Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Mmes U3 Ea Lapb 2

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 33

Modelacin Estocstica

Unidad 3 Evidencia de Aprendizaje

SIMULACIN DE NMEROS PSEUDOALEATORIOS Y DE VARIABLES ALEATORIAS


7 de junio de 2016
Autor: Laura Pontn

Modelacin Estocstica
Unidad 3 Evidencia de Aprendizaje
Introduccin
A travs de la historia se ha utilizado la simulacin, siendo sta la recreacin o reproduccin de un sistema sin llevarlo a la realidad implicando la imitacin, para lograr sustentar
un sistema real, siendo las herramientas computacionales un gran aliado durante este proceso.
En la medida en la cual es indispensable enfrentarnos a cierto tipo de problemas de la vida real, el modelo resultante pudiera llegar a ser tan complejo que pudiera no ser posible
desarrollar o recrear una simulacin vvida y tangible, as que una metodologa de solucin basada en un anlisis matemtico, como una alternativa y apoyada en los sistemas
computacionales es muy til. Siendo entonces la simulacin una tcnica numrica que es til para realizar experimentos que involucran ciertos tipos de modelos matemticos y
lgicos que describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos, fsicos o qumicos a travs de largos perodos de tiempo.
La simulacin debe entenderse como un experimento estadstico; sus resultados son observaciones que estn sujetas a error experimental difiriendo de un experimento normal
de laboratorio en que puede desarrollarse ntegramente en una computadora, siendo entonces que se considera a la simulacin como un recurso extremo cuando no es posible
plantear modelos matemticos optimizantes o descriptivos debido a la complejidad del problema.

Modelacin Estocstica | 07/06/2016

Etapas de un estudio de simulacin

1.
2.
3.
4.
5.
6.
7.
8.

Definicin del sistema


Formulacin del Modelo
Recoleccin de datos
Implementacin del modelo en computadora
Validacin
Experimentacin
Interpretacin
Documentacin

Generacin de nmeros aleatorios


La generacin de nmeros aleatorios es necesaria para la simulacin de sistemas y mediante el uso de stos existen varios mtodos que nos permiten generar variables aleatorias.
Lo normal es que existan varias opciones para generar una misma variable aleatoria. La eleccin del mtodo adecuado se puede basar en una serie de factores como:
Exactitud. Se prefiere un mtodo exacto frente a mtodos aproximados, como soluciones numricas.
Velocidad. Uno de los datos que se toma en consideracin es el tiempo de generacin de la variable.
Espacio. Necesidades de memoria del mtodo utilizado. En general, los mtodos no consumen mucha memoria.
Simplicidad.

Tabla de Nmeros pseudoaleatorios

Mtodo
generador

Caractersticas bsicas
En realidad es un mtodo sencillo para la obtencin de nmero pseudoaleatorios, es un mtodo recursivo, tal que para generar el siguiente nmero se eligen los n dgitos centrales
del cuadrado del nmero anterior .Requiere de una semilla. Es de baja eficiencia ya que puede degenerar muy rpidamente por lo que depende mucho de la semilla que ha sido
elegida.
Su algoritmo consiste bsicamente en tomar un nmero como semilla, elevarlo al cuadrado y tomar los k dgitos centrales de la nueva cifra, por lo que se forma una nueva semilla
para repetir el procedimiento, de tal manera que dicho proceso reiterativo siempre va a generar nuevos nmeros pseudoaleatorios.
Su baja eficiencia se ve reflejada toda vez que si utilizamos un nmero con muchos ceros como lo puede ser el nmero 1000, no puede ser til como semilla, ya que su cuadrado
es 1,000,000, por lo que sus dgitos centrales al ser ceros, se rompe el proceso de iteraciones.
Otra de sus grandes limitaciones viene del hecho de que si se pretende generar nmeros que sigan un cierto tipo de distribucin, no todas las semillas pueden producir nmeros
que se distribuyan uniformemente, siendo tambin nada efectivo para generar series de nmeros con un periodo grande, y por la naturaleza de su procedimiento, normalmente
generan nmeros con problemas en los nmeros centrales generando nmeros con ceros centrales.

Se tomar como nmero aleatorio siguiente de la serie, a los n dgitos centrales del resultado de una multiplicacin previa. Se requiere dos semillas. Una
modificacin para este mtodo consiste en utilizar un multiplicador constante, en lugar de dos nmeros aleatorios como se muestra a continuacin: + 1 =
Estos mtodos son similares al cuadrado medio. Sin embargo los dos tienen periodos ms extensos y los nmeros parecen estar distribuidos
uniformemente. Este mtodo tiende a degenerar a un valor constante. Tanto el mtodo de cuadrados medios como el de producto medio tienen un periodo
corto para la cantidad de nmeros aleatorios que vamos a necesitaremos generar en cada uno de nuestros Modelos.

Mtodo
congruencial
mixto o lineal

Mtodos congruenciales
Tambin es recursivo pues se genera el siguiente nmero a partir del anterior
Su relacin de recurrencia es +1 = ( + )
Necesita de una semilla 0 > 0 un parmetro multiplicador > 0, una constante aditiva > 0 y un mdulo > 0 , ,
Se puede normalizar para obtener nmeros uniformes (0,1).
Si se repite un nmero se repite toda la secuencia (Periodo)
Al implementarlo en cmputo es rpido y usa poca memoria.

Modelacin Estocstica | 07/06/2016

Mtodo de
productos
medios

Mtodo de cuadrados
medios

Mtodos no congruenciales

Mtodo Congruencial
multiplicativo
Mtodo
Congruencial
Aditivo

Al igual que el generador congruencial mixto, el generador congruencial multiplicativo determina el prximo nmero pseudoaleatorio a partir del ltimo nmero
generado a partir de +1 = , se debern escoger adecuadamente los valores de , 0, , para asegurar un perodo mximo para la series
pseudoaleatorias generadas. Existen cierto tipo de reglas que deben de seguirse para seleccionar los valores , 0, , dependiendo de si el sistema en el que
se trabaja es binario o decimal, si se trabaja en decimal, los valores de los parmetros debern ser seleccionados por tres criterios a saber a) el valor de la semilla
podr ser cualquier entero impar no divisible en 2 5 y debe ser relativamente primo a m; b)el valor seleccionado de a deber ser obtenido de acuerdo a la
siguiente identidad; = 200p, donde t es cualquier entero y p es cualquiera de los primos desde 3 hasta 91 y 3)El valor seleccionado de m puede ser =
10 < 5, entonces el periodo del generador se obtiene de acuerdo a la siguiente expresin:
= . . . {(1 1 ), (1 2 ), (1 )} (2) = 1, (4) = 2, (2 ) = 22 3, ( ) = 1 ( 1) 2, .

