuo

De igual forma puede obtenerse x
2
=11. La distribucin de las x
i
es uniforme y es
una fuente de nmeros aleatorios.

Otra forma an ms sencilla consiste en, utilizar el random que tienen los diferentes
lenguajes de programacin. Es fcil ver en el ejemplo, que en el mtodo del
cuadrado del medio, la longitud mxima del ciclo de nmeros aleatorios es de
10,000. En el caso de los congruenciales su longitud depende del mdulo elegido.

P
A
P
I
M
E

1
0
4
3
1
1

13

CAPTULO 3
ELECCIN DE UNA FUNCIN DE DISTRIBUCIN

3.1 Introdiccin

En algunos casos, el problema inicial de la simulacin de variables aleatorias es
precisamente la eleccin de una funcin de distribucin adecuada. Pueden tomarse
en cuenta cuatro consideraciones para esta seleccin:

1. Las caractersticas especiales de cada distribucin en particular. Esto significa
el comportamiento peculiar que puede tener el fenmeno en cuestin. Por
ejemplo, si los datos slo tienen dos valores distintos, es indudable que la
distribucin adecuada ser una Bernoulli. Si se trata de datos discretos,
podemos dejar de lado inmediatamente a todas las distribuciones continuas y
viceversa. Si se trata de un muestreo, debemos observar si ste es con
reemplazo o sin l, en este caso se usa una distribucin binomial o
hipergeomtrica, respectivamente. Otro dato importante es la simetra o
asimetra de los datos del fenmeno en cuestin, por ejemplo, la distribucin
normal es simtrica, mientras que una triangular puede o no serlo. Los
tiempos entre eventos suelen distribuirse como exponencial, para tiempo
continuo.

2. La exactitud con la que una distribucin puede representar un conjunto de
datos experimentales. Esto slo se verifica a travs de grficas, como el
histograma de los datos, el cual se obtuvo de las frecuencias observadas, y
de pruebas de bondad de ajuste.

3. La facilidad con que la distribucin se ajusta a los datos, es decir, el proceso
de estimacin para los parmetros correspondientes. En algunas
distribuciones la obtencin de estimadores es sumamente complicada y
laboriosa. Sobre todo, para modelos formados por ecuaciones con
parmetros no lineales. En estos casos, puede recurrirse a una distribucin
aproximada ms sencilla o es posible hacer uso de algoritmos iterativos, para
obtener estimadores suficientemente adecuados a las necesidades
particulares de cada problema.

4. La eficiencia computacional para generar variables aleatorias. Como hemos
ya comentado, en algunos casos se requiere de muchos clculos para
generar un conjunto de variables. En la medida en que estos clculos sean
ms simples, mayor ser la eficiencia de cmputo para obtener un gran
nmero de variables, lo cual es importante, ya que se desear contar con
muestras grandes para extraer conclusiones confiables.

P
A
P
I
M
E

1
0
4
3
1
1

14

El empleo de probabilidad y estadstica es parte integral de un estudio de simulacin
y se emplean para entender como modelar un sistema probabilstico que cumpla con
las siguientes caractersticas:

Para validar el modelo de simulacin.
Para escoger las distribuciones de probabilidad de entrada.
Obtener muestras aleatorias a partir de las distribuciones.
Efectuar anlisis estadstico de los resultados de simulacin.
Disear los experimentos de simulacin.

Se pueden tener diferentes distribuciones de probabilidad dependiendo del sistema y
del problema que se quiera resolver como se muestra en la tabla siguiente:

Tipo de sistema Fuentes de azar
Fabricacin Tiempos de proceso, tiempo entre averas,
llegadas de pedidos
Comunicaciones Tiempo entre llegadas de mensajes, duracin,
tipo, destino final.
Transporte Tamao de la carga, tiempo de transporte,
tiempos de carga o descarga
Procesos hospitalarios Tiempo entre llegadas de pacientes, tipo de
enfermedad, duracin de la consulta.
Tabla 3.1 Distribuciones de probabilidad de entrada.

Algunas definiciones importantes son:

Variable aleatoria: X es una variable aleatoria si puede tomar cualquier valor
de un rango finito (variable aleatoria discreta) o infinito (variable aleatoria
continua). A pesar de que no se conoce la secuencia exacta de valores, si
que se conoce el rango de variacin y la probabilidad de que se obtenga un
cierto valor.
Distribucin de probabilidad: permite relacionar un conjunto de valores o
medidas con su frecuencia relativa de aparicin.
Funcin de densidad de probabilidad (f(x
i
)): describe la probabilidad de
que una variable aleatoria X tenga un cierto valor x
i
.

f(x
i
) = P(X = x
i
)

Funcin de distribucin acumulativa (F(x
i
)): describe la probabilidad de
que una variable aleatoria X tenga un valor mas pequeo o igual a un cierto
valor x
i
.

F(x
i
) =P(X<=x
i
)

P
A
P
I
M
E

1
0
4
3
1
1

15

Muestreo, es el acto de obtener muestras de una poblacin. Una muestra
debe ser representativa de la poblacin de donde se obtiene para que sea til
al inferir estadsticamente sobre la propia poblacin.
Muestra aleatoria, Si las variables aleatorias X
1
, X
2
, , X
n
tienen la misma
funcin (densidad) de probabilidad que la de la distribucin de la poblacin y
su funcin (distribucin) conjunta de probabilidad es igual al producto de las
marginales, entonces X
1
, X
2
, , X
n
forman un conjunto de n variables
aleatorias independientes e idnticamente distribuidas (IID) que constituyen
una muestra aleatoria de la poblacin.






3.2 Taxonoma de las funciones de ajuste de los datos (Leemis,
2003)

En la figura siguiente se ilustra la amplia variedad de distribuciones que se pueden
usar para un modelo de simulacin. Los modeladores de simulacin normalmente se
restringen a las primeras dos ramas de la tabla, no hay una manera nica de
presentar esta tabla, por ejemplo las ramas que salen de procesos estocsticos
podran decir estado seguido de tiempo, en lugar de tiempo seguido de estado.










P
A
P
I
M
E

1
0
4
3
1
1

16


Tabla 3.2 Distribuciones de probabilidad a usar en un modelo de simulacin.

Es muy importante sealar que se debe tener mucho cuidado con los datos que se
recojan para efectuar una simulacin ya que se tiene que verificar independencia,
que sean idnticamente distribuidos y que se ajusten lo mejor posible a la
distribucin elegida. Actualmente los paquetes de simulacin disponibles cuentan
con pruebas estadsticas para el ajuste de los datos.

