You are on page 1of 54

INSTITUTO TECNOLÓGICO DE

MORELIA

DEPARTAMENTO DE
INGENIERÍA INDUSTRIAL

SIMULACIÓN
Generación de variables aleatorias

PRESENTA:
M.I. José de Jesús Contreras Navarrete

ENE-JUN 2016
La variabilidad de eventos y actividades se

representa a través de funciones de densidad para

fenómenos continuos y mediante distribuciones de

probabilidad para fenómenos de tipo discreto. Los

principales métodos para generar variables

aleatorias son:
Métodos

1.- Método de transformada inversa.

2.- Método de convolución.

3.- Método de composición.

4.- Método de transformada directa

5.- Método de aceptación y rechazo.


Método de Transformada Inversa

1.- Definir la función de F(X) de la variable a modelar.

2.- Calcular la función acumulada

3.- Despejar la variable aleatoria y obtener la inversa

4.- Generar las variables aleatorias x.


Distribución de probabilidad
Uniforme
Se define como aquella distribución de probabilidad
que tiene la misma probabilidad de ocurrencia en
un intervalo de tiempo.

Función de densidad
𝟏
𝒇(𝒙) =
𝒃−𝒂
Los tiempos de recorrido de la ciudad de Morelia al

distrito federal oscilan entre los 180 y 240 minutos.

A partir de la función de densidad para la

distribución de probabilidad uniforme encontrar la

función generadora de variables aleatorias y con los

números aleatorios siguientes generar 25 valores de

las variables solicitadas


0.94398 0.30651 0.37902 0.07995 0.60757

0.09074 0.93342 0.61021 0.11543 0.60148

0.16653 0.81459 0.21273 0.95321 0.27561

0.99570 0.87080 0.56161 0.08076 0.66929

0.51854 0.53040 0.93264 0.35112 0.29836


Distribución de probabilidad
Exponencial
Se considera un valor de lambda como la media de
los valores

Función de densidad
−λ𝒙
𝒇(𝒙) = λ𝒆
Datos históricos del servicio de atención a clientes

de la fila de un banco, indican que el promedio de

atención es de 12 clientes/hora; desarrolle la

función de densidad hasta encontrar la ecuación

generadora y encuentre 50 valores con los

siguientes números aleatorios.


0.11146 0.20154 0.26429 0.61710 0.88620
0.17534 0.78556 0.85274 0.94188 0.27023
0.48837 0.51173 0.45147 0.43347 0.75342
0.18012 0.52896 0.05508 0.54958 0.69576
0.83666 0.88829 0.18665 0.82165 0.40361
0.65352 0.97854 0.95148 0.88852 0.40898
0.54582 0.07470 0.92130 0.29157 0.89827
0.02717 0.30865 0.33903 0.70206 0.50398
0.33792 0.33313 0.00914 0.61829 0.25259
0.83273 0.96946 0.41812 0.72457 0.64477
0.7249 0.3834 0.5880 0.8814 0.0399

0.6046 0.4927 0.2069 0.3523 0.0913

0.2837 0.2376 0.5121 0.9430 0.5115

0.7910 0.6564 0.3865 0.3124 0.5010

0.9215 0.7208 0.4006 0.9600 0.6150

0.5722 0.9733 0.3174 0.2971 0.8993

0.2957 0.6398 0.3824 0.3226 0.6465

0.3666 0.6216 0.8614 0.3015 0.1023

0.1446 0.3311 0.7914 0.1949 0.8840

0.8141 0.2590 0.0906 0.0689 0.3668


Método de Convolución

𝑯 𝒙 = 𝑭 𝒙 + 𝑮(𝒙)
Método de Convolución
Método de Convolución
Método de Convolución
Método de Convolución

En algunas distribuciones de probabilidad la variable

aleatoria a simular, Y, puede ser generada por la suma

de otras variables aleatorias X, expresada de la

siguiente forma:

𝑌 = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ 𝑋𝑘
Distribución de probabilidad k-
erlang
La variable aleatoria k-erlang con media de 1/λ
puede producirse mediante la generación de k
variables exponenciales

Función de densidad
𝒌
𝟏
𝒀=− 𝒍𝒏 (𝟏 − 𝒓𝒊)
𝒌𝝀
𝒊=𝟏
El tiempo de maquinado para las pastillas

delanteras de un vehículo tipo sedán es de 7

minutos por pieza. Suponiendo que los datos siguen

una distribución 5-erlang. Genere 10 variables

aleatorias e indique el comportamiento de los datos.

