Domingo, 31 de julio de 2016

Generacin de variables aleatorias.

Introduccin Buscamos mtodos que nos permitan obtener valores de
variables aleatorias que sigan determinadas distribuciones de probabilidad a
partir de los nmeros aleatorios generados, que siguen la distribucin
Uniforme en el intervalo (0,1).
Hay cuatro mtodos generales de generacin de variables aleatorias y una
serie de mtodos particulares de las distintas distribuciones.
La facilidad de aplicacin de dichos mtodos, as como el coste
computacional asociado a los mismos, vara mucho segn la familia de
variables aleatorias a las que se apliquen.
Normalmente existen varios algoritmos que se pueden utilizar para generar
valores de una determinada distribucin, y diferentes factores que se pueden
considerar para determinar qu algoritmo utilizar en un caso particular.
Desafortunadamente dichos factores suelen entrar en conflicto unos con otros
y a veces se ha de llegar a una solucin de compromiso.
Algunos de estos factores son los siguientes:
Exactitud: se han de obtener valores de una variable con una precisin dada. A
veces se tiene suficiente con obtener una aproximacin y otras no.
Eficiencia: el algoritmo que implementa el mtodo de generacin tiene
asociado un tiempo de ejecucin y un gasto de memoria. Elegiremos un
mtodo que sea eficiente en cuando al tiempo y a la cantidad de memoria
requeridos.
Complejidad: Buscamos mtodos que tengan complejidad mnima, siempre y
cuando se garantice cierta exactitud.

Mtodos para generar variables aleatorias.

Los mtodos ms empleados para la generacin de variables aleatorias son:
-Mtodo de la transformada inversa: Consiste en emplear la distribucin
acumulada F(x) de la distribucin de probabilidad a simular por medio de
integracin; como el rango de F(x) se encuentra en el intervalo de cero (0) a
uno (1), se debe generar un nmero aleatorio para luego determinar el valor de
la variable aleatoria cuya distribucin acumulada es igual a ri. El problema de
este mtodo radica en el hecho que algunas veces se dificulta demasiado la
consecucin de la transformada inversa.
-Mtodo de convolucin: Permite generar una distribucin a partir de la suma
de distribuciones ms elementales o mediante la transformada z.
-Mtodo de aceptacin y rechazo: Cuando f(x) es una funcin acotada y x
tiene un rango finito, como a x b, se utiliza este mtodo para encontrar los
valores de las variables aleatorias. El mtodo consiste en normalizar el rango
de f mediante un factor de escala c, luego definir a x como una funcin lineal
de r, despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el
nmero encontrado se elige al azar dentro del rango (a,b) y r b, se utiliza este
mtodo para encontrar los valores de las variables aleatorias. El mtodo
consiste en normalizar el rango de f mediante un factor de escala c, luego
definir a x como una funcin lineal de r, despus se generan parejas de
nmeros aleatorios r1, r2 y por ltimo si el nmero encontrado se elige al azar
dentro del rango (a, b) y r c f(x) se acepta, en caso contrario se rechaza. El
problema de este mtodo es la cantidad de intentos que se realizan antes de
encontrar una pareja exitosa.

Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x)

se expresa como una mezcla o composicin de varias distribuciones de
probabilidad fi(x) seleccionadas adecuadamente.
Procedimientos especiales: Existen algunas distribuciones estadsticas de
probabilidad en las cuales es posible emplear sus propiedades para obtener
expresiones matemticas para la generacin de variables aleatorias en forma
eficiente. En varios casos se aplica el Teorema Central del Lmite y en otros se
utiliza el mtodo directo para encontrar las variables aleatorias.

Generacin variables

aleatorias discretas:

Poisson, Binomial, y geomtrica.

DISTRIBUCIN DE POISSON.

distribuciones

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 tasa
media conocida, y son independientes del tiempo desde el ltimo evento.
La distribucin fue descubierta por Simen-Denis Poisson (17811840) que
public, junto con su teora de probabilidad, en 1838 en su trabajo Re cherches
sur la probabilit des jugements en matires criminelles et matire civile
("Investigacin sobre la probabilidad de los juicios en materias criminales y
civiles"). El trabajo estaba enfocado en ciertas variables aleatorias N que
cuentan, entre otras cosas, un nmero de ocurrencias discretas (muchas veces
llamadas "arribos") que tienen lugar durante un intervalo de tiempo de
duracin determinada. Si el nmero esperado de ocurrencias en este intervalo
es , entonces la probabilidad de que haya exactamente k ocurrencias (siendo
k un entero no negativo, k = 0, 1, 2, ...) es igual a:

Procesos de Poisson
La distribucin de Poisson, se aplica a varios fenmenos discretos de la
naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante
un periodo definido de tiempo o en una rea determinada) cuando la
probabilidad de ocurrencia del fenmeno es constante en el tiempo o el
espacio. Ejemplos de estos eventos que pueden ser modelados por la
distribucin de Poisson incluyen:

El nmero de autos que pasan a travs de un cierto punto en una ruta

(suficientemente distantes de los semforos) durante un periodo
definido de tiempo).