3.3 Funciones de distribucin continua

En varios fenmenos de tipo probabilstico el comportamiento que tienen se puede
asociar a funciones de distribucin de probabilidad de tipo continuo. En este
captulo se presentan algunas de las funciones de distribucin ms comunes
donde se incluye una tabla resumen, con la funcin de densidad de probabilidad,
la funcin de distribucin acumulativa, la media y la varianza, as como un ejemplo
de la misma.
La media (o valor esperado) y la varianza de una variable aleatoria continua X que
sigue una funcin de densidad y se calculan mediante:
=E(X) =

dx x xf ) (

2
=V(X)= E(X - )
2
=

) ( x
2
f(x)dx

P
A
P
I
M
E

1
0
4
3
1
1

17


3.4 Funcin de distribucin exponencial
Esta distribucin se emplea para modelar el tiempo entre llegadas. Tambin se
emplea para modelar tiempos de servicio que son muy variables, por ejemplo, la
duracin de una llamada telefnica. Esta distribucin est relacionada con la de
Poisson, dado que si una tasa de llegadas (llegadas por unidad de tiempo = )
sigue una distribucin de Poisson, el tiempo entre llegadas sigue una distribucin
exponencial de parmetro / 1 = .

Exponencial ) ( Expo
Posible inters Tiempo entre llegadas de clientes cuando la
frecuencia media de llegadas es constante.
Densidad de
probabilidad

<

=

0 0
0
1
) (
x
x e
x f
x

Distribucin
acumulativa

<

=

0 0
0 1
) (
x
x e
x F
x

Media
Varianza
2

Tabla 3.3 Funcin de distribucin exponencial


Figura 3.1 Distribucin exponencial

Las funciones de distribucin normal, lognormal y gamma, suelen ser las ms
utilizadas para modelar aquellas actividades tales que, en condiciones normales
de operacin, el tiempo consumido suele presentar variaciones (justificables
fsicamente) con respecto a un valor promedio.

P
A
P
I
M
E

1
0
4
3
1
1

18

Ejemplo para la funcin de distribucin exponencial
1

Figura 3.2 Distribucin de probabilidad acumulada para x 5


Se ha hecho un estudio sobre el tiempo de espera de los usuarios a cierto banco
del DF, obtenindose que el tiempo promedio que tardan en atender a un usuario
entre las 9 y las 12 horas de un da normal es de 10 minutos, y que el tiempo de
espera en ser atendido se distribuye exponencialmente.

SOLUCIN
Calcula la probabilidad de que si vas a dicho banco en un da normal a las 10:20
horas, seas atendido en

a) Menos de 5 minutos

Sea: X: Tiempo de espera en el banco hasta antes de ser atendido (en minutos).
Se sabe que E(X)= 10 min = , y por la funcin de probabilidad acumulada:
(

) = 1

Entonces, se tiene que:
( 5) = 1
0.5
= .

1
por J orge Andrs Garca Hernndez, Fuente: Fundamentos de la teora de las
probabilidades para Ingeniera y Ciencias. Gutirrez Gonzlez, Eduardo, Mxico,
2001, Edit. Libudi. Pag. 243

P
A
P
I
M
E

1
0
4
3
1
1

19


Figura 3.3 Funcin de densidad de probabilidad con X 5.

b) En ms de 10 minutos

( 10) = 1 (1
1
) = .

Figura 3.4 Distribucin de probabilidad acumulada para X 10.

P
A
P
I
M
E

1
0
4
3
1
1

20


Figura 3.5 Funcin de densidad de probabilidad con X 10.



3.5 Funcin de distribucin gamma
En general, el tiempo que una unidad de produccin requiere para realizar una
operacin repetitiva de procesamiento de materia prima, o bien el tiempo
consumido en una actividad repetitiva de transporte de material entre dos
estaciones de trabajo, suele seguir un valor constante con pequeas variaciones
provocadas por ciertos aspectos fsicos. Estos podran ser modelados de modo
determinante pero, con el objetivo de simplificar la tarea, se suelen describir como
el resultado de una actividad aleatoria mediante modelos estadsticos.




En funcin de los parmetros de la funcin de distribucin de probabilidad (fdp)
gamma, sta presenta una grfica muy similar a la de la fdp normal, pero con una
cierta asimetra, que responde a la presencia de datos con valores superiores al
valor promedio. Esta asimetra permite modelar secuencias de actividades (por
ejemplo, unidades de procesamiento o de transporte) que se realizan en paralelo,
tales que cada una de ellas responde a una fdp Normal, pero el tiempo consumido
en la secuencia de actividades presenta una asimetra sesgada hacia los valores
superiores a la media.








P
A
P
I
M
E

1
0
4
3
1
1

21


Gamma ) , ( Gamma
Densidad de
probabilidad

<

0 0
0
) (
) (
1
x
x
e
x f
x
x

) ( es la funcin gamma

= dt e t
t 1
) (


Si es entero positivo )! 1 ( ) ( =
Distribucin
acumulativa

<

=

0 0
0
!
) / (
1
) (
1
0
x
x
j
x
e
x F
j
j
x

Si es entero positivo; en caso contrario no hay
frmula cerrada
Media
Varianaza
2

Tabla 3.4 Funcin de distribucin gamma



Figura 3.6 Funcin de distribucin gamma ( 1 = )

La funcin de distribucin gamma representa una herramienta de modelado
estadstica muy buena para modelar sistemas reales sometidos a la aparicin de
ciertos eventos, por ejemplo, probabilidad de avera de una mquina, que
incrementan la aparicin de los valores superiores al valor promedio.


Ejemplo para la distribucin gamma
2

2
por J ordi Messeguer Gally

x
1


0.8


0.6


0.4


0.2




1 =
2 =

4 =

P
A
P
I
M
E

1
0
4
3
1
1

22

En una fbrica se informa que el tiempo de reparacin de una pieza tiene una
distribucin gamma con parmetros g(0.5,2). Tambin se sabe que la pieza tiene
un precio de venta en el mercado de $5,000 y un costo de produccin de $1,000.
Lo que la administracin quiere conocer es el costo mximo que puede pagar por
la reparacin de cada pieza (dado por hora) para obtener un beneficio de $3,000.

SOLUCIN
Lo que se pide en el problema es un precio por hora K tal que multiplicado por el
tiempo de reparacin esperado nos arroje un beneficio de $3,000.

Sabemos que el beneficio o utilidad es igual al precio de venta menos la suma de
los costos. Dicho en trminos matemticos para este problema:
Beneficio=Precio de ventacostoproduccincostoreparacintiemporeparacin
Sustituyendo en la ecuacin anterior los datos conocidos tenemos:
3,000=5,0001000KE( x)
El valor esperado del tiempo de reparacin (E(X)) es igual a la media de la
distribucin y se calcula dividiendo los parmetros de la funcin:

E(x)=2/ 0.5 =4

Con esto tenemos todos los datos y despejamos K. Al resolverla obtenemos que el
precio que la gerencia puede pagar para obtener un beneficio de $3,000 es de
$250 por hora de reparacin.

3.6 Funcin de distribucin lognormal
En general, la funcin de distribucin lognormal se utiliza para modelar una
secuencia multiplicativa (la avera de una mquina repercute en el paro del resto
de mquinas) de operaciones. La funcin de distribucin gamma se utiliza para
modelar una secuencia aditiva de operaciones. La funcin de distribucin
lognormal tambin puede emplearse para modelar el tiempo necesario para
realizar una tarea manual.