Considerando los siguientes ri


Yi ri1 ri2 ri3 ri4 ri5 Minutos/Pieza

1 0.3428 0.0529 0.6853 0.4109 0.1389

2 0.4626 0.4592 0.0362 0.7437 0.2896

3 0.4815 0.8319 0.5661 0.4383 0.9045

4 0.1842 0.0912 0.5695 0.4011 0.1598

5 0.4276 0.9464 0.9921 0.3534 0.7741

6 0.2486 0.9983 0.4577 0.8771 0.9756

7 0.0245 0.5284 0.6123 0.2103 0.3327

8 0.2158 0.8698 0.0850 0.6905 0.1685

9 0.5488 0.4942 0.7858 0.3463 0.5362

10 0.1266 0.4843 0.2025 0.0693 0.3985


Yi ri1 ri2 ri3 ri4 ri5 Minutos/Pieza

1 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

2 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

3 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

4 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

5 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

6 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

7 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

8 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

9 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)

10 (1-ri) (1-ri) (1-ri) (1-ri) (1-ri)


Yi ri1 ri2 ri3 ri4 ri5 Minutos/Pieza

1 0.6572 0.9471 0.3147 0.5891 0.8611

2 0.5374 0.5408 0.9638 0.2563 0.7104

3 0.5185 0.1681 0.4339 0.5617 0.0955

4 0.8158 0.9088 0.4305 0.5989 0.8402

5 0.5724 0.0536 0.0079 0.6466 0.2259

6 0.7514 0.0017 0.5423 0.1229 0.0244

7 0.9755 0.4716 0.3877 0.7897 0.6673

8 0.7842 0.1302 0.9150 0.3095 0.8315

9 0.4512 0.5058 0.2142 0.6537 0.4638

10 0.8734 0.5157 0.7975 0.9307 0.6015


Yi Minutos/Pieza

1 3.2324

2 4.1661

3 8.6805

4 2.5603

5 14.3569

6 18.3574

7 3.3104

8 5.2193

9 5.8965

10 2.2458
Distribución de probabilidad
normal
La variable aleatoria normal con media µ y
desviación estándar σ, puede generarse mediante
el teorema del límite central

Función generadora
𝟏𝟐

𝑵= (𝒓𝒊 − 𝟔)𝝈 + 𝝁
𝒊=𝟏
El volumen de un detergente líquido sigue una

distribución de probabilidad normal con media de

1000 ml y una desviación estándar de 15 mil.

Generar 20 variables aleatorias para modelar el

proceso de llenado y encontrar las siguientes

porbabilidades:
a) P(980<=X<=1010)

b) P(X=>1010)

c) P(X<=980)

