Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
OPERACIONES
SIMULACIÓN
ÍNDICE
MÉTODOS CONGRUENCIALES 3
PERIODOS 5
PRUEBAS DE PROMEDIOS 6
PRUEBA DE PÓKER 16
REFERENCIAS 29
Métodos congruenciales
X0 = es la semilla
a =el multiplicador
c = constante aditiva
m = el modulo (m > X0, a,c)
X0, a, c >0
Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir a Xn+c entre el
modulo. Lo anterior significa que los valores posibles de Xn+1 son 0,1,2,3 ....m-1, es decir,
m representa el número posible de valores diferentes que pueden ser generados.
Ejemplo:
Supongamos que se tiene un generador en el cual los valores de sus parámetros
son: a = 5, c = 7, X0 = 4 y m = 8. El generador quedará de la siguiente manera:
Xn+1 = (5 Xn + 7) mod 8
Para obtener el residuo hago una división del resultado de (5 X n + 7)/8, el residuo
se multiplica por el modulo y el resultado de la multiplicación se le resta a la división del
cual solo se toma el valor entero, de esta manera se obtendrá el residuo Xn+1.
n Xn (5 Xn + 7) mod 8 Xn+1 No. aleatorios
(residuo)
0 4 5(4)+7 mod 8 3 3/8=0.375
27/8= 3.375
8*3= 24
27-24= 3
1 3 5(3)+7 mod 8 6 6/8=0.75
22/8
3 5 5(5)+7 mod 8 0 0
32/8
Calcula una sucesión Xn de enteros no negativos, cada uno de los cuales es menor
que M mediante la relación Xn+1= a.Xn (mod M). Es un caso especial de la relación de
congruencia en que c=0, este método se comporta de manera satisfactoria
estadísticamente, es decir, los números generados por medio de este método están
unifórmente distribuidos, y no están correlacionados. Este método tiene un periodo máximo
menor que M, pero se pueden imponer condiciones en a y X 0 de tal forma que se obtenga
el periodo máximo. Desde el punto de vista computacional es el más rápido de todos.
Fórmula: 𝑋𝑛+1 = (𝑎𝑥𝑛 )mod m.
Xn+1 = (11 Xn ) mod 128
X0 = 8
Encontrar X7
Ejemplo:
Periodos
Si m = 10d y d <= 5 entonces
P= 5 *10d-2
Si m = 2d y d< 5 entonces
λ (2) = 1 λ (4) = 2
En un sistema binario
P= 2d-2 ó mod /4
Pruebas de promedios
x
Fórmulas: Z0 N
S
𝑥 −𝜇
|𝑍0 | = ( ) √𝑛
𝜎
Ejemplo 1.
Para números uniformes
0.4615 − 0.5
𝑍0 = √25 = 0.6668
√1
( 12 )
Ejemplo 2.
Una muestra aleatoria de 164 bolsas de palomitas de maíz pesa, en promedio 5.23
onzas con una desviación estándar de 0.24 onzas. Si la hipótesis que se quiere probar es
que el peso medio es de 5.5 onzas. Estime el valor |Zo|.
5.23 − 5.5
𝑍0 = ( ) √164 = 14.40
0.24
Ejemplo 3.
Realizar la prueba de promedios de acuerdo a lo siguiente:
Una muestra aleatoria de 100 muertes registradas en México el año pasado
muestra una vida promedio de 71.8 años. Suponga una desviación estándar poblacional
de 8.9 años ¿Esto parece indicar que la vida media hoy en día mayor de 70 años?
Realice una prueba de promedios para determinar si esto es correcto con un margen de
error del 5%.
Media =71.8
Media muestral= 70
n= 100
𝜎 = 8.9
71.8 − 70
𝑍0 = ( ) √100 = 2.022
8.9
𝑍𝛼/2 = 𝑍2.02 = .9783
1. Cuando Z es negativa por ejemplo que empiece -3.4 y 0.0 inicie con .0003
2. Cuando Z es positiva e inicie con 0.0 y .00 inicie con .5000
3. Cuando Z es positiva y .00 inicie con .0000
En todas las tablas debe de dar el mismo resultado cuando 𝑍𝛼/2 = 𝑍2.02 = .9783
𝑆 2 = ∑𝑛𝑖=1 𝑀𝑖 2 𝐹𝑖 − 𝑁𝑋̅ 2
(𝐹𝑂𝒾−𝐹𝐸𝒾)2
Fórmula: 𝑋02 = ∑𝑛𝑛=1 𝐹𝐸𝒾
Ejemplo 1.