Lognormal
) , (
2
LN
Densidad de
probabilidad
( )

<

|
|
.
|

\
|

=
0 0
0
2
ln
exp
2
1
) (
2
2
2
x
x
x
x
x f

Distribucin
acumulativa
No existe frmula cerrada
Media 2 /
2
+
e
Varianza
) 1 (
2 2
2

+
e e
Tabla 3.5 Funcin de distribucin lognormal


P
A
P
I
M
E

1
0
4
3
1
1

23


Figura 3.7 Funcin lognormal ( =1)

Ejemplo para la distribucin log-normal
3
2

e


Si W tiene una distribucin lognormal, encuentre la mediana, la moda y la funcin
de densidad de probabilidad en el punto de la moda de W, para los siguientes
casos:

SOLUCIN:
La moda para una distribucin de probabilidad lognormal est dada por
que tambin se puede expresar como exp( -
2
)lo cual puede ser demostrado a
partir de la definicin de esta distribucin y sin duda, sera una actividad
interesante para el lector.

La mediana de la distribucin est dada por

e , y la funcin de densidad de
probabilidad para cualquier punto como

( )
2
2
2

2
1

lnx
e
x

Para los parmetros =2 y =0.25
Moda:
( )
9414 . 6
2 2
2
25 . 0 2
= = =

e e
e
e

Mediana:
e
2
=7.38



3
Por Jordi Messeguer Gally
P
A
P
I
M
E

1
0
4
3
1
1

24

Funcin de densidad de probabilidad en la moda:
( ) ( )
0.0196 0.2298
.25) 0 ( 2
2 6.94 ln
.25 2 6.9414
1
0.0314
2
2
= e = e

Si el lector desea repasar los conceptos se sugiere el mismo ejercicio para los
siguientes parmetros: =1 y =1.5 y tambin =3 y =.75.



3.8 Funcin de distribucin normal
Se utiliza para modelar sistemas donde el 70% de los datos muestreados se
encuentran a una distancia inferior de (desviacin estndar) del valor promedio
, y la frecuencia de aparicin de los datos, se encuentra distribuida
simtricamente con respecto al valor promedio. Un ejemplo para utilizar una
funcin de distribucin normal es el modelado del tiempo de produccin de las
mquinas, cuando no se considera la posibilidad de fallos o errores de diversos
tipos.


Normal
) , (
2
N

Densidad de
probabilidad

( )
2
2
2
2
2
1
) (

=
x
e x f

Distribucin
acumulativa
No existe frmula cerrada
Media

Varianza
2

Tabla 3.6 Funcin de distribucin normal

En la figura 3.8 se ha representado el histograma de una funcin de distribucin
normal, en la cual, la diferencia de las fdp gamma y lognormal, los datos
prcticamente no presentan grandes variaciones respecto a un valor promedio.

La funcin de distribucin acumulativa no se puede calcular de forma exacta.
Como consecuencia, se han empleado mtodos numricos para obtener tablas de
la funcin. Dado que no es prctico obtener una tabla para todos los posibles
valores de y
2
, se construye una tabla de la distribucin normal estndar (de
parmetros =0,
2
=1). Si X es una variable aleatoria de distribucin normal de
valores de y
2
, la variable aleatoria Z = (X- )/ sigue una distribucin
normal de media 0 y varianza 1.

P
A
P
I
M
E

1
0
4
3
1
1

25


Figura 3.8 Funcin de distribucin normal ( =0)

Ejemplo para la distribucin normal
4

4
Por Rafael Rentera, Fuente:Introduction to probability and Statistics, autores: B.W. Lindgren, G.W.
McElrath, Problema 4-26 pg 116


Se pretende construir un marco para la puerta de un saln de clases, en donde la
estatura promedio de los estudiantes es de 5'10 con una desviacin estndar de
3. Se quiere saber de qu tamao se debe construir el marco de tal modo que el
98% de los estudiantes pueda pasar sin golpearse la cabeza.
Sabemos que para encontrar Z en una distribucin normal, tenemos que:
Y segn la tabla de valores para la distribucin normal, el valor de Z que garantiza
que quede cubierto el 98% de la poblacin es 2.


SOLUCIN:
Por lo tanto, si queremos encontrar el valor de X (la altura que debera tener el
marco) resolvemos:


X =5'10 +2(3)
X =6'04


La altura del marco debera ser de 6 pies con 4 pulgadas y el 98 porciento de los
estudiantes lo cruzar sin problema.


P
A
P
I
M
E

1
0
4
3
1
1

26

3.8 Funcin de distribucin triangular
La distribucin triangular proporciona una primera aproximacin cuando hay poca
informacin disponible. Esta distribucin queda definida con el valor mnimo, el
mximo y la moda. Se emplea para especificar actividades que tienen un tiempo
mnimo, mximo y ms probable.


Triangular ) , , ( c b a Trian
Densidad de
probabilidad

<





resto
b x c
c b a b
x b
c x a
a c a b
a x
x f
0
) )( (
) ( 2
) )( (
) ( 2
) (
Distribucin
acumulativa

<
<

<
x b
b x c
c b a b
x b
c x a
a c a b
a x
a x
x F
1
) )( (
) (
1
) )( (
) (
0
) (
2
2

Media
3
c b a + +

Varianza
18
2 2 2
bc ac ab c b a + +

Tabla 3.7 Funcin de distribucin triangular


Figura 3.9. Funcin de distribucin triangular



P
A
P
I
M
E

1
0
4
3
1
1

27

Ejemplo para la distribucin triangular
5
Costo bajo

Un producto K es vendido a travs de internet, dicho producto vara de acuerdo a
la cantidad de demanda que se registre el da de la compra; si la demanda es
mucha el costo del producto es de 50 UM , si la demanda es baja el precio es de 6
UM y si la demanda es moderada (no muy alta y no muy baja) el precio de venta
es de 10 UM . Se desea conocer cul ha sido el comportamiento de los precios del
producto. Los precios, en UM correspondientes, para el producto K son:

Costo medio Costo
alto
6 10 50
SOLUCIN:
Con base en la informacin anterior, podemos afirmar que:

Los precios del producto K estn entre 6 y 50 pesos, es decir, el rango=
[6,50]
En promedio el precio del producto ha sido de 22 UM, la varianza del precio
es de 98.67 UM.
22
3
50 10 6
=
+ +
=


67 . 98
18
) 50 10 ( ) 50 6 ( ) 10 6 ( 50 10 6
2 2 2
=
+ +
=

3.9 Funcin de distribucin uniforme
La distribucin uniforme es una distribucin continua que se emplea para
especificar una variable aleatoria, que tiene la misma probabilidad de tener su
valor en cualquier punto de un rango de valores. Se define especificando un lmite
inferior a y un lmite superior b del rango. La distribucin uniforme no es, en
general, una representacin vlida de un fenmeno aleatorio. Se emplea cuando
no se conoce la distribucin y slo se tiene informacin de los valores extremos.