d) P(950<=X<=980)
Xi ri1 ri2 ri3 ri4 ri5 ri6 ri7 ri8 ri9 ri10 ri11 ri12 Volumen(Litros)
1 0.163 0.828 0.949 0.615 0.887 0.232 0.133 0.104 0.049 0.482 0.193 0.641
2 0.249 0.218 0.234 0.764 0.545 0.615 0.861 0.497 0.124 0.377 0.25 0.155
3 0.185 0.447 0.645 0.697 0.145 0.027 0.595 0.813 0.824 0.215 0.404 0.704
4 0.871 0.993 0.603 0.741 0.734 0.058 0.818 0.249 0.331 0.805 0.759 0.57
5 0.755 0.844 0.317 0.074 0.151 0.427 0.998 0.394 0.318 0.917 0.378 0.387
6 0.111 0.038 0.391 0.259 0.876 0.812 0.478 0.812 0.066 0.425 0.677 0.559
7 0.528 0.726 0.874 0.989 0.099 0.325 0.639 0.786 0.833 0.118 0.281 0.947
8 0.203 0.132 0.686 0.107 0.895 0.284 0.107 0.082 0.863 0.305 0.507 0.859
9 0.623 0.628 0.769 0.481 0.057 0.271 0.46 0.465 0.902 0.139 0.865 0.995
10 0.373 0.478 0.398 0.233 0.248 0.762 0.678 0.475 0.011 0.345 0.908 0.971
11 0.334 0.228 0.382 0.587 0.624 0.235 0.614 0.26 0.976 0.367 0.601 0.475
12 0.065 0.509 0.967 0.291 0.629 0.092 0.749 0.308 0.74 5E-05 0.267 0.088
13 0.933 0.585 0.002 0.179 0.264 0.234 0.972 0.555 0.588 0.316 0.354 0.368
14 0.939 0.239 0.369 0.561 0.467 0.724 0.956 0.12 0.511 0.219 0.197 0.984
15 0.815 0.846 0.873 0.947 0.371 0.996 0.736 0.332 0.964 0.512 0.655 0.675
16 0.989 0.84 0.567 0.786 0.906 0.08 0.346 0.9 0.541 0.63 0.211 0.785
17 0.937 0.096 0.744 0.522 0.763 0.828 0.457 0.198 0.249 0.376 0.252 0.862
18 0.98 0.884 0.336 0.044 0.68 0.923 0.43 0.092 0.454 0.333 0.003 0.679
19 0.145 0.528 0.58 0.358 0.585 0.384 0.114 0.848 0.8 0.548 0.751 0.212
20 0.161 0.283 0.229 0.061 0.277 0.672 0.617 0.447 0.578 0.937 0.388 0.267
Xi ri1 ri2 ri3 ri4 ri5 ri6 ri7 ri8 ri9 ri10 ri11 ri12 Volumen(Litros)
1 0.163 0.828 0.949 0.615 0.887 0.232 0.133 0.104 0.049 0.482 0.193 0.641 989.159
2 0.249 0.218 0.234 0.764 0.545 0.615 0.861 0.497 0.124 0.377 0.25 0.155 983.317
3 0.185 0.447 0.645 0.697 0.145 0.027 0.595 0.813 0.824 0.215 0.404 0.704 995.514
4 0.871 0.993 0.603 0.741 0.734 0.058 0.818 0.249 0.331 0.805 0.759 0.57 1023.009
5 0.755 0.844 0.317 0.074 0.151 0.427 0.998 0.394 0.318 0.917 0.378 0.387 999.403
6 0.111 0.038 0.391 0.259 0.876 0.812 0.478 0.812 0.066 0.425 0.677 0.559 992.567
7 0.528 0.726 0.874 0.989 0.099 0.325 0.639 0.786 0.833 0.118 0.281 0.947 1017.199
8 0.203 0.132 0.686 0.107 0.895 0.284 0.107 0.082 0.863 0.305 0.507 0.859 985.418
9 0.623 0.628 0.769 0.481 0.057 0.271 0.46 0.465 0.902 0.139 0.865 0.995 1009.843
10 0.373 0.478 0.398 0.233 0.248 0.762 0.678 0.475 0.011 0.345 0.908 0.971 998.190
11 0.334 0.228 0.382 0.587 0.624 0.235 0.614 0.26 0.976 0.367 0.601 0.475 995.245
12 0.065 0.509 0.967 0.291 0.629 0.092 0.749 0.308 0.74 5E-05 0.267 0.088 980.604
13 0.933 0.585 0.002 0.179 0.264 0.234 0.972 0.555 0.588 0.316 0.354 0.368 990.281
14 0.939 0.239 0.369 0.561 0.467 0.724 0.956 0.12 0.511 0.219 0.197 0.984 1004.286
15 0.815 0.846 0.873 0.947 0.371 0.996 0.736 0.332 0.964 0.512 0.655 0.675 1040.843
16 0.989 0.84 0.567 0.786 0.906 0.08 0.346 0.9 0.541 0.63 0.211 0.785 1023.694
17 0.937 0.096 0.744 0.522 0.763 0.828 0.457 0.198 0.249 0.376 0.252 0.862 1004.266
18 0.98 0.884 0.336 0.044 0.68 0.923 0.43 0.092 0.454 0.333 0.003 0.679 997.561
19 0.145 0.528 0.58 0.358 0.585 0.384 0.114 0.848 0.8 0.548 0.751 0.212 997.799
20 0.161 0.283 0.229 0.061 0.277 0.672 0.617 0.447 0.578 0.937 0.388 0.267 983.740
a) P(980<=X<=1010)=0.6562

b) P(X=>1010)=0.2525

c) P(X<=980)=0.09121

d) P(950<=X<=980)=0.0907

COMPROBAR
Distribución de probabilidad
binomial
La variable aleatoria binomial con parámetros n y p
puede ser generada a través de la suma de n
variables con distribución de probabilidad Bernoulli
con parámetros p

Función de densidad
𝒀 = 𝑩𝑬𝟏 + 𝑩𝑬𝟐 + ⋯ 𝑩𝑬𝑵
Un proceso de inspección de calidad para leds de

iluminación artificial se realiza para un lote donde

n=8, con una probabilidad de encontrar un led

defectuoso del 5%, modelar dicho proceso.