El nmero de errores de ortografa que uno comete al escribir una

nica pgina.

El nmero de llamadas telefnicas en una central telefnica por

minuto.

El nmero de servidores web accedidos por minuto.

El nmero de animales muertos encontrados por unidad de longitud de

ruta.

El nmero de mutaciones de determinada cadena de ADN despus de

cierta cantidad de radiacin.

El nmero de ncleos atmicos inestables que decayeron en un

determinado periodo de tiempo en una porcin de sustancia radiactiva.
La radiactividad de la sustancia se debilitar con el tiempo, por lo tanto
el tiempo total del intervalo usado en el modelo debe ser
significativamente menor que la vida media de la sustancia.

El nmero de estrellas en un determinado volumen de espacio.

La distribucin de receptores visuales en la retina del ojo humano.

La inventiva de un inventor a travs de su carrera.

Propiedades
El valor esperado de una variable aleatoria con distribucin de Poisson
es igual a y tambin lo es su varianza. Los momentos ms altos de la
distribucin de Poisson son polinomios de Touchard en cuyos
coeficientes tienen un sentido combinatorio. De hecho, cuando el valor
esperado de la distribucin de Poisson es 1, entonces la frmula de
Dobinski dice que el ensimo momento iguala al nmero de
particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un
no entero es igual a (o suelo de ), el cual es el nmero entero ms
grande menor o igual a . Esto tambin es expresado como la funcin
parte entera de . Cuando es un entero positivo, las modas son y

Distribucin emprica
Los percentiles empricos se calculan a partir de la funcin de
distribucin emprica definida por los valores de la serie con la que se
trabaja ordenada desde el valor menor al mayor, y asignando a cada
valor ordenado su probabilidad calculada segn la expresin:
Prob (xi) = i/(N +1 ).
Donde i representa el nmero de orden que ocupa el valor x en la
serie de datos ordenada en orden creciente y N el nmero total de
datos. La probabilidad correspondiente al 20, 40, 50, 60 80 por ciento
se obtienen por interpolacin lineal, considerando las probabilidades
asignadas a cada dato ordenado.
En la teora de la probabilidad y en estadstica, una funcin de
distribucin

acumulada (fda)

describe

la probabilidad de

que

una variable aleatoria real X sujeta a cierta ley de distribucin de

probabilidad se site en la zona de valores menores o iguales a x.

Intuitivamente, asumiendo la funcin f como la ley de distribucin de
probabilidad, la fda sera la funcin con la recta real como dominio,
con imagen del rea hasta aqu de la funcin f, siendo aqu el
valor x para

la variable

aleatoria real X.

La fda asocia a cada valor x, la probabilidad del evento: "la variable X

toma

valores

menores

iguales

x".

Las Funciones de Distribucin Acumulativa se emplean tambin para

especificar la distribucin de variables aleatorias multivariantes.
Para cada nmero real x, una fda est dada por la siguiente definicin:1

Qu es la simulacin de procesos aleatorios manuales?

La simulacin de un sistema sola hacerse en forma manual lo que
acarreaba mucho tiempo y paciencia. Esto restringa tremendamente su
uso. La computadora era an ms lenta.
Procedimiento
1. Recolectar datos de arribo de entidades y procesamiento de las
mismas.
2. Generar nmeros y variables aleatorias ajustados a distribuciones
tericas o empricas

3. Establecer el o los relojes de la simulacin

4. Simular el proceso hasta el tiempo de parada, actualizando el o los
relojes y usando una tabla de simulacin
5. Calcular las estadsticas de las medidas de efectividad y hacer
grficos.

Objetivos del problema:

-Estimar la produccin esperada
- Estimar el tiempo en cola, la longitud de la cola (Inventario en
proceso), proporcin de tiempo la mquina est ocupada (utilizacin de
mquina).
Consideraciones
- Se debe ser consistente y razonable (interpretacin, error de
redondeo, unidades).
-Regla de inicio: Inicialmente (en tiempo cero) el sistema est vaco y
ocioso. Unidades de tiempo: minutos
- Tiempos de arribo: 0.00, 6.84, 9.24, 11.94, 14.53
- Tiempos entre arribos: 6.84, 2.40, 2.70, 2.59, 0.73
- Tiempos de servicio: 4.58, 2.96, 5.86, 3.21, 3.11
- Regla de parada: Parar cuando hayan transcurrido 15 minutos de
tiempo simulado.

Bibliografa:
https://simulacion.files.wordpress.com/2009/10/4-simulacionmanual.pdf
http://alexrosete.orgfree.com/materiales_2004/06Simulacion/Manual_Asignatura-Simulacion_b.pdf
http://www.monografias.com/trabajos101/reemplazoequipos/reemplazo-equipos.shtml
https://es.wikipedia.org/wiki/Archivo:PoissonCDF.png