Uniforme ) , ( b a U
Densidad de
probabilidad

=
resto
b x a
a b
x f
0
1
) (
Distribucin
acumulativa

<

<
=
x b
b x a
a b
a x
a x
x F
1
0
) (

5
por Elia Erandi Gonzlez Miranda
P
A
P
I
M
E

1
0
4
3
1
1

28

Media
2
) ( b a +

Varianza
12
) (
2
a b

Tabla 3.7. Funcin de distribucin uniforme

Figura 3.8 Funcin de distribucin uniforme

Ejemplo para la distribucin uniforme
6
3.10 Funcin de distribucin Weibull

Un contratista A est preparando una oferta sobre un nuevo proyecto de
construccin. La oferta sigue una distribucin uniforme entre 55 y 75 miles de
euros. Determine:

1. La probabilidad de que la oferta sea superior a 60 mil euros.
2. La media y la varianza de la oferta.


SOLUCIN:
Clculo de probabilidades.
Uniforme (a,b)
a : Mnimo 55,000
b : Mximo 75,000
Punto X 60,000

Media 65,000
Varianza 33,333.33
La probabilidad de que la oferta sea superior a 60 mil euros se sita en un entorno
de 0.75.

La funcin de distribucin Weibull es parecida a la gamma. Se emplea para
modelar tiempos de proceso. Tambin se emplea para modelar la confiabilidad de
un equipo al definir el tiempo que transcurre hasta que el equipo falla.

Weibull ) , ( Weibull

6
Por Iliana Y. Mancilla fuente: http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/4-
Ayuda%20Distribuciones%20de%20probabilidad.pdf
P
A
P
I
M
E

1
0
4
3
1
1

29

Densidad de
probabilidad

<

=

0 0
0
) (
) / ( 1
x
x e x
x f
x

Distribucin
acumulativa

<

=

0 0
0 1
) (
) / (
x
x e
x F
x

Media
|
.
|

\
|

1

Varianza

|
.
|

\
|
|
.
|

\
|

2
2
1 1 2
2

a

Tabla 3.9 Funcin de distribucin Weibull


Figura 3.11 Funcin de distribucin Weibull ( 2 / 1 = )

Ejemplo para la distribucin de Weibull
7
E(x)=

=
2
.5
1! = 4


Suponga que la vida til de una pila elctrica para un audfono de sordera es una
variable aleatoria que se distribuye Weibull con =.5 y =2.Cunto se espera que
dure la pila?

SOLUCIN:

7
Por Claudia Fabiola Peto Ramrez, Fuente: Walpole Ronald et Al. Probabilidad y
Estadstica para Ingenieros. Mc Graw Hill Interamericana de Mxico, 1989

P
A
P
I
M
E

1
0
4
3
1
1

30

CAPTULO 4
FUNCIONES DE DISTRIBUCIN DISCRETA.

4.1 Introduccin
Al seleccionar que distribucin se debe usar para ajustar los datos de un problema
que se va a simular se debe considerar si la distribucin de probabilidad a usar
sea discreta o continua. Si se cuenta con un nmero pequeo de valores se puede
pensar en la conveniencia de usar una distribucin discreta o si el proceso fsico
involucra datos discretos, como el caso de clientes a ser atendidos por un cajero.


4.2 Funcin de distribucin de Bernoulli
La distribucin de Bernoulli se aplica en los casos donde hay dos posibles
estados. La probabilidad de un estado es p y la del otro estado q = 1 - p. Los
fenmenos que se definen son, entre otros

La pieza que sale de un proceso es defectuosa o no
una empleada se presenta a trabajar o no se presenta
una operacin requiere un proceso secundario, una re-operacin o no.


Bernoulli ) (p Bernoulli
Funcin
probabilidad

=
=
=
resto
x si p
x si p
x f
0
1
0 1
) (
Distribucin
acumulativa

<
<
=
x
x si p
x si
x F
1 1
1 0 1
0 0
) (
Media
p
Varianza ) 1 ( p p
Tabla 4.1. Funcin de distribucin Bernoulli

P
A
P
I
M
E

1
0
4
3
1
1

31


Figura 4.1 Funcin de probabilidad de Bernoulli (p =0.6)

Ejemplo para la distribucin Bernoulli
8

8
Por Israel Andrade,
Fuente:BernoulliDistribution,URL:galton.uchicago.edu/~eichler/stat22000/Handouts/l12.pdf
5 de Septiembre de 2011Estadstica General, URL: www.udobasico.net/misitio/Est/DistprobII.pdf

Un estudio de trnsito muestra que de 2000 accidentes de trnsito de impacto
frontal y cuyo conductor no tena cinturn de seguridad resultaron 300 individuos
con lesiones graves. Del caso anterior se puede definir a una variable aleatoria X:
Tener lesiones graves tras un accidente sin cinturn de seguridad como una
distribucin de Bernoulli de parmetro (300/2000) =0.15. Por lo tanto:

SOLUCIN:
p=0.15
q=(1 - p)=0.85
f(x) = 1 tiene una probabilidad de 0.15
0 tiene una probabilidad de 0.85

Esperanza Matemtica
E[X]=0.15
Varianza
var[X]=p(1 - p)= pq =0.1275
Moda
0 porque q>p
La distribucin tiene la siguiente grfica:
P
A
P
I
M
E

1
0
4
3
1
1

32


Figura 4.2 Grfica de la distribucin Bernoulli para el ejemplo.
Otros ejemplos son:
Lanzar una moneda y que salga cara: p=1/2
Elegir una persona de la poblacin y que est enfermo.: p=1/1000 =prevalencia
de la enfermedad
Aplicar un tratamiento a un enfermo y que ste se cure: p=95%, probabilidad de
que el individuo se cure.



4.3 Funcin de distribucin uniforme discreta
Se emplea cuando todos los valores en el intervalo [i, j] tienen igual probabilidad.
Se utiliza como un primer modelo, cuando slo se tiene informacin sobre los
lmites del intervalo.



Uniforme
discreta
) , ( j i UD
Funcin
probabilidad
{ }

+
+
=
resto
j i i x
i j
x f
0
, , 1 ,
1
1
) (


Distribucin
acumulativa
| |

<

+
+
<
=
x j
j x i si
i j
i x
i x si
x F
1
1
1
0
) (
Media
2
) ( j i +

Varianza
12
1 ) 1 (
2
+ i j

Tabla 4.2 Funcin de distribucin uniforme discreta

P
A
P
I
M
E

1
0
4
3
1
1

33

Ejemplo para la distribucin uniforme discreta
9


Un turista que viaja en automvil se encuentra extraviado en la Ciudad de
Cuernavaca, su intencin es ir al aeropuerto de la Ciudad de Mxico para devolver
el vehculo que rent y abordar su vuelo de regreso a China. El problema es que
no recuerda el camino de regreso y tampoco sabe hablar espaol.

Manejando sobre una avenida principal, llega a una ramificacin de vialidades
donde alcanza a leer en un sealamiento Hacia la Ciudad de Mxico. La vialidad
se divide en 5 caminos, cada uno de los cuales llega hacia la Ciudad de Mxico;
uno de ellos lo lleva directamente y los dems pasan antes por diferentes
ciudades. De modo que cada camino tiene un tiempo de recorrido diferente.