Lote ri1 BE1 ri2 BE2 ri3 BE3 ri4 BE4 ri5 BE5 ri6 BE6 ri7 BE7 ri8 BE8 Piezas defectuosas
1 0.93 0.79 0.5 0.29 0.25 0.92 0.77 0.98
2 0.37 0.11 0.53 0.79 0.36 0.88 0.9 0.01
3 0.48 0.99 0.11 0.26 0.29 0.94 0.02 0.52
4 0.64 0.7 0.24 0.67 0.71 0.53 0.77 0.69
5 0.64 0.66 0.94 0.56 0.48 0.28 0.53 0.02
6 0.79 0.82 0.51 0.61 0.63 0.33 0.72 0.76
7 0.03 0.53 0.61 0.41 0.1 0.79 0.47 0.24
8 0.06 0.97 0.48 0.24 0.98 1 0.07 0.05
Lote ri1 BE1 ri2 BE2 ri3 BE3 ri4 BE4 ri5 BE5 ri6 BE6 ri7 BE7 ri8 BE8 Piezas defectuosas
1 0.93 0 0.79 0 0.5 0 0.29 0 0.25 0 0.92 0 0.77 0 0.98 1 1
2 0.37 0 0.11 0 0.53 0 0.79 0 0.36 0 0.88 0 0.9 0 0.01 0 0
3 0.48 0 0.99 1 0.11 0 0.26 0 0.29 0 0.94 0 0.02 0 0.52 0 1
4 0.64 0 0.7 0 0.24 0 0.67 0 0.71 0 0.53 0 0.77 0 0.69 0 0
5 0.64 0 0.66 0 0.94 0 0.56 0 0.48 0 0.28 0 0.53 0 0.02 0 0
6 0.79 0 0.82 0 0.51 0 0.61 0 0.63 0 0.33 0 0.72 0 0.76 0 0
7 0.03 0 0.53 0 0.61 0 0.41 0 0.1 0 0.79 0 0.47 0 0.24 0 0
8 0.06 0 0.97 1 0.48 0 0.24 0 0.98 1 1 1 0.07 0 0.05 0 3
Intervalos de confianza
Debido a la naturaleza aleatoria de los datos,
siempre será necesario determinar la distribución
de probabilidad que siguen y el intervalo de
confianza en las diferentes réplicas

𝒔 𝒔
𝑰𝑪 = 𝝁 − 𝒕𝜶,𝒓−𝟏 , 𝝁 + 𝒕𝜶,𝒓−𝟏
𝒓 𝟐 𝒓 𝟐
Intervalos de confianza
Si se presenta el caso de que los datos
correspondan a una distribución de probabilidad
diferente a la normal, los límites se calculan de la
siguiente forma

𝒔 𝒔
𝑰𝑪 = 𝝁 − ,𝝁+
𝒓𝜶/𝟐 𝒓𝜶/𝟐
Un cliente ha solicitado a una empresa de entrega

internacional, plataformas para el desarrollo de su

software. La empresa realizó 50 pruebas y desea

conocer el aproximado de tiempo en que dichas

plataformas estarán con el cliente. Construya un

intervalo de confianza para conocer los días.

Emplee un nivel de confianza del 90%.


11.172 12.957 10.048 10.005 11.147
8.993 11.218 10.874 11.346 11.528
9.652 11.832 11.081 12.249 10.323
11.570 9.029 12.573 9.119 12.698
11.362 11.856 9.729 9.297 9.230
9.014 12.117 8.043 9.306 11.748
12.334 9.639 11.698 12.206 12.404
12.633 8.507 10.428 12.425 9.101
8.939 8.556 11.164 11.636 8.038
8.186 10.065 11.387 8.816 9.483
𝟏. 𝟒𝟓
𝑰𝑪 = 𝟏𝟎. 𝟓𝟕 − 𝟎. 𝟎𝟓, 𝟒𝟗 ,
𝟓𝟎

𝟏. 𝟒𝟓
𝑰𝑪 = 𝟏𝟎. 𝟓𝟕 + 𝟎. 𝟎𝟓, 𝟒𝟗 ,
𝟓𝟎
𝑳𝑰 = 𝟏𝟎. 𝟐𝟐

𝑳𝑺𝑪 = 𝟏𝟎. 𝟗𝟏
¿Cuál sería el intervalo de tiempo si los datos

siguieran una distribución diferente a la normal?