FE = N /i;
N= número de valores pseudoaleatorios.
i = número de intervalos
FO 6 5 4 7 3
FE 5 5 5 5 5
Intervalo 0 - 0.2 0.2- 0.4 0.4 – 0.6 0.6 - 0.8 0.8 - 1
𝑛
(6 − 5)2 (5 − 5)2 (4 − 5)2 (7 − 5)2 (3 − 5)2
𝑋02 = ∑ + + + + =2
5 5 5 5 5
𝑛=1
𝟐 = 𝒆𝒔 𝒂𝒍𝒇𝒂
𝟐 = 𝒔𝒐𝒏 𝒍𝒂𝒔 𝒇𝒊𝒍𝒂𝒔
𝟓 = 𝒔𝒐𝒏 𝒍𝒂𝒔 𝒄𝒐𝒍𝒖𝒎𝒏𝒂𝒔
Entonces alfa es = 0.02
𝑍 2 0.02,4 = 11.1433
La tabla de la chi cuadrada se usa de la siguiente manera:
Así, en nuestro ejemplo, en que hay 2 filas y 5 columnas, los grados de libertad
serán:
gl=(2-1)x(5-1)=4
Distribución Poisson
Mi Fi 350
0 315 300
1 142 250
2 40 200
3 9 150
4 2 100
5 1
50
Total 509
0
1 2 3 4 5 6
Mi Fi
𝜆 = 𝑥 + 𝜎2
𝜆 = 0.5147 + 0.6007 = 0.5577
De acuerdo a la gráfica de Poisson lambda es
𝜆 = 0.5577
Se debe rellenar los campos de la tabla presentada.
Paso 3. Calcular la Probabilidad esperada de cada intervalo de acuerdo a la
fórmula de la distribución identificada para el caso la distribución a probar es una Poisson.
Usamos la fórmula:
e x
P( x)
x!
p (0) .59766
𝑒 −0.5577 ∗ 0.55770
𝑃(0) = p= .30763
(1)0.5729
0!
p (2) .07417
𝑒 −0.5577 ∗ 0.55771
𝑃(1) = p= ) .01358
(30.3192
1!
p (4) 0.00022
𝑒 −0.5577 ∗ 0.55772
𝑃(2) = = 0.0890
2!
𝑒 −0.5577 ∗ 0.55773
𝑃(3) = = 0.0165
3!
𝑒 −0.5577 ∗ 0.55774
𝑃(4) = = 0.0023
4!
𝑒 −0.5577 ∗ 0.55775
𝑃(5) = = 0.0002
5!
Quedando los siguientes resultados
𝑃(0) = 0.5729
𝑃(1) = 0.319
𝑃(2) = 0.089
𝑃(3) = 0.017
𝑃(4) = 0.0023
𝑃(5) = 0.0002
Se aplica la fórmula para conocer 𝑋02 y asi conocer la prueba. Los números marcados
de amarillo se suman para hacer el mismo procedimiento de sumatoria que se hizo en los
demás, esto se hace para tomar todos los valores.
(315−291)2 (142−162)2 (40−45)2 (13−11)2
𝑋02 = ∑𝑛𝑛=1 291
+ 162
+ 45
+ 11
= 5.3675
Para sacar la prueba de bondad y ajuste se usa esta otra formula Z2 α(n−1)
Donde alfa es el margen de error o sea 0.05 ya que se pide una confiabilidad del 95%
N es el número de intervalos.
Se acepta la H0.
Para este ejemplo usaremos los datos del ejercicio anterior agregándole algunas
columnas que requiere el ejercicio.
Dado los siguientes datos de las llamadas de una persona realizar la prueba de
bondad y ajuste.
Paso 1. Primero se grafica para visualizar que tipo de distribución es
Distribución Poisson
Mi Fi 350
0 315 300
1 142 250
2 40 200
3 9 150
4 2 100
5 1
50
Total 509
0
1 2 3 4 5 6
Mi Fi
Media = 0.5147
2
∑𝑛 2
𝑖=1 𝜇𝑖 𝑓𝑖−𝑁𝑥
Ahora para sacar la varianza utilizamos la siguiente formula 𝜎 2 = 𝑁−1
440 − (509 ∗ 0.51472 )
𝜎2 = = 0.6007
508
Para conocer lambda usamos la formula
𝜆 = 𝑥 + 𝜎2
𝜆 = 0.5147 + 0.6007 = 0.5577
𝜆 = 0.5577
Se debe rellenar los campos de la tabla presentada.
Paso 3. Calcular la Probabilidad esperada de cada intervalo de acuerdo a la
fórmula de la distribución identificada para el caso la distribución a probar es una Poisson.
Usamos la fórmula:
e x
P( x)
x!
p (0) .59766
𝑒 −0.5577 ∗ 0.55770
𝑃(0) = (1) .30763
=p0.5729
0!
p (2) .07417
𝑒 −0.5577 ∗ 0.55771
𝑃(1) =
1! (3) .01358
=p0.3192
𝑒 −0.5577 ∗ 0.55772
p (4) 0.00022
𝑃(2) = = 0.0890
2!