El mtodo congruencial multiplicativo es igual al mixto, pero tomando = 0. Aqu no


debe elegirse = 1, ya que seran todos los = 0 para todo n. Tampoco debe tomarse 0 = 0,
pues seran todos los = 0.
El mtodo congruencial aditivo necesita una serie de n semillas iniciales 1 , 2 , 3 , , para producir una extensin de ellas y generar aleatorios
pseudoaleatorios mediante la relacin + 1 = + ( ). Para usar este mtodo se necesitan k valores iniciales, siendo k entero. Las
propiedades estadsticas de la secuencia tienden a mejorarse a medida que k se incrementa. Este es el nico mtodo que produce periodos mayores que M.

El mtodo congruencial aditivo tambin es un caso particular del mixto, en donde la constante "a" es igual a cero.

Modelacin Estocstica | 07/06/2016

1) Mtodo desarrollado en docs google

Modelacin Estocstica | 07/06/2016

2) Elabora 5 simulaciones de la distribucin Poisson usando el mtodo de simulacin directa con = .


En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta. Expresa la probabilidad de un nmero k de eventos ocurriendo en
un tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde el ltimo evento. La funcin de densidad de la
distribucin de Poisson es

() =
!
Donde es un parmetro positivo que representa la frecuencia esperada del fenmeno modelado por la distribucin.
Las variables aleatorias con distribucin de Poisson de parmetro pueden ser generadas de la siguiente manera:
Supongamos que , > 1es una sucesin de variables aleatorias independientes con distribucin exponencial y funcin de densidad

0
() = {
0 < 0
Sea 0 = 0 = = 1 | ~(, ) Entonces la variable aleatoria k, definida implcitamente por las inecuaciones 1 < +1 tiene distribucin
Poisson con parmetro .

Modelacin Estocstica | 07/06/2016

Entonces para simular k, debemos simular , hasta alcanzar o rebasar el valor 1, recordamos que

=1

=1

1
1
= ( ) = ( )

Donde las 1 , 2 , , son variables uniformes en [0,1] e independientes. La comparacin > 1, la podemos escribir como:

=1

=1

=1

1
( ) > 1 ( ) < <

Modelacin Estocstica | 07/06/2016

=1

=1

1
1
= ( ) = ( )

Simulacin 1
ri
0.26610098
0.901149745
0.758874555
0.659575998
0.135803897

Modelacin Estocstica | 07/06/2016

ri
0.725129324
0.911636835
0.93629409
0.863471008
0.448017147

1
1
[(0.26610098)(0.901149745)(0.758874555)(0.659575998)(0.135803897)] = (0.016300109) = 0.633320537

Simulacin 2
ri
0.427851033
0.239088304
0.995227999
0.059932852
0.30756893

1
1
[(0.427851033)(0.239088304)(0.995227999)(0.659575998)(0.059932852)] = (0.00187664) = 0.965888072

Simulacin 3
1
1
[(0.725129324)(0.911636835)(0.93629409)(0.863471008)(0.448017147)] = (0.239437413) = 0.219917418

Simulacin 4
ri
0.73163508
0.643251015
0.580456028
0.312788019
0.33527592

1
1
[(0.73163508)(0.643251015)(0.580456028)(0.312788019)(0.33527592)] = (0.028648164) = 0.546563986

Simulacin 5
ri
0.196842834
0.854359
0.430608981
0.013878213
0.185304556

1
[(0.196842834)(0.854359)(0.430608981)(0.013878213)(0.185304556)]

1
= (0.000186236) = 1.321307377

3) El tiempo entre las llegadas de personas a una esttica sigue una distribucin exponencial con llegadas en promedio de una persona cada 20 minutos. Slo existe un
peluquero que atiende a una persona cada 15 minutos, con una distribucin exponencial. Si hace una promocin, tendr en promedio un cliente cada 10 minutos. El da
de trabajo es de 3 horas.

Tiempo entre llegadas


en mltiplos de hora
0.635575154
0.929357694
0.80446826
0.407532228
0.37388509
0.829834906
0.310875707
0.498924033
0.980579668
0.008765412
0.645586168
0.057919371
0.883594961
0.371079869
0.519183774
0.25845964
0.059739639
0.446710222

Tiempo entre llegadas en


minutos
10.09
26.50
16.32
5.23
4.68
17.71
3.72
6.91
39.41
0.09
10.37
0.60
21.51
4.64
7.32
2.99
0.62
5.92

Tiempo transcurrido
10.09
36.60
52.92
58.15
62.83
80.54
84.27
91.18
130.59
130.68
141.05
141.65
163.15
167.79
175.11
178.11
178.72
184.64

Modelacin Estocstica | 07/06/2016

Entonces, teniendo promocin, y dado que los tiempos entre llegadas son exponenciales, el nmero de clientes que llega es de 6 cada hora y se distribuye como Poisson al
igual que el nmero de clientes que se atienden. Como el da de trabajo es de 3 horas, y tomando como unidad de tiempo 10 minutos, el equivalente en horas es de 6 clientes
por hora con lo que = 6 y la unidad de tiempo 1 hrs. Con esto, en un da de trabajo, en promedio, llegaran 18.
Generamos nmeros pseudoaleatorios entre 0 y 1 distribuidos de manea uniforme y aplicamos = 1/ (1 ), = 1,2,3, para generar los tiempos entre llegadas
exponenciales simulados. Para esto nos ayudamos de Excel tanto en los como introduciendo la frmula para los Luego, se tiene la siguiente tabla para los tiempos entre
llegadas:

Modelacin Estocstica | 07/06/2016

Para simular los tiempos de servicio como una exponencial en donde sabemos que el tiempo de atencin es de 15 minutos, se atienden 4 clientes por hora, con lo que =
4 clientes por hora y lo haremos hasta las 3 horas que dura abierto el servicio. Por lo que se atienden a 12 clientes en total. Nos valemos nuevamente de Excel para generar
nmeros pseudoaleatorios e implementar = 1 ln(1 ) , = 1,2,3, para simular los tiempos de servicio exponenciales. La tabla siguiente tiene los clculos:

Tiempo entre
llegadas en
Tiempo entre
Tiempo
mltiplos de hora llegadas en minutos transcurrido
0.786052487
23.13
23.13
0.986545744
64.63
87.76
0.435234326
8.57
96.33
0.850578365
28.51
124.84
0.955450506
46.67
171.51
0.007036389
0.11
171.62
0.782155319
22.86
194.48
0.314098347
5.66
200.13
0.292175658
5.18
205.31
0.171581876
2.82
208.14
0.259237902
4.50
212.64
0.432051036
8.49
221.12

Por lo que tenemos la siguiente informacin

Tiempos de servicio

Tiempo entre llegadas en minutos

Tiempo transcurrido

Tiempo de servicio en minutos

Tiempo transcurrido

10.09

10.09

23.13

23.13

26.50

36.60

64.63

87.76

16.32

52.92

8.57

96.33

5.23

58.15

28.51

124.84

4.68

62.83

46.67

171.51

17.71

80.54

0.11

171.62

3.72

84.27

22.86

194.48

6.91

91.18

5.66

200.13

39.41

130.59

5.18

205.31

0.09

130.68

2.82

208.14

10.37

141.05

4.50

212.64

0.60

141.65

8.49

221.12

21.51

163.15

4.64

167.79

7.32

175.11

2.99

178.11

0.62

178.72

5.92

184.64

Modelacin Estocstica | 07/06/2016

Tiempo entre llegadas

10

Modelacin Estocstica | 07/06/2016

Entonces tenemos el comparativo entre los tiempos de llegadas y servicios:

11

Tiempo entre llegadas en minutos

Tiempo de servicio en minutos

10.09

23.13

26.50

64.63

16.32

8.57

5.23

28.51

4.68

46.67

17.71

0.11

3.72

22.86

6.91

5.66

39.41

5.18

0.09

2.82

10.37

4.50

0.60

8.49

21.51
4.64
7.32
2.99
0.62
5.92

Por lo que se genera la siguiente tabla con los detalles


Momento en el que el usuario llega Tiempo de espera

Tiempo que permanece


dentro del sistema

Hora
Hora
Momento en el que
Aproximada Aproximada
sale
de entrada de Salida

x1

10.09

23.13

10.09+23.13=33.22

0.17

0.55

x2

10.09+26.50=36.59

64.63

33.22+64.63=97.85

1.6

x3

10.09+26.50+16.32=52.91

52.91+53.51=106.42

0.61
0.8

58.14+76.79=134.93

0.97

2.25

62.82+118.78=181.6

1.05

3.03

80.53+101.18=181.71

1.34

3.03

84.25+120.32=204.57

1.4

3.41

91.16+119.07=210.23

1.52

3.5

130.57+84.84=215.41

2.18

3.59

130.66+87.57=218.23

2.18

3.64

141.03+81.7=222.73

2.35

3.71

141.09+90.13=231.22

2.35

3.85

x4
x5
x6
x7
x8
x9
x 10

97.85-52.91=44.94 8.57+44.94=53.51
106.4210.09+26.50+16.32+5.23=58.14
58.14=48.28
28.51+48.28=76.79
134.9310.09+26.50+16.32+5.23+4.68=62.82 62.82=72.11
46.67+72.11=118.78
10.09+26.50+16.32+5.23+4.68+17.71= 181.680.53
80.53=101.07
0.11+101.07=101.18
10.09+26.50+16.32+5.23+4.68+17.71+ 181.713.72=84.25
84.25=97.46
22.86+97.46=120.32
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91=91.16
204.57-91.16=113.415.66+113.41=119.07
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41=130.57
210.23-130.57=79.665.18+79.66=84.84
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09=130.66
215.41-130.66=84.752.82+84.75=87.57

x 17

10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37=141.03 218.23-141.03=77.2 4.50+77.2=81.7
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60=14
1.09
222.73-141.09=81.648.49+81.64=90.13
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51=262.59
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51+4.64=267.23
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51+4.64+7.32=274.55
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51+4.64+7.32+2.99=277.54
10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51+4.64+7.32+2.99+0.62=278.16

x 18

10.09+26.50+16.32+5.23+4.68+17.71+
3.72+6.91+39.41+0.09+10.37+0.60+21.
51+4.64+7.32+2.99+0.62+5.92=284.08

x 11

x 12

x 13

x 14

x 15

x 16

4.38

4.45

4.58

4.63

4.64

1.7

Modelacin Estocstica | 07/06/2016

Cliente

4.73

12

Se concluye, que los clientes a partir del 13 ya no fueron recibidos dado que llegaron despus de la cuarta hora, por otro lado tenemos que del cliente 7 al cliente 12 a pesar
de que llegaron en tiempo no fueron atendidos porque el servidor estaba ocupado y debido a la sobrecarga no fueron atendidos, slo se pudo atender hasta el cliente 6 , es
decir, que los das con promocin no son rentables para el peluquero que adems de cobrar menos no atiende a todas las personas que llegan, por lo que pierde dinero.
a) Realiza una simulacin de un da sin promocin. El peluquero con promocin cobra 40 pesos y sin promocin cobra 60 pesos. Considerando los resultados de la
simulacin sin promocin responde:

Modelacin Estocstica | 07/06/2016

Para los das sin promocin, tambin los tiempos entre llegadas son exponenciales, el nmero de clientes que llega es de 3 cada hora y se distribuye como Poisson al igual que el
nmero de clientes que se atienden. Como el da de trabajo es de 3 horas, y tomando como unidad de tiempo 20 minutos, el equivalente en horas es de 3 clientes por hora con
lo que = 3 y la unidad de tiempo 1 hrs. Con esto, en un da de trabajo, en promedio, llegaran 9.
Generamos nmeros pseudoaleatorios entre 0 y 1 distribuidos de manea uniforme y aplicamos = 1/ (1 ), = 1,2,3, para generar los tiempos entre llegadas
exponenciales simulados. Para esto nos ayudamos de Excel tanto en los como introduciendo la frmula para los Luego, se tiene la siguiente tabla para los tiempos entre
llegadas:

13

Tiempo entre llegadas en


mltiplos de hora

Tiempo entre llegadas en


minutos

Tiempo
transcurrido

0.743930217

27.25

27.25

0.143911577

3.11

30.35

0.330689428

8.03

38.38

0.481470981

13.14

51.52

0.125550062

2.68

54.20

0.069210176

1.43

55.64

0.667246718

22.01

77.64

0.863557103

39.84

117.48

0.51690299

14.55

132.03

Para simular los tiempos de servicio como una exponencial en donde sabemos que el tiempo de atencin es de 15 minutos, se atienden 4 clientes por hora, con lo que =
4 clientes por hora y lo haremos hasta las 3 horas que dura abierto el servicio. Por lo que se atienden a 12 clientes en total. Nos valemos nuevamente de Excel para generar
nmeros pseudoaleatorios e implementar = 1 ln(1 ) , = 1,2,3, para simular los tiempos de servicio exponenciales. La tabla siguiente tiene los clculos:
Tiempo entre llegadas en
mltiplos de hora

Tiempo entre
llegadas en
minutos

Tiempo
transcurrido

0.287501339
0.696392582
0.408915462
0.866971319
0.224108948
0.338694933
0.246231068
0.314568643
0.94940181
0.032344164
0.770546154
0.964747853

5.08
17.88
7.89
30.26
3.81
6.20
4.24
5.67
44.76
0.49
22.08
50.18

5.08
22.96
30.85
61.11
64.92
71.12
75.36
81.02
125.78
126.28
148.36
198.53

Tiempo entre llegadas

Tiempo entre llegadas en


minutos
27.25
3.11
8.03
13.14
2.68
1.43
22.01
39.84
14.55

Tiempo transcurrido
27.25
30.35
38.38
51.52
54.20
55.64
77.64
117.48
132.03

Tiempos de servicio

Tiempo entre
llegadas en minutos
5.08
17.88
7.89
30.26
3.81
6.20
4.24
5.67
44.76
0.49
22.08
50.18

Tiempo transcurrido
5.08
22.96
30.85
61.11
64.92
71.12
75.36
81.02
125.78
126.28
148.36
198.53

Modelacin Estocstica | 07/06/2016

Por lo que tenemos la siguiente informacin

14

Entonces tenemos el comparativo entre los tiempos de llegadas y servicios:

Tiempo entre llegadas


en minutos
27.25
3.11
8.03
13.14
2.68
1.43
22.01
39.84
14.55

Tiempo entre llegadas


en minutos
5.08
17.88
7.89
30.26
3.81
6.20
4.24
5.67
44.76
0.49
22.08
50.18

Sea por la relacin entre llegadas de cada cliente y el tiempo entre servicio, tenemos que:

Sea 1 el primer cliente: llega al minuto 27.25 y es atendido inmediatamente con lo que el servicio para este es de 5.08 minutos. Por lo que el cliente pasa en el
sistema 5.08 minutos y su salida es en 27.25 + 5.08 = 32.33.

Sea 2 el segundo cliente: llega al minuto 3.11 despus de la llegada del primero, es decir, en 27.25 + 3.11 = 30.36, pero, el servidor est ocupado, por lo que
tiene que esperar 32.33 30.36 = 1.97, permaneciendo en el sistema 17.88 + 1.97 = 19.85 minutos -tiempo en el que es atendido y adems tuvo que esperar-;
posteriormente sale en 32.33 + 19.85 = 52.18 minutos.

Sea 3 el tercer cliente, quien llega 8.03 minutos despus del segundo, es decir, al momento 38.39, sin embargo el sistema est ocupado, por lo que tiene que
esperar 52.18 38.39 = 13.79 minutos para ser atendido. En el momento en el que es atendido, el tiempo de servicio es de 7.89 minutos, as que su estancia en el
sistema ser el tiempo de espera ms el tiempo en que lo atienden, es decir 13.79 + 7.89 = 21.68 minutos y su salida ser en el minuto 38.39 + 21.68 = 60.07.

Entonces tenemos la siguiente tabla que resume este hecho:

x1

27.25

Tiempo que
permanece
dentro del
sistema
5.08

x2

27.25+3.11=30.36

32.33-30.36=1.97

17.88+1.97=19.85

32.33+19.85=52.18

x3

27.25+3.11+8.03=38.39

52.18-38.39=13.79

7.89+13.79=21.68

38.39+21.68=60.07

x4

27.25+3.11+8.03+13.14=51.53
27.25+3.11+8.03+13.14+2.68=
54.21
27.25+3.11+8.03+13.14+2.68+
1.43=55.64
27.25+3.11+8.03+13.14+2.68+
1.43+22.01=77.65
27.25+3.11+8.03+13.14+2.68+
1.43+22.01+39.84=117.49
27.25+3.11+8.03+13.14+2.68+
1.43+22.01+39.84+14.55=132.
04