Figura 4.3 Los caminos a la ciudad de Mxico
Debido a que el turista no puede determinar cul de esos caminos lo lleva
directamente hacia la Ciudad de Mxico, tiene la misma probabilidad de elegir
cualquiera de ellos.
En la tabla que sigue se detallan los tiempos de recorrido para cada camino:

Tabla 4.3 Tiempos para los caminos
Camino Duracin (minutos)
1 60
2 40
3 75
4 80
5 100

Con la informacin anterior se pide determinar:

a) El tiempo esperado de recorrido hacia la Ciudad de Mxico.
Sea X: Tiempo de recorrido hacia la Ciudad de Mxico en minutos.


b) La probabilidad de que el recorrido hacia Mxico sea mayor a 75 minutos.



9
Por J orge Andrs Garca Hernndez

P
A
P
I
M
E

1
0
4
3
1
1

34

c) La probabilidad de que el recorrido tarde de 60 a 80 minutos.



d) Suponga que el combustible se consume en funcin del tiempo que est
funcionando el motor, y que cada minuto que est encendido, gasta $2 pesos de
combustible. Considerando nicamente el tiempo hacia la Ciudad de Mxico,
cul es el gasto esperado en combustible?
Sea:
Y: Gasto en combustible en el trayecto hacia la Ciudad de Mxico
X: Tiempo de recorrido hacia la Ciudad de Mxico en minutos.





4.4 Funcin de distribucin binomial
La distribucin binomial es una distribucin discreta, que expresa el resultado de n
experimentos independientes. Es esencialmente la suma de n experimentos de
Bernoulli. Supongamos que un experimento que tiene dos posibles resultados se
realiza n veces (n > 0). Supongamos tambin que la probabilidad de obtener un
resultado determinado, (lo llamamos resultado a), para cualquier experimento es
p, y la probabilidad del otro resultado es q = 1 - p (lo llamamos resultado b).

Entonces el resultado a, puede aparecer un nmero de veces entre 0 y n, al igual
que el resultado b. La distribucin binomial especfica la probabilidad de que el
resultado a ocurra k veces. Algunos fenmenos que pueden ser definidos con esta
distribucin son:

El nmero de piezas defectuosas en un lote.
El nmero de clientes de un tipo particular que entran en el sistema.

Binomial ) , ( p n Bin
Funcin
probabilidad { }

|
|
.
|

\
|
=

resto
n x p p
x
n
x f
x n x
0
, , 1 , 0 ) 1 (
) (


Distribucin
acumulativa | |

<

|
|
.
|

\
|
<
=

=

x j
j x i si p p
i
n
x si
x F
x
i
i n i
1
) 1 (
0 0
) (
0

Donde | | x indica el entero ms grande x
Media
np
Varianza ) 1 ( p np
Tabla 4.4 Funcin de distribucin binomial
P
A
P
I
M
E

1
0
4
3
1
1

35


Ejemplo para la distribucin Binomial
10
4.5 Funcin de distribucin de Poisson

Se sabe que el 80% de votantes registrados en un distrito tienen ms de 30 aos,
se quiere conocer la probabilidad que se tiene de encontrar 7 o ms votantes
mayores de 30 aos en una muestra de 10 personas.

SOLUCIN:
n =10 p (x) =nCx px qn-x
x =7, 8, 9, 10
p =.80
q =.20

p (7 x 10) = p (7)+p (8)+p (9)+p (10)
p (7) =10C7 (.80)7 (.20)3 =.2013
p (8) =10C8 (.80)8 (.20)2 =.3020
p (9) =10C9 (.80)9 (.20)1 =.2684
p (10) =10C10 (.80)10 (.20)0 =.1074
p (7 x 10) = .2013 + .3020 + .2684 + .1074 = .8791 87.91% de probabilidad
de encontrar a siete personas mayores de 30 aos en la muestra de 10.

La frecuencia de aparicin de eventos en un proceso de llegadas, puede
formalizarse al especificar el tiempo entre dos llegadas sucesivas, o especificando
el nmero de eventos de llegada por intervalo.

Tiempo entre 2 eventos de llegada sucesivos: en general, el tiempo entre
dos eventos independientes de llegada consecutivos suele responder a una
distribucin exponencial.
Nmero de eventos de llegada por intervalo: en lugar de describir el tiempo
entre eventos de llegada, se describe el nmero de eventos en un intervalo de
tiempo constante. Ntese, por ejemplo, que no es posible describir mediante
una distribucin exponencial la llegada de material a una unidad de produccin
cuando sta es transportada en pallets con un nmero de piezas variables, ya
que el tiempo entre la llegada de una pieza y la siguiente es 0. La distribucin
de Poisson es una de las ms utilizadas para describir este tipo de
comportamiento. Esta distribucin fue desarrollada originalmente para modelar
las llamadas telefnicas a una central. Otros fenmenos que pueden ser
modelados son:

1. El nmero de entidades temporales que llegan por unidad de tiempo.
2. El nmero total de defectos en una pieza.
3. El nmero de veces que un recurso es interrumpido por unidad de tiempo.

10
Por Alexander Vindel Garduo, Fuente: Estadstica para Administracin y
Economa, William J .Stevenson, Ed. Harla 1981

P
A
P
I
M
E

1
0
4
3
1
1

36



Poisson ) ( Poisson
Funcin
probabilidad
{ }

=

resto o
x
x
e
x f
x
, 1 , 0
!
) (

Distribucin
acumulativa
| |

<
=

x o
i
e
x
x F
x
i
i
0
!
0 0
) (


Media

Varianza

Tabla4.5 Funcin de distribucin Poisson


Ejemplo para la distribucin Poisson
11
4.6 Funcin de distribucin geomtrica

Ciertos autobuses llegan a una parada de forma aleatoria e independiente de
acuerdo con un proceso Poisson. Definimos el tiempo que hay entre la llegada de
un autobs y otro, como X (variable aleatoria). Se sabe que el tiempo esperado de
X es de 6 minutos. Es decir, llega un autobs, en promedio, cada 6 minutos. Si yo
llego al tiempo t (el cual es independiente de X), >cunto tiempo debo esperar en
promedio el autobs?:

SOLUCIN:
La esperanza de que el tiempo de espera sea W
t
es:
E[W
t
] =E[W
0
] =6 minutos

Ya que un proceso Poisson no tiene memoria, por lo que el tiempo de espera no
depende del tiempo de mi llegada.

La distribucin geomtrica describe el nmero de experimentos con probabilidad p
de xito, que se debe efectuar hasta obtener un resultado determinado. Algunos
ejemplos de fenmenos que se pueden modelar con esta distribucin son:

El nmero de ciclos de mquina hasta que sta falla
El nmero de piezas inspeccionadas hasta encontrar una con defectos
El nmero de clientes servidos hasta que se encuentra uno de un tipo
determinado.