PRUEBA CHI CUADRADA PARA LA

GENERACIÓN DE VARIABLES ALEATORIAS


Ho: Los datos siguen una distribución de

probabilidad especificada

Ha: Los datos siguen una distribución distinta a

la especificada

REGLA DE RECHAZO

𝑵𝒐 𝒓𝒆𝒄𝒉𝒂𝒛𝒂𝒓 𝑯𝒐 𝒔𝒊 𝑿𝟐𝜶 ≥ 𝑿𝟐
Ventanilla de suministro del medicamento

MISS
Los derechohabientes del MISS (Medical Institute of

Social Security) han presentado quejas por el

deficiente servicio en general y el prolongado

tiempo en que les son suministrados sus

medicamentos, específicamente en ventanilla. El

trabajador social desea validar la información e hizo

una encuesta preguntando lo siguiente:


¿Cuánto tiempo tardan en suministrarles el

medicamento?

La pregunta fue realizada a 100 beneficiarios del

programa. Acorde a las respuestas de la audiencia

quien establece que el tiempo es entre 15 y 19

minutos aproximadamente, el trabajador social

pretende mejorar el servicio, por lo que:


Comparó los tiempos obtenidos con los de otros

hospitales de MISS. El sostiene que es normal que

los pacientes tarden entre 15 y 19 minutos. Con los

datos siguientes validar los supuestos del trabajador

social, considerando un valor de significancia de

0.05.
Tiempo promedio en ventanilla de 100 clientes
17.89 17.34 15.92 15.32 15.18
16.3 18.05 17.46 18.9 17.13
17.69 18.03 18.22 18.08 17.02
17.48 18.35 15.97 17.2 16.17
16.81 17.5 15.47 15.7 17.23
18.18 19.04 18.52 16.46 16.3
17.2 18.91 16.59 18.26 16.78
16.21 15.19 18.22 15.09 17.45
16.03 17.55 18.67 17.74 15.3
17.08 16.17 15.33 16.72 15.76
18.14 16.01 17.59 17.03 15.23
17.46 18.88 16.03 17.96 16.56
17.15 15.35 18.13 17 18.33
17.06 16.32 15.83 18.63 18.61
15.96 16.02 15.41 15.78 15.95
17.54 16.38 17.49 17.95 15.8
17.8 15.9 16.23 16.22 17.84
17.47 17.93 18.68 16.42 16.79
18.43 15.49 17.85 16.09 15.34
18.58 16.36 15.04 16.26 18.44
D.MAYOR 19.04
D.MENOR 15.04
RANGO 4
CLASES 10
AMPLITUD 0.4
INTERVALO FO FE CHI-CUADRADA

15.04<=X<15.44
15.44<=X<15.84
15.84<=X<16.24
16.24<=X<16.64
16.64<=X<17.04
17.04<=X<17.44
17.44<=X<17.84
17.84<=X<18.24
18.24<=X<18.64
18.64<=X<=19.04
TOTAL 100 100
PRUEBA ANDERSON-DARLING
Ho: Los datos siguen una distribución de

probabilidad especificada

Ha: Los datos siguen una distribución distinta a

la especificada

REGLA DE RECHAZO

𝑵𝒐 𝒓𝒆𝒄𝒉𝒂𝒛𝒂𝒓 𝑯𝒐 𝒔𝒊 𝑨𝟐 ≤ 𝑨𝟐𝜶
PARÁMETROS

𝟐𝒊 − 𝟏
𝑺𝒊 = 𝒍𝒏𝑭 𝒀 + 𝐥𝐧(𝟏 − 𝑭(𝒀𝒏+𝟏−𝒊 ) E1
𝒏

𝑺= 𝑺𝒊 E2
𝒊=𝒊

𝑨𝟐 = −𝒏 − 𝑺 E3
Mediante una prueba Anderson-
27 16
Darling, corroborar si los datos
28 16
28 17
siguientes se comportan acorde 28 17
29 20
a una distribución de 29 21
29 21
probabilidad normal, utilice un 30 25
30 26
nivel de significancia del 0.05 30 27
GRACIAS