𝑒 −0.5577 ∗ 0.55773
𝑃(3) = = 0.0165
3!
𝑒 −0.5577 ∗ 0.55774
𝑃(4) = = 0.0023
4!
𝑒 −0.5577 ∗ 0.55775
𝑃(5) = = 0.0002
5!
Quedando los siguientes resultados
𝑃(0) = 0.5729
𝑃(1) = 0.319
𝑃(2) = 0.089
𝑃(3) = 0.017
𝑃(4) = 0.0023
𝑃(5) = 0.0002
Nota: La suma de las probabilidades debe ser igual a 1 por lo que se redondea el
valor final para que sume 1 quedando .9997
Paso 4. Con los valores calculados de las probabilidades se obtiene el valor
esperado (FE) multiplicando el número total de muestras (509) por la probabilidad
estimada.
0.5725* 509 = 291
0.3192 * 509 = 162
0.0890 *509= 45
0.0165* 509=8
0.004 * 509 = 2
0.003* 509 = 1
Paso 5. Calcular las probabilidades esperadas de acuerdo a lo siguiente:
Para sacar Po(x): Se divide en número de intervalos entre el total de intervalos.
Paso 6. Estimar las probabilidades acumuladas de acuerdo a las siguientes
fórmulas:
Para sacar Fresp(x)=Fresp+P(x) es la fórmula que utilizamos para este apartado.
Para sacar Fros(x)=Fros(x) + Po(x)
Paso 7. Para estimar el valor de kolmogorov se debe identificar la mayor
desviación de las frecuencias acumuladas de acuerdo a:
Dn = máx | Fn (Xi) – Xi | para toda Xi
Dn= Fros(x)-Fresp(x)
Paso 8. Comprobar el valor calculado contra dα,n si Dn < dα,n entonces no se puede
rechazar la hipótesis de que los datos provienen de la distribución planteada.
Dn < dα,n
Aquí con respecto a los valores que nos dio en Dn usamos el valor más grande para
compararlo en la tabla de Kolmorov-Smirnov.
0.0459 < d0.05, 509 en este caso se usa la tabla de Kolmorov-Smirnov y en la tabla
buscamos los mayores cuando alfa sea 0.05 y n sea mayor y el cual nos da una formula
1.36 1.36
𝑛
= = 0.0602
√ √509
Prueba de póker
𝑛
(𝐹𝑂𝒾 − 𝐹𝐸𝒾)2
𝑋02 = ∑
𝐹𝐸𝒾
𝑛=1
Buscamos métodos que nos permitan obtener valores de variables aleatorias que
sigan determinadas distribuciones de probabilidad a partir de los números aleatorios
generados, que siguen la distribución Uniforme en el intervalo (0,1).
Hay cuatro métodos generales de generación de variables aleatorias y una serie de
métodos particulares de las distintas distribuciones. La facilidad de aplicación de dichos
métodos, así como el coste computacional asociado a los mismos, varía mucho según la
familia de variables aleatorias a las que se apliquen.
Normalmente existen varios algoritmos que se pueden utilizar para generar valores
de una determinada distribución, y diferentes factores que se pueden considerar para
determinar qué 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 solución de
compromiso.
Algunos de estos factores son los siguientes:
Exactitud: se han de obtener valores de una variable con una precisión dada. A
veces se tiene suficiente con obtener una aproximación y otras no.
Eficiencia: el algoritmo que implementa el método de generación tiene asociado un
tiempo de ejecución y un gasto de memoria. Elegiremos un método que sea eficiente en
cuando al tiempo y a la cantidad de memoria requeridos.
Complejidad: Buscamos métodos que tengan complejidad mínima, siempre y
cuando se garantice cierta exactitud.
Uno de los métodos más empleados para la generación de variables aleatorias son:
Método de la transformada inversa: Consiste en emplear la distribución acumulada
F(x) de la distribución de probabilidad a simular por medio de integración; como el rango de
F(x) se encuentra en el intervalo de cero (0) a uno (1), se debe generar un número aleatorio
ri para luego determinar el valor de la variable aleatoria cuya distribución acumulada es
igual a ri. El problema de este método radica en el hecho que algunas veces se dificulta
demasiado la consecución de la transformada inversa.
Ejemplo 1.
Método de transformada inversa tomado del libro simulación un enfoque práctico
de Raúl Coss Bu, pag. 88- 98.