11
Por Citlalli Elizabeth Dorantes Bolaos, Fuente: Feller William. "Introduccin a la Teora de
Probabilidades y sus Aplicaciones".Ed. Limusa. Mexico, D.F., 1989.
P
A
P
I
M
E

1
0
4
3
1
1

37

Geomtrica ) (p Geom
Funcin
probabilidad
{ }

=
resto
x p p
x f
x
0
, 1 , 0 ) 1 (
) (


Distribucin
acumulativa
| |

=
+
resto
x p
x F
x
0
0 ) 1 ( 1
) (
1

Media
p
p) 1 (

Varianza
2
) 1 (
p
p

Tabla 4.5Funcin de distribucin geomtrica
P
A
P
I
M
E

1
0
4
3
1
1

38

CAPITULO 5
ANLISIS ESTADSTICO DE LOS RESULTADOS DE LA SIMULACIN

5.1 Introduccin
De acuerdo a Law que en su tutorial Como conducir un estudio exitoso de
simulacin (Law, 2003), hay siete pasos para lograrlo y los vamos a analizar en este
captulo. Antes que nada, un estudio de simulacin requiere que el analista que lo va
a desarrollar tenga como mnimo conocimiento de la metodologa de la simulacin,
as como bases tericas de probabilidad y estadstica, administracin de proyectos,
diseo y anlisis de experimentos entre otros.

Algunas definiciones importantes a considerar en un estudio de simulacin son (Law,
2003):

Verificacin: Se refiere a poder determinar cuando un modelo de simulacin
conceptual (suposiciones del modelo) se ha traducido correctamente a un cdigo de
computadora o a un software comercial de simulacin. Aunque el concepto de
verificacin es simple depurar un programa de simulacin de gran escala es una
tarea ardua y difcil debido al nmero potencialmente alto de trayectorias del
programa. Algunas tcnicas para depurar la simulacin incluyen un recorrido
estructurado del programa, uso de rastreo y depuracin interactivo as como
animacin.

Validacin: Es el proceso de determinar cuando un modelo de simulacin es una
representacin precisa del sistema para los objetivos particulares del estudio. Si un
modelo es vlido entonces se puede usar para tomar decisiones sobre el sistema,
similares a las que se podran tomar si fuera factible y efectivo en costos en el
sistema mismo.

Credibilidad es cuando un modelo de simulacin y sus resultados se aceptan como
correctos por quien toma las decisiones o administrador. La validez no implica
credibilidad y viceversa. Por ejemplo, un modelo tcnicamente correcto puede no ser
usado en el proceso de toma de decisiones si las suposiciones clave del modelo no
son claras o no se entienden por parte del que toma las decisiones. Por otra parte un
modelo creble basado en una animacin impresionante de tres dimensiones puede
no ser tcnicamente bueno.

Datos de entrada: Es un problema estadstico que consiste en determinar que
distribucin de probabilidad representa mejor a los datos fuente del problema a
modelar, como se vio en los captulos 3 y 4. Las distribuciones normal o uniforme
raramente son buenas para el tiempo en que se desarrolla alguna tarea.

Anlisis de los datos de salida: Es un problema estadstico que se refiere a la
estimacin de las medidas de desempeo del modelo. Algunos temas importantes
P
A
P
I
M
E

1
0
4
3
1
1

39

para el anlisis de los datos de salida incluyen la longitud de las corridas de
simulacin, la longitud del perodo de espera (si lo hay) y el nmero de rplicas
independientes del modelo.


5.2 Los siete pasos para conducir un estudio de simulacin
exitoso.(Law, 2003)

En la figura 5.1 se presentan los pasos y las actividades que se desarrollan en cada
uno mismas que se analizaran en las secciones posteriores.

Figura 5.1 Los siete pasos


5.2 Paso 1. Formular el problema

El problema a modelar siempre es planteado por quien toma las decisiones. Note
que cuando el tomador de decisiones inicia un estudio de simulacin, el problema
exacto a resolver muchas veces no es preciso o entendido completamente.
Entonces como el estudio requiere un buen entendimiento en la medida en que se
va estudiando ms y delimitando el problema en cuestin queda ms claro y la
informacin que se va obteniendo debe conocerla tanto el tomador de decisiones
P
A
P
I
M
E

1
0
4
3
1
1

40

como el equipo involucrado en la modelacin de la simulacin, para que de esta
manera se replantee y ajuste mejor el problema a modelar.

Se deben programar reuniones al inicio del proyecto de simulacin entre el
administrador de proyectos, los analistas de la simulacin, los expertos de rea y
personal involucrado que formar parte del equipo. En dichas reuniones se deben
considerar los siguientes temas:


Los objetivos generales del estudio
Las preguntas especficas que se deben contestar en el estudio. Sin tal
especificidad es imposible determinar el nivel apropiado de detalle para el
modelo.
Las medidas de desempeo que se usarn para evaluar la eficacia de las
diferentes configuraciones del sistema. Diferentes medidas de desempeo
algunas veces dictan diferentes niveles de detalle del modelo.
La extensin o alcance del modelo.
Las configuraciones del sistema que se van a modelar. Esta informacin es
necesaria para determinar la generalidad que se debe tener en el programa
de cmputo.
El marco de tiempo requerido para el estudio as como los recursos
requeridos. Los proyectos de simulacin generalmente toman ms tiempo del
que inicialmente se estima ya que lgica del sistema se va tornando ms
compleja que lo que se pensaba y otra causa son los retrasos en reunir la
informacin requerida.

5.3 Paso 2. Recabar la informacin o datos y construir el modelo
conceptual

Recoleccin de la informacin de la estructura del sistema y los
procedimientos operativos.
Un solo documento o persona no es suficiente, por lo que es necesario
para los analistas de simulacin hablar con diferentes expertos para
tener un mejor entendimiento del sistema a modelar.
Parte de la informacin proporcionada por los expertos puede ser
incorrecta por lo que si dicha informacin es muy relevante ser
necesario consultar a ms de un experto.
Puede suceder que los procedimientos operativos del sistema no
estn formalizados.

La recoleccin de los datos para especificar los parmetros del modelo y las
distribuciones de probabilidad (por ejemplo para el tiempo de falla y
reparacin de una mquina). Dos errores que no deben cometerse es
reemplazar la distribucin de probabilidad por su media o usar una
distribucin inadecuada.