52.18-51.53=0.65

30.26+0.65=30.91

51.53+30.91=82.44

60.07-54.21=5.86

3.81+5.86=9.67

54.21+9.67=63.88

82.44-55.64=26.8

6.20+26.8=33.00

55.64+33.00=88.64

4.24

77.65+4.24=81.89

5.67

117.49+5.67=123.16

44.76

132.04+44.76=176.8

Modelacin Estocstica | 07/06/2016

Cliente

15

x5
x6
x7
x8

x9

Momento en el que el
usuario llega

Tiempo de espera

Momento en el que
sale
27.25+5.08=32.33

El ltimo cliente entra a las 132.04 que son aproximadamente 2 horas 20 minutos y
sale en el minuto 176.8 que son 3 horas aprox. lo que eso significa es que adems de
que ya no hay ms clientes para entrar, el tiempo del servidor se termin, ya que slo
trabaja tres horas al da. Pero alcanz a atender a todos sus clientes al precio normal.
i) Cuntos clientes llegaron? sin promocin llegaron 9 clientes
ii) A cuntos clientes atendi? sin promocin atiende a 9
iii) Cunto tardaron en promedio en la peluquera? sin promocin en promedio
permanecen 19.42, es decir 0.32 horas.
iv) Cul fue su ganancia? sin promocin 540
v) Cunto tardo en promedio un cliente en la fila? 5.45

b) De la simulacin de un da con promocin. Considerando los resultados de la simulacin con promocin responde:
i) Cuntos clientes llegaron? Con promocin llegaron 18 clientes
ii) A cuntos clientes atendi? Con promocin slo atiende a 6
iii) Cunto tardaron en promedio en la peluquera? Con promocin los que s fueron atendidos en promedio permanecieron en el sistema 73.00 lo que equivale a 1 hora aprox.
Tambin hay que considerar que hubo clientes que permanecieron en espera pero no fueron atendidos, as que considerando a todos los clientes que permanecieron en el sistema
atendidos y no atendidos estuvieron en promedio 81.01, lo cual implica que no hubo mucha diferencia en el tiempo que permanecieron en el sistema
iv) Cul fue su ganancia? Con promocin 240 pesos
v) Cunto tardo en promedio un cliente en la fila? 66.45 lo que equivale a 1.11 horas
c) Haciendo uso de los conocimientos de la unidad 2 y 3, compara resultados y elabora una conclusin del ejercicio. 3. En relacin a lo que vimos en la unidad 2 donde se vio los
modelos de colas, aqu vemos la aplicacin prctica, es decir a casos reales, podemos observar la utilidad de determinar por ejemplo la estancia en el sistema, la estabilidad luego
en relacin a lo visto en la unidad 3, estamos viendo la aplicacin prctica de los nmeros pseudoaleatorios, que a travs de alguna funcin simulamos variables aleatorias, y en
este ejercicio hemos aplicado todos esos conocimientos aprendidos, ahora, por otro lado, como ya lo haba expresado anteriormente, los das con promocin no son rentables
para el peluquero que adems de cobrar menos no atiende a todas las personas que llegan, por lo que pierde dinero, adems de que como llegan ms clientes se satura mucho y
lo nico que gana son clientes insatisfechos, para resolver su problema y ganar ms dinero los das con promocin debe meter otro servidor, para atender la sobrecarga del sistema.

Como los tiempos entre cada disparo se distribuyen por una distribucin normal con media entre disparos de 2 minutos y desviacin estndar de 0.5, tal que para cada combate
se deben generar 3 variables con distribucin normal siendo una por cada barco en el orden A, B, C para saber quin realiza un disparo primero, como lo vemos en el siguiente
ejemplo
A
B
C

0.001813664
0.000188859
0.00086907

En esta simulacin vemos que B dispara primero porque es el de menor valor y le dispara a A que resulta ser el barco ms fuerte entre A y C, ya que tiene el valor ms grande .
El siguiente paso en el proceso es generar nmeros uniformemente distribuidos entre 0 y 1 (pseudoaleatorios) donde por medio de un condicional vemos si las variables
normales, de acuerdo a la probabilidad de cada barco aciertan o no al barco oponente que son el comparativo con los uniformemente distribuidos, considerando en cada caso
que los barcos no disparan simultneamente.
Por lo que para los diez combates tenemos lo siguiente:

Modelacin Estocstica | 07/06/2016

4. Suponga que tres barcos A, B y C se encuentran en combate. La fuerza de cada barco se mide por la probabilidad que tiene de acertar a su oponente al disparar. La probabilidad
que tiene el barco A de eliminar a un oponente es de 0.7 mientras que las probabilidades de B y C son de 0.5 y 0.25 respectivamente. El tiempo entre disparos es una distribucin
normal con media de 2 minutos y desviacin estndar 0.5 entre cada disparo. Un barco siempre disparar al ms fuerte de sus oponentes (o de los que an queden). El combate
continuar hasta que queden uno o ceros barcos. Resuelve utilizando un modelo de simulacin, realiza 10 combates.
Nota: en este caso no existe posibilidad de que los barcos disparen simultneamente ya que el tiempo de disparo es aleatorio.

16

ER
IM
PR

TIEMPO ENTRE
DISPAROS

A
B
C

0.002456305
0.003864669
0.013467541

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.000288757
0.002468838
0.003135986

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.012402236
5.0993E-05
7.44985E-05

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.000231901
8.90888E-05
0.000358804

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.0160916
0.000228038
0.009477284

SI

BARCOS

M
I
AC
UL
N
A
ND
GU
SE
SI
M
I
AC
UL
N

A
ER
RC
TE
SI
M
I
AC
UL
SI
M
I
AC
UL
N

TA
IN
QU
SIM
N
I

AC
UL

Modelacin Estocstica | 07/06/2016

A
RT
AE
CU

17

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.533868906
0.294796315
0.093961919

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.02481655
0.266932589
0.062690853

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.093076343
0.985515341
0.018980962

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.79863763
0.584324193
0.700150473

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.216194285
0.593871301
0.564493834

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
1
0

1
0
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

1
0
0

0
1
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
0
1

0
1
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
1
0

1
0
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
1
0

0
1
0

FORTALEZA GANADOR
0
0
0

0
1
0

FORTALEZA GANADOR
0
0
0

1
0
0

FORTALEZA GANADOR
0
1
0

0
0
1

FORTALEZA GANADOR
1
1
1

0
1
0

FORTALEZA GANADOR
0
1
1

0
1
0

A
B
C

0.020971496
0.013646218
0.001318803

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

3.5022E-05
9.09825E-05
0.010842957

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.001154069
0.000283954
0.00020347

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.00079283
0.003870843
3.80673E-05

BARCOS

TIEMPO ENTRE
DISPAROS

A
B
C

0.006521856
0.003656975
0.008299387

SI

TIEMPO ENTRE
DISPAROS

M
I
AC
UL
N

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.80882059
0.193091702
0.755370413

IM
PT
S
A
SI
I
AC
UL
M
N

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.882661453
0.915211642
0.529129735