Una cadena de supermercados es abastecida por un almacén central. La mercancía
llega a este almacén durante la noche. El personal encargado de descargar la mercancía
consiste en tres personas, las cuales trabajan un turno de ocho horas (de las 11 p.m. a las
7:30 a.m.). Estas personas pueden empezar a tomar sus alimentos a partir de las 3 a.m.,
para terminar a las 3:30 a.m. Si a las 3 a.m., se está descargando un camión, entonces, se
empezara a tomar los alimentos al momento de terminar de descargarlo. El salario por hora
que recibe este personal es de $25. El almacén solo recibe mercancía de las 11 p.m., a las
7:30 a.m.
Si tiempo extra es requerido, el salario percibido por el personal será de $37.50
por hora. Finalmente, se estima que el costo de espera de un camión es $100 por hora y
el costo de tener operando el almacén es de $500 por hora.
Cuando el almacén abre sus puertas a las 11 p.m., puede suceder que haya más
de un camión esperando ser descargado. De información pasada, se sabe que la
distribución de probabilidad del número de camiones que están esperando al momento de
que almacén abre sus puertas, es la siguiente:
Cantidad de
Probabilidad
Camiones
0 0.50
1 0.25
2 0.15
3 0.10
Paso 1. Para sacar la tabla inversa lo que hacemos es lo siguiente:
- Para obtener la tabla transformada inversa de la probabilidad usamos las
probabilidades de la tabla 1 para crear una tabla de rangos en la tabla 2 esto se
hace de la siguiente manera en la columna 1 de la tabla 2 iniciamos con el rango de
si 0.00 ≤ al primer valor del registro 1 y columna 2 de la tabla 1 esto es para el primer
rango. Luego tomamos el valor anterior del rango en este caso 0.50 y lo ubicamos
así 0.50 ≤ a la suma del primer valor de la probabilidad más el segundo el cual nos
da R < 0.75 y así sucesivamente hasta que R sea < 1. Luego ponemos en la cuarta
columna la distribución de la demanda, en este caso inicia de 0 a 3.
- Para una mayor comprensión de lo explicado puede verse mejor con las tablas 1 y
2 mostradas en esta sección.
Las tablas que están a la izquierda son las de las probabilidades a todas esas se
les sacaron sus tablas inversas.
Nota: Esas probabilidades fueron obtenidas de observaciones que se realizaron
con anterioridad, ya las daba el problema.
Cantidad de
Probabilidad
Camiones
0 0.50
1 0.25 Tabla transformada inversa cantidad de camiones
2 0.15
Si 0.0000 ≤ R < 0.50 x=0
3 0.10 R < 0.75
Si 0.50 ≤ x=1
Si 0.75 ≤ R < 0.90 x=2
Si 0.90 ≤ R < 1.00 x=3
Tabla 1. Tabla de probabilidad Tabla 2. Tabla transformada inversa de
de cantidad de camiones probabilidad de cantidad de camiones
Por otra parte, también de información pasada, se sabe que la distribución de probabilidad
del tiempo entre llegadas y ya su tabla inversa, es la siguiente:
25 0.10
30 0.20
35 0.25
40 0.12
45 0.10
50 0.08
55 0.06
60 0.04
Tabla 6. Tabla transformada inversa para simular
el tiempo del servicio (tres personas) personas
Tabla 5. Tabla de probabilidad
de tiempo (minutos) servicio de tres
personas
Tiempo de
servicio Tabla transformada inversa para simular el
(minutos) Probabilidad tiempo del servicio (cuatro personas)
de cuatro
personas
Si 0.00 ≤ R < 0.05 x=15
15 0.05
Si 0.05 ≤ R < 0.20 x=20
20 0.15 Si 0.20 ≤ R < 0.40 x=25
25 0.20
Si 0.40 ≤ R < 0.60 x=30
Si 0.60 ≤ R < 0.75 x=35
30 0.20 R < 0.87
Si 0.75 ≤ x=40
35 0.15 Si 0.87 ≤ R < 0.95 x=45
Si 0.95 ≤ R < 0.99 x=50
40 0.12
Si 0.99 ≤ R < 1.00 x=55
45 0.08
50 0.04
Tabla 8. Tabla transformada inversa para simular
55 0.01 el tiempo del servicio (cuatro personas) personas
Estas suposiciones generalmente originan que las decisiones que se toman con
base en estos modelos no sean confiables.
Tabla 15. Tabla de simulación de las operaciones de descarga durante un turno (equipo de cinco)
(𝜎 𝑍𝛼⁄2 )2
𝜂=
𝑑2
Donde:
d= magnitud de la diferencia entre estimación y parámetro real
𝜎 = 𝐸𝑠𝑡𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑠 𝑚𝑎𝑠 𝑎𝑙𝑡𝑎𝑠 𝑦 𝑚𝑎𝑠 𝑏𝑎𝑗𝑎𝑠, 𝑝𝑎𝑟𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑟
(30 ∗ 1.96)2
𝜂= = 96.04 ≅ 97
62
Se toma como 97 por que no puede haber media muestra.
REFERENCIAS