P
A
P
I
M
E

1
0
4
3
1
1

41

Documentar las suposiciones del modelo, algoritmos y resumen de los datos
en el modelo conceptual escrito (documento de hiptesis). Esta actividad es
sumamente crtica que a menudo se omite la comunicacin verbal se presta
mucho a errores. El modelo conceptual debe incluir:
Una seccin de la visin general del problema que contenga las metas
generales del proyecto, los problemas especficos a tratar, y las medidas
de desempeo de inters.
Un diagrama de flujo de procesos o un diagrama de la disposicin del
sistema si es apropiado.
Descripciones detalladas de cada subsistema y cmo interactan.
Qu suposiciones simplificadoras se hicieron y por qu? Una simulacin
es una abstraccin del problema real y por eso es que se simplifica de tal
manera que solamente responda a preguntas de inters.
Resmenes de los datos de entrada del modelo.
Fuentes de informacin importante o controversial
Recolectar los datos de desempeo del sistema existente, si se cuenta con
ellos para usarlos en el paso 5 que consiste en la validacin del modelo.
El nivel de detalle del modelo debe depender de:
Los objetivos del proyecto.
Las medidas de desempeo de inters.
La disponibilidad de los datos.
Aspectos de credibilidad.
Restricciones computacionales.
Opiniones de los expertos.
Restricciones de dinero y tiempo.
No debe existir una correspondencia uno a uno entre cada elemento del
modelo y cada elemento del sistema, comience con un modelo simple y vaya
hacindolo ms complejo en la medida en que se vaya requiriendo. Los
detalles innecesarios del modelo pueden tener como desventaja un alto
tiempo de ejecucin o prdida de claridad en factores del sistema que son
importantes.
Interactuar con el que toma las decisiones tiene muchos beneficios ya que
ayuda a la correcta solucin del problema as como en la credibilidad del
modelo al estar de acuerdo esta persona en la estructura y suposiciones del
modelo.

5.4 Paso 3. Es vlido el modelo conceptual?

El desarrollo de un ensayo estructurado del modelo conceptual antes de
presentarlo a los interesados es una actividad importante que a menudo se
omite, pero que ayuda a:
Asegurar que las suposiciones del modelo son correctas y estn
completas.
Fomenta la interaccin entre los miembros del proyecto, ya que es
necesario que cada uno de ellos lea el modelo conceptual pero no es
suficiente, por lo cual si es importante que se renan a discutirlo.
P
A
P
I
M
E

1
0
4
3
1
1

42

Promueve la posesin del modelo lo que evitar problemas polticos en
el futuro.
Al hacerlo antes de la programacin del modelo se evita que se
reprograme ms tarde.
Si se descubren errores u omisiones en el modelo conceptual, lo que siempre
ocurre, entonces el modelo conceptual se actualiza antes de continuar con el
paso 4.

5.5 Paso 4. Programar el modelo

Una vez que se ha elaborado el modelo conceptual se realiza la programacin del
mismo que puede ser usando un lenguaje de propsito general como C o C++, o
usando un software comercial como Arena, Promodel o Simio entre otros. Ambos
caminos tienen sus ventajas y sus desventajas, por ejemplo si se usa un lenguaje de
programacin se tiene mayor control sobre el programa, menor costo en cuanto al
software y sobre todo que es como un traje hecho a la medida. Por otro lado el uso
de un software de simulacin reduce el tiempo de programacin por lo que puede
reducir costos en el proyecto y cuenta con plataformas de animacin que lo hacen
muy atractivo visualmente, adems si se quiere usar optimizacin la mayora de
estos productos ya cuentan con un mdulo de optimizacin.

5.6 Paso 5. Es vlido el modelo programado?

Para validar el modelo ya programado se puede hacer uso de datos histricos si se
cuenta con ellos, esta es la tcnica de validacin ms importante, si se tiene xito en
la validacin del modelo entonces tambin se gana en credibilidad del mismo. Si el
sistema que se est modelando es nuevo o no se cuenta con datos histricos
entonces se pueden buscar otras tcnicas para validar el modelo, como optimizacin
si es que no resulta muy complicada.

En este paso es importante que tanto los expertos como el equipo encargado del
proyecto de simulacin revisen los resultados para verificar que sean razonables y
por lo tanto que el modelo de simulacin sea vlido.

Se recomienda hacer un anlisis de sensibilidad del modelo programado para revisar
cuales factores tienen ms impacto en las medidas de desempeo y entonces tener
cuidado en esa parte.

5.7 Paso 6. Diseo y Anlisis de los datos de salida.

P
A
P
I
M
E

1
0
4
3
1
1

43

Una vez que la simulacin se ha realizado es importante que se haga un anlisis
estadstico de los resultados de la simulacin. En muchos estudios de simulacin se
gasta demasiado tiempo y dinero en el desarrollo del modelo y la programacin, y se
hace poco esfuerzo para analizar los resultados en forma adecuada. De hecho, un
modo muy comn de operacin es hacer una sola corrida de la simulacin de una
longitud un tanto arbitraria y entonces usar los resultados de dicha corrida como
verdaderos, sin embargo, debido a la aleatoriedad de las variables puede haber
grandes variaciones en los resultados, que tienen como consecuencia inferencias
errneas del problema real. Por esto es necesario el desarrollo de uno o ms
experimentos, y en cada uno de ellos una o ms rplicas, este patrn lo podemos
ver esquemticamente en la figura 5.1

Figura 5.1 Experimentos y rplicas en un modelo de simulacin

La figura 5.1 ilustra la diferencia entre un experimento y una rplica, como se puede
apreciar, las rplicas estn dentro de un mismo experimento. Cuando se conduce un
estudio de simulacin se considera una serie de parmetros, por ejemplo, el tiempo
entre llegadas. En este sentido se hace un cambio en el tiempo entre llegadas o
tambin se puede considerar una variacin en el nmero de servidores, el hacer
cada uno de estos cambios corresponde a desarrollar diferentes experimentos para
evaluar diferentes escenarios. Las rplicas son corridas del mismo modelo sin hacer
cambios en los parmetros, estas rplicas arrojarn distintos resultados debido al
uso de diferentes series de nmeros aleatorios. Cada rplica produce resultados
estadsticos que difieren de los producidos por otras rplicas, y dichos resultados se
pueden analizar a travs de todo el conjunto de rplicas.

Lo que nos interesa en esta parte del experimento es poder dar respuesta a las
preguntas siguientes:

1. Cuntos experimentos es necesario realizar?
2. Cuntas rplicas son necesarias para la simulacin?

Experimento 1
(alternativa 1)
Experimento 2
(alternativa 2)
Experimento p
(alternativa p)
Dentro de un experimento
Rplica 1
Rplica 2
Rplica 3 Rplica n
Experimento 1
(alternativa 1)
Experimento 2
(alternativa 2)
Experimento p
(alternativa p)
Dentro de un experimento
Rplica 1
Rplica 2
Rplica 3 Rplica n
P
A
P
I
M
E

1
0
4
3
1
1

44

La naturaleza aleatoria de la simulacin conlleva un proceso estocstico en los
resultados a los cuales podemos llamar Y
1
, Y
2
,Y
m
de una corrida simple. Por
ejemplo Y
i
podra ser el retraso en la llegada del i-simo trabajo en un sistema de
cola simple. Se define tambin C
i
como el costo de operar un inventario en el i-simo
mes. Las Y
ij
son variables aleatorias que en general no son independientes o
idnticamente distribuidas (IID). De esta manera muchas de las frmulas de la
estadstica clsica no sern directamente aplicables al anlisis de los datos de salida
de la simulacin.