VA
TA

OC
SIM
N
I

AC
UL

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.489750787
0.373794226
0.820768082

NO
NA
VE
SI
M
I
AC
UL
N

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.479703829
0.929298061
0.203085463

IM

C
DE
A
SI
M
I
AC
UL
N

NMEROS
UNIFORMEMENTE
DISTRIBUIDOS
0.045042931
0.215325758
0.577376109

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
0
1

1
0
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
1
0

0
1
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
0
1

0
0
1

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
0
1

0
1
0

PROBABILID
AD

MS
EFECTIVO

MAS
FUERTE

0.7
0.5
0.25

0
1
0

0
0
1

FORTALEZA GANADOR
1
0
1

0
0
1

FORTALEZA GANADOR
1
1
1

0
1
0

FORTALEZA GANADOR
0
0
1

0
0
1

FORTALEZA GANADOR
0
1
0

0
0
1

FORTALEZA GANADOR
0
0
1

0
1
0

Modelacin Estocstica | 07/06/2016

A
XT
SE

BARCOS

18

a) Determina el nmero de veces que cada barco gana. = 1, = 5, = 4


b) Determina cunto tiempo en promedio duran los combates. Como el tiempo es la suma de los tiempos entre los disparos, entonces sumamos los tiempos en cada
combate, posteriormente los sumamos y los dividimos entre 10 y nos da:

Tiempo entre
disparos

1
2
3
4
5

0.019788515
0.005893581
0.012527727
0.000679794
0.025796923

Modelacin Estocstica | 07/06/2016

0.035936517

19

6
7
8
9
10
Promedio

0.010968961
0.001641493
0.00470174
0.018478218
0.013641347

c) Suponga que el barco A cuesta $31 millones, el B $40 y el C $35 millones. Cul es el costo esperado utilizando los resultados de tu simulacin? 1,631 millones

4) Dog Chow Company produce una serie de marcas de comida para perros. Uno de sus mejores productos es la bolsa de 50 libras. El presidente de la empresa usa una
mquina muy vieja para cargar las 50 libras de alimento de forma automtica en cada bolsa. Desafortunadamente, dado que la mquina es muy vieja, en ocasiones vierte
ms o menos alimento en las bolsas. Cuando la maquina coloca correctamente 50 libras de alimento en cada bolsa, hay una probabilidad de .10 de que solo cargue 49
libras en la bolsa al siguiente da, y una probabilidad de 0.2 de que cargue 51 libras en cada bolsa al da siguiente. Si hoy la maquina coloca 49 libras de alimento en cada
bolsa, existe una probabilidad de 0.30 de que pondr 50 libras en ellas el da de maana y una probabilidad de 0.2 de que ponga 51 libras en cada bolsa el da de maana.
Adems, si la mquina carga 51 libras en cada bolsa el da de hoy, hay una probabilidad 0.4 de que ponga a 50 libras en cada bolsa maana y una probabilidad de 0.1 de
que ponga 49 en cada bolsa el da de maana.
Simular 4 das de trabajo de la mquina, suponiendo que por da se obtienen 10 bolsas. Suponga que el primer da lleno 50 libras y responde:

49
50
51

SEGUNDO
DIA
PROBABILIDAD
50
0.3
51
0.2
51
0.2
49
0.1
49
0.1
50
0.4

49

50

51

49

0.5

0.3

0.2

50

0.1

0.7

0.2

51

0.1

0.4

0.5

Modelacin Estocstica | 07/06/2016

PRIMER DIA

20

E1

49
50

E2

Modelacin Estocstica | 07/06/2016

E3

21

F(x)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

51

49

50

51

0.5

0.3

0.2

0.1

0.7

0.2

0.1

0.4

0.5

Datos
0.1313
0.3326
0.1733
0.5569
0.5577
0.2663
0.8844
0.8666
0.9210
0.4237
0.2818

r1
0.8215
0.5217
0.2255
0.6602
0.3694
0.6952
0.4489
0.2567
0.2515
0.6236

3 =

Entonces, generamos 10 nmeros pseudoaleatorios entre 0 y 1


distribuidos uniformemente que servirn como datos para simular
primero 10 variables aleatorias de distribucin emprica. Por lo que se
tiene la siguiente tabla:

Para = 0.8215 se tiene (1 ) = 0.8, (2 ) = 0.9 de donde:


1 =

(2 1 )( (1 ))
0.4237 0.9210(0.8215 0.8)
0.4973(0.0215)
+ 1 =
+ 0.9210 =
+ 0.9210 = .
(2 ) (1 )
0.9 0.8
0.1

Para = 0.5217 se tiene (1 ) = 0.5, (2 ) = 0.6 de donde:


2 =

(2 1 )( (1 ))
0.8844 0.2663(0.5217 0.5)
0.6181(0.0217)
+ 1 =
+ 0.2663 =
+ 0.2663 = .
(2 ) (1 )
0.6 0.5
0.1

Para = 0.2255 se tiene (1 ) = 0.2, (2 ) = 0.3 de donde:

(2 1 )( (1 ))
0.5569 0.1733(0.2255 0.2)
0.3836(0.0255)
+ 1 =
+ 0.1733 =
+ 0.1733 = .
(2 ) (1 )
0.3 0.2
0.1

Para = 0.6602 se tiene (1 ) = 0.6, (2 ) = 0.7 de donde:

4 =

(2 1 )( (1 ))
0.8666 0.8844(0.6602 0.6)
0.0178(0.0602)
+ 1 =
+ 0.8844 =
+ 0.8844 = .
(2 ) (1 )
0.7 0.6
0.1

Para = 0.3694 se tiene (1 ) = 0.3, (2 ) = 0.4 de donde:

5 =

(2 1 )( (1 ))
0.5577 0.5569(0.3694 0.3)
0.0008(0.0215)
+ 1 =
+ 0.5569 =
+ 0.5569 = .
(2 ) (1 )
0.4 0.3
0.1

Para = 0.6952 se tiene (1 ) = 0.6, (2 ) = 0.7 de donde:

6 =

(2 1 )( (1 ))
0.8666 0.8844(0.6952 0.6)
0.0178(0.952)
+ 1 =
+ 0.8844 =
+ 0.8844 = .
(2 ) (1 )
0.7 0.6
0.1

7 =

(2 1 )( (1 ))
0.2663 0.5577(0.4489 0.4)
0.2914(0.0489)
+ 1 =
+ 0.5577 =
+ 0.5577 = .
(2 ) (1 )
0.5 0.4
0.1

Para = 0.2567 se tiene (1 ) = 0.2, (2 ) = 0.3 de donde:

8 =

(2 1 )( (1 ))
0.5569 0.1733(0.2567 0.2)
0.3836(0.0568)
+ 1 =
+ 0.1733 =
+ 0.1733 = .
(2 ) (1 )
0.3 0.2
0.1

Modelacin Estocstica | 07/06/2016

Para = 0.4489 se tiene (1 ) = 0.4, (2 ) = 0.5 de donde:

22

Para = 0.2515 se tiene (1 ) = 0.2, (2 ) = 0.3 de donde:

9 =

(2 1 )( (1 ))
0.5569 0.1733(0.2515 0.2)
0.3836(0.0515)
+ 1 =
+ 0.1733 =
+ 0.1733 = .
(2 ) (1 )
0.3 0.2
0.1

Para = 0.6236 se tiene (1 ) = 0.6, (2 ) = 0.7 de donde:

10 =

(2 1 )( (1 ))
0.8666 0.8844(0.6236 0.6)
0.178(0.0236)
+ 1 =
+ 0.8844 =
+ 0.8844 = .
(2 ) (1 )
0.7 0.6
0.1

Modelacin Estocstica | 07/06/2016

Tal que queda de la siguiente manera

23

0.8215
0.5217
0.2255
0.6602
0.3694
0.6952
0.4489
0.2567
0.2515
0.6236

0.8140
0.4004
0.2711
1.0712
0.5570
1.0538
0.4152
0.3911
0.3708
0.9264

Entonces siguiendo el orden que plantea el problema 49, 50 51, y siendo que 50 es lo que marca el problema como primer da consideramos que 0 = (0,1,0) lo que
supone que se empieza con una carga de 50 Lb en las bolsas, entonces tenemos lo siguiente:

50

51

49

E1

50

0.7

0.2

0.1

E2

51

0.4

0.5

0.1

E3

49

0.3

0.2

0.5

F. Acumulada

F. Acumulada

F. Acumulada

E1

E2

E3

0.7

0.4

0.3

0.9

0.9

0.5

Para E1

Para E2

Para E3

Si ri

Si ri

Si ri

[0, 0.7] Pasa Xj = E1

[0, 0.4] Pasa Xj = E1

[0, 0.3] Pasa Xj = E1

(0.7, 0.9] Pasa Xj = E2

(0.4, 0.9] Pasa Xj = E2

(0.3, 0.5] Pasa Xj = E2

(0.9, 1] Pasa Xj = E3

(0.9, 1] Pasa Xj = E3

(0.5, 1] Pasa Xj = E3

Modelacin Estocstica | 07/06/2016

El siguiente paso es elaborar la frecuencia acumulada por rengln para establecer los rangos de cada estado 1, 2, 3 Tal que

24

Ahora comparamos los rangos de cada estado con que son los valores empricos simulados al principio. As se tiene que la primera simulacin para el primer

Modelacin Estocstica | 07/06/2016

da de trabajo con 10 bolsas de alimento. Empezado siempre con E1 que corresponde a las 50lb de acuerdo con 0=(0,1,0), dado que se indica que la mquina
siempre empieza con 50Lb y dado que en la matriz estocstica el orden es 49,50,51

25

Bolsas de Alimento

0.8140

E1

E2

0.4004

E2

E2

0.2711

E2

E1

1.0712

E1

E3

0.5570

E3

E3

1.0538

E3

E3

0.4152

E3

E2

0.3911

E2

E1

0.3708

E1

E1

10

0.9264

E1

E3

Para la segunda simulacin debemos hacer el mismo procedimiento para generar la tabla de , tal que La tabla para esta simulacin es la siguiente:
R1
0.3622
0.6529
0.3983
0.2203
0.9324
0.7543
0.4169
0.3384
0.3599
0.6746
Bolsas de Alimento

0.3622

E1

E1

0.6529

E1

E1

0.3983

E1

E1

0.2203

E1

E1

0.9324

E1

E3

0.7543

E3

E3

0.4169

E3

E2

0.3384

E2

E1

0.3599

E1

E1

10

0.6746

E1

E1

Modelacin Estocstica | 07/06/2016

r1
0.6373
0.3914
0.6296
0.7165
0.8196
0.7746
0.4977
0.2820
0.6378
0.9552

26

Para la tercera simulacin debemos hacer el mismo procedimiento para generar la tabla de , tal que La tabla para esta simulacin es la siguiente:

Modelacin Estocstica | 07/06/2016

r1
0.7065
0.7854
0.6076
0.4359
0.0021
0.1256
0.6586
0.4104
0.8163
0.5197

27

R1
0.2753
0.3129
0.3094
0.3818
0.7579
0.3773
0.7029
0.3450
0.3987
0.4393
Bolsas de Alimento

0.2753

E1

E1

0.3129

E1

E1

0.3094

E1

E1

0.3818

E1

E1

0.7579

E1

E2

0.3773

E2

E1

0.7029

E1

E2

0.3450

E2

E1

0.3987

E1

E1

10

0.4393

E1

E1

Bolsas de Alimento

0.1164

E1

E1

0.6538

E1

E1

0.5725

E1

E1

0.9907

E1

E3

0.5526

E3

E3

0.9085

E3

E3

0.5844

E3

E3

0.8719

E3

E3

0.0416

E3

E1

10

0.6777

E1

E1

Modelacin Estocstica | 07/06/2016

Para la cuarta simulacin debemos hacer el mismo procedimiento para generar la tabla de , tal que La tabla para esta simulacin es la siguiente:
r1
R1
0.1164
0.0742
0.6538
0.9275
0.5725
0.4835
0.9907
0.8548
0.5526
0.4892
0.9085
0.7995
0.5844
0.9504
0.8719
0.7326
0.0416
0.1060
0.6777
0.2985
0.1266
0.0369

28

(1) En los das simulados cuntas veces la mquina funcion correctamente?


En la primera simulacin, en 7 bolsas funcion correctamente, en la segunda simulacin en 16 bolsas funcion correctamente, en la tercer simulacin en 14 bolsas funcion
correctamente y por ltimo en la cuarta simulacin funcion en 10 bolsas correctamente.
(2) Si se tiene un costo por equivocacin de alimento faltante de $15 por bolsa y exceso de alimento de $20 bolsa, cul es el costo promedio de los cuatro das simulados?
SIMULACION

E1 PTIMO

E2
SOBRANTE

E3 FALTANTE

1
2
3
4

7
14
16
10

6
2
4
0

7
4
0
10

COSTO
SOBRANTE
$20.00

COSTO
FALTANTE
$15.00

TOTAL PRDIDA
POR
SIMULACIN

$120.00
$40.00
$80.00
$0.00

$105.00
$60.00
$0.00
$150.00
Costo
Promedio

$225.00
$100.00
$80.00
$150.00
$138.75

Modelacin Estocstica | 07/06/2016

(3) Si el dueo est analizando calibrar la mquina para que el llenado sea exacto a un costo de $4000, tu qu opinas debe hacer (debe hacer la calibracin o no, considera los
resultados de tu simulacin)?

29

Como la simulacin implica el costo de 2 das de trabajo significa que al multiplicar $138.75 15 = 2,081.00 al mes de prdida aproximada lo que al ao representa una
prdida de $24,975.00 eso significa que definitivamente le conviene reparar la mquina porque con dos meses de operacin la prdida por encontrarse descalibrada la mquina
representa el costo de la reparacin,

Se est llevando a cabo el anlisis de los IMECAS de la contingencia ambiental en la zona metropolitana. Con los siguientes datos:
F(x)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Realice la simulacin de 30 das.
r1

r2

dias

Fx1

Fx2

valor
simulado

Fx1

Fx2

valor
simulado

0.6984258
0.95745998
0.02956147
0.53812691
0.1533168
0.3032386
0.81030243
0.78814752
0.04961514

0.76181783
0.4637048
0.16835985
0.15527743
0.69079299
0.86337162
0.75439171
0.67623116
0.1309781

1
2
3
4
5
6
7
8
9

100
180
30
90
45
69
150
120
70

120
201
45
100
55
70
180
150
90

119.6852
192.0666
4.4342
93.8127
50.3317
69.0324
153.0907
146.4443
79.9230

120
70
45
45
10
150
120
100
45

150
90
55
55
120
180
150
120
55

138.5453
82.7410
51.8360
50.5277
109.8723
156.1264
136.3175
115.2462
48.0978

Modelacin Estocstica | 07/06/2016

i)

IMECAS
30
45
55
69
70
90
100
120
150
180
201

30

Modelacin Estocstica | 07/06/2016

31

0.51880619
0.663412
0.95195191
0.1656291
0.54948528
0.74429198
0.04677714
0.04178004
0.32366357
0.53967687
0.07730662
0.71352245
0.86630124
0.41065729
0.3226764
0.43937739
0.59528794
0.15801456
0.72975887
0.14044918
0.12644674

0.97986788
0.50129286
0.04606134
0.31212526
0.09713473
0.58429835
0.04375919
0.76454422
0.42491898
0.98918295
0.0319007
0.24225856
0.60553892
0.73369847
0.86697425
0.453427
0.75109468
0.68490118
0.39601948
0.82225584
0.12248199

10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

90
100
180
45
90
120
70
70
69
90
30
120
150
70
69
70
90
45
120
45
45

100
120
201
55
100
150
90
90
70
100
45
150
180
90
70
90
100
55
150
55
55

91.8806
112.6824
190.9099
51.5629
94.9485
133.2876
79.3554
78.3560
69.2366
93.9677
41.5960
124.0567
169.8904
72.1315
69.2268
77.8755
99.5288
50.8015
128.9277
49.0449
47.6447

180
90
30
69
30
90
30
120
70
180
30
55
100
120
150
70
120
100
69
150
45

201
100
45
70
45
100
45
150
90
201
45
69
120
150
180
90
150
120
70
180
55

196.7723
90.1293
36.9092
69.1213
44.5702
98.4298
36.5639
139.3633
74.9838
198.7284
34.7851
60.9162
101.1078
130.1095
170.0923
80.6854
135.3284
116.9802
69.9602
156.6768
47.2482

ii)

Cuntos das se tendr una calidad de aire buena si se sabe que el rango es de 0 a 50 IMECAS? Para R1 4 das y para R2 6 das

iii)

Cuntos das se tendr pre contingencia (con un rango de 151 a 200)? Para R1 4 das y Para R5 5 das Si el costo para la ciudad es de $20 millones por caer en pre
contingencia diaria, utilizando los resultados de tu simulacin, cul ser el costo en los 30 das simulados? 180,000,000

iv)

Cuntos das se tendr ms de 200? Ninguno

Conclusiones
Para esta evidencia vimos un compendio de lo aprendido en la unidad 2 y 3 aunque siempre se traen conocimientos de la unidad 1 de procesos estocsticos, obviamente de
probabilidad, vimos simulaciones en las que se utilizan los modelos probabilsticos como las cadenas de Markov o teora de colas, aplicamos el uso de variables aleatorias producidas
por pseudoaleatorios a travs de distintos mtodos, la utilidad de todos estos conocimientos sientan una base muy importante para nuestro desarrollo profesional siendo un pilar
muy importante para predecir situaciones de la vida real.

Referencias

Modelacin Estocstica | 07/06/2016

Referencias: http://www.slideshare.net/lupiuxlupiux/simulacion-48530938
http://miweb.yabiru.com.ar/sisop/SIMULACION/simulacion/ejercicios%20resueltos%20digitalizados/EaE/ATT00011.pdf
http://www.buenastareas.com/ensayos/Ejercicios-Modelos-y-Simulacion/26876678.html
https://prezi.com/ewte4pib-qv-/ejercicios-simulacion-de-montecarlo/

32

También podría gustarte