Ejemplo 5.1

Se considera un sistema de colas donde y
1
es el retraso del cliente 1, y
2
es el retraso
del cliente 2, etc. En este sistema los retrasos en la cola no sern independientes, ya
que un retraso grande de un cliente esperando en cola tender a retrasar an ms al
siguiente cliente que espera. Suponga que la simulacin inicia en el tiempo cero sin
clientes en el sistema, como se hace usualmente. Entonces los retrasos en la cola al
inicio de la simulacin tendern a ser menores que los que habr al final, razn por la
cual los retrasos no estn idnticamente distribuidos.

Sean y
11
, y
12
,.., y
1m
resultados de correr la simulacin para las variables aleatorias y
1
,
y
2
,,y
m
con los nmeros aleatorios especficos u
11
, u
12
, . Si se corre la simulacin
con un conjunto diferente de nmeros aleatorios u
21
, u
22
, , entonces se obtiene un
conjunto de resultados diferentes y
21
, y
22
,.., y
2m
de las mismas variables aleatorias .
y
1
, y
2
,y
m
.

Los dos conjuntos de resultados no son iguales, ya que se usaron diferentes
nmeros aleatorios en dos corridas y por tanto se producen dos muestras diferentes
de las mismas distribuciones de probabilidad.

En general suponga que se hacen n rplicas independientes o corridas de la
simulacin cada una de tamao m, que en el ejemplo significara simular los retrasos
de m clientes, obtenindose las observaciones siguientes:

y
11
,, y
1i
,..,y
1m

y
21
,, y
2i
,..,
2m


y
j1
,, y
ji
,...,y
jm

.
y
n1
,, y
ni
,...,y
nm


Donde y
ji
es el retraso del cliente i en la rplica j para i =1,, m y j =1,, n .

Observacin 1
Aunque se usa un conjunto de nmeros aleatorios diferente en cada rplica, cada
rplica usa las mismas condiciones iniciales y los contadores estadsticos para la
simulacin se reinician cada que se comienza con una nueva rplica.

P
A
P
I
M
E

1
0
4
3
1
1

45

Observacin 2
Las observaciones de una rplica en particular (rengln) claramente no son IID. Sin
embargo, note que y
1i
, y
2i
,.., y
ni
de la i-sima columna, son observaciones IID de la
variable aleatoria y
i
, para i =1,2, , m.

En forma general podemos afirmar que las rplicas son independientes entre s, y
que las observaciones de cada rplica tienen la misma distribucin conjunta.

Esta independencia a travs de las corridas es la clave para simplificar el anlisis de
datos de la simulacin. Por tanto hablando en trminos generales el propsito del
anlisis de datos de los resultados de la simulacin es usar las observaciones y
ji
(i=
1,2,,m; j= 1,2,,n) para inferir caractersticas de las variables aleatorias y
1
,
y
2
,,y
m
.






5.8 Documentacin y presentacin de los resultados de la
simulacin

La documentacin para el modelo y el estudio de la simulacin deben incluir: el
modelo conceptual, que es muy importante ya que se puede volver a usar en el
futuro, una descripcin detallada del programa de cmputo y los resultados y
conclusiones del estudio.

La presentacin final de la simulacin debe incluir animaciones y una discusin del
proceso de construccin y validacin del modelo para que con esto se pueda
promover la credibilidad del modelo.


5.9 Conclusiones

Finalmente quisiera cerrar este captulo y en general el cuadernillo explicando los
siguientes aspectos:
No se presenta en detalle el uso de herramientas estadsticas al hacer un
modelo de simulacin porque el propsito de este material es dar una idea
general a los lectores no especializados en el tema.
Los conceptos y resultados tanto de probabilidad y estadstica pueden tener
un nivel de profundidad muy alto al hacer un modelo de simulacin a nivel
prctico y an ms cuando es una investigacin de corte terico.
Cuando se hace uso de software comercial para hacer un modelo de
simulacin se obvian muchas suposiciones tericas de la estadstica as que
se debe tener mucho cuidado al hacer un ajuste de datos a una distribucin, o
al hacer uso de los generadores de nmeros aleatorios, en esos casos se
P
A
P
I
M
E

1
0
4
3
1
1

46

pueden usar pruebas de hiptesis o algunos de los conceptos que ayuden a
tener mayor certeza de que se hace un buen ajuste y no tener malas
sorpresas ms tarde.
Los conceptos de estadstica son una herramienta muy importante en el
proceso de elaboracin de un modelo de simulacin, desde el inicio hasta el
final por esto es importante que se tenga presente que un buen modelo no es
aqul que solamente se crea en un software comercial con mucha animacin
pero poco respaldo terico.

Referencias

Banks, J . 1998. (editor).: Handbook of simulation, J ohn Wiley & Sons, Inc.
Barton, R. 2004.Designing simulation experiments, Proceedings of the 2004
Winter Simulation Conference, p.p. 73-79.
Carson, J . Banks, J . 1993.Discrete- Event System Simulation, Prentice Hall.
Coss Bu, R. 2003. Simulacin, Un enfoque prctico, Limusa.
Feller William. 1989. Introduccin a la Teora de Probabilidades y sus
Aplicaciones. Ed. Limusa. Mxico, D.F.
Flores I, Elizondo M, Apuntes de Simulacin, Facultad de Ingeniera UNAM, 2007.
Gonzlez, M.C. 1996. Modelos y Simulacin, ENEP Acatln, UNAM.
Gutirrez Gonzlez, Eduardo, Fundamentos de la teora de las probabilidades
para Ingeniera y Ciencias. Mxico, 2001, Edit. Libudi. Pag. 243
Gordon, G. 1991: Simulacin de sistemas, 6ta reimpresin de la 1. Edicin,
Diana.
Kelton, D. Barton, R. 2003. Experimental design for simulation, Proceedings of
the 2003 Winter Simulation Conference, p.p. 59-65.
Law, A. 2003. How to conduct a successful simulation study, Proceedings of the
2003 Winter Simulation Conference, p.p. 66-70.
Law, A. 2004. Statistical analysis of simulation output data: The practical state of
the art, Proceedings of the 2004 Winter Simulation Conference, p.p. 67-72.
Law, A., KELTON, D. 2000. Simulation Modelling and Analysis, Mc. Graw-Hill.
Leemis 2003, Input modeling Proceedings of the 2003 Winter Simulation
Conference
S. Chick, P. J . Snchez, D. Ferrin, and D. J . Morrice, eds, p.p.14-24.
Lindgren, B.W. G.W. Mc. Elrath, 1966. Introduction to probability and Statistics,
Problema 4-26 pg 116
Stevenson ,William J ., 1981 Estadstica para Administracin y Economa, Ed.
Harla.
Taha, H. 2004. Investigacin de Operaciones, 7. Edicin, Prentice-Hall.
Walpole Ronald et Al. 1989. Probabilidad y Estadstica para Ingenieros, Mc Graw
Hill Interamericana de Mxico.

Sitios de internet
http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/4Ayuda%20Distribuciones%20de%
20probabilidad.pdf
http://members.libreopinion.com/ve/efrain-muretti/simulacion.htm
P
A
P
I
M
E

1
0
4
3
1
1

47

www.udobasico.net/misitio/Est/DistprobII.pdf.


P
A
P
I
M
E

1
0
4
3
1
1