MANUAL DE

OPERACIONES

SIMULACIÓN
ÍNDICE

MÉTODOS CONGRUENCIALES 3

MÉTODO CONGRUENCIAL MIXTO 3

MÉTODO CONGRUENCIAL MULTIPLICATIVO 5

PERIODOS 5

PRUEBAS DE PROMEDIOS 6

PRUEBA DE FRECUENCIA Y CHI CUADRADA 8

PRUEBA DE KOLMOGOROV SMIRNOV 12

PRUEBA DE PÓKER 16

GENERACIÓN DE VARIABLES ALEATORIAS 18

MÉTODO PARA GENERAR VARIABLE ALEATORIA 18

DETERMINACIÓN DEL TAMAÑO DE LA MUESTRA 28

REFERENCIAS 29
 Métodos congruenciales

Método Congruencial mixto

Los generadores congruenciales lineales generan una secuencia de números
pseudoaleatorios en la cual el próximo número pseudoaleatorio es determinado a partir del
último número generado, es decir, el número pseudoaleatorio Xn+1 es derivado a partir del
número pseudoaleatorio Xn La relación de recurrencia para el generador congruencial mixto
es Xn+1 =(a Xn+c) mod m, en donde

Formula: 𝑋𝑛+1 = (𝑎𝑥𝑛 + 𝑐)mod m.

 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

2 6 5(6)+7 mod 8 5 5/8=0.625

37/8

3 5 5(5)+7 mod 8 0 0
32/8

4 0 5(0)+7 mod 8 7 7/8=0.875

7/8

5 7 5(7)+7 mod 8 2 2/8=0.25

42/8

6 2 5(2)+7 mod 8 1 1/8=0.125

17/8

7 1 5(1)+7 mod 8 4 4/8=0.5

12/8

Tabla 1. Generación de números aleatorios por el método congruencial mixto.

Cuando se quiere construir un generador de números aleatorios para simular los

valores de una variable aleatoria, se deben elegir los parámetros de tal manera que se
garantice un periodo largo para que se puedan hacer todos los ensayos de simulación, por
lo tanto se deben tener en cuenta las siguientes condiciones:

 a debe ser un número impar, no divisible ni por 3 ni por 5.

 c usualmente puede ser cualquier constante, sin embargo, para asegurar
buenos resultados, se debe seleccionar a de tal forma que, a mod 8 = 5 para
una computadora binaria, o a mod 200 = 21 para computadora decimal.
 m debe ser el número entero más grande que la computadora acepte.

De acuerdo con Hull y Dobell, los mejores resultados para un generador

congruencial mixto en una computadora binaria son:
• c = 8*a±3
• a = cualquier entero
• X0 = Cualquier entero impar.
• M = 2b donde b >2 y que m sea aceptado por la computadora.
 Método Congruencial Multiplicativo

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:

n Xn (11 Xn ) mod 8 Xn+1 No. aleatorios

(residuo)
0 8 11(8) mod 128 0 88/128=0.6875
88/128=0.6875

1 88 11(88) mod 128 72 72/128=0.5625

968/128=72
2 72 11(72) mod 128 24 24/128=0.1875
792/128=24
3 24 11(24) mod 128 8 8/128=0.0625
264/128=8
4 8 11(8) mod 128 0 88/128=0.6875
88/128=0.6875
5 88 11(88) mod 128 72 72/128=0.5625
968/128=72
6 72 11(72) mod 128 24 24/128=0.1875
792/128=24
Tabla 2. Generación de números aleatorios por el método congruencial multiplicativo.

Periodos
Si m = 10d y d <= 5 entonces

P= 5 *10d-2

Si m = 2d y d< 5 entonces

P= MCM {𝜆 (𝑃1𝑑1 ), 𝜆 (𝑃2𝑑2 ), … 𝜆 (𝑃𝑛𝑑𝑛 )}

λ (2) = 1 λ (4) = 2

𝜆 λ (2d ) = 2d-2 λ si d>=3

 𝜆 λ (Pd ) = Pd-1 (P-1) si P>=2

En un sistema binario

P= 2d-2 ó mod /4

Pruebas de promedios

x
Fórmulas: Z0  N
S

Para números uniformes μ = .5 y S = 1 / 12

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

No se acepta la hipótesis de que la hoy en día la vida en promedio sea mayor a 70

años.
Nota: Para ejercicios de pruebas de promedios se usa la tabla normal.
Existe 1 tabla normal que está distribuida en tres tipos de tablas normales.

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

Para usar la tabla debemos familiarizarnos con ella y observar:

En la primera columna de la tabla aparece el entero y primer decimal del valor de
Z, vemos que los valores van desde -3,4 a 3,3. En la primera fila (arriba), aparece el
segundo decimal del valor de Z y, como es lógico, hay 10 números (0,00 a 0,09).

Entonces, para nuestro valor de Z = 2.022 buscaremos 2.0 en la primera columna

de la tabla y 0.02 en la primera fila de la tabla. Trazaremos líneas perpendiculares desde
esos valores y llegaremos a un número en el cuerpo de la tabla (véase la tabla más abajo,
que tiene marcadas las dos perpendiculares de las que hablamos. El número que
encontramos y que está destacado es: 0,9783.

▪ Por lo tanto, la probabilidad asociada a Z=2.022 es 0,9783, es decir, la probabilidad

de encontrar un valor de Z menor o igual a 2.022 es 0,9783.
 Fórmulas para varianza y media
𝑛
𝑀𝑖𝐹𝑖
𝑋̅ = ∑
𝑁
𝑖=1

𝑆 2 = ∑𝑛𝑖=1 𝑀𝑖 2 𝐹𝑖 − 𝑁𝑋̅ 2

PRUEBA DE FRECUENCIA Y CHI CUADRADA

De uniformidad. (Chi cuadrada o Prueba de Frecuencias)

El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad del

mismo nombre, sirve para someter a prueba hipótesis referidas a distribuciones de
frecuencias. En términos generales, esta prueba contrasta frecuencias observadas con las
frecuencias esperadas de acuerdo con la hipótesis nula. Se describe el uso del estadístico
ji-cuadrado para probar la asociación entre dos variables utilizando una situación hipotética
y datos simulados. Luego se describe su uso para evaluar cuán buena puede resultar una
distribución teórica, cuando pretende representar la distribución real de los datos de una
muestra determinada. A esto se le llama evaluar la bondad de un ajuste. Probar la bondad
de un ajuste es ver en qué medida se ajustan los datos observados a una distribución
teórica o esperada. Para esto, se utiliza una segunda situación hipotética y datos simulados.

(𝐹𝑂𝒾−𝐹𝐸𝒾)2
Fórmula: 𝑋02 = ∑𝑛𝑛=1 𝐹𝐸𝒾

Ejemplo 1.

Realizar la prueba de frecuencias para los números pseudoaleatorios

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

Aquí se le anexa las filas y las columnas

𝑛
(6 − 5)2 (5 − 5)2 (4 − 5)2 (7 − 5)2 (3 − 5)2
𝑋02 = ∑ + + + + = 𝟐, 𝟐𝟓
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:

La tabla de ji-cuadrado tiene en la primera columna los grados de libertad y en la

primera fila la probabilidad asociada a valores mayores a un determinado valor del
estadístico
Los grados de libertad dependen del número de celdas que tiene la tabla de asociación
donde están los datos del problema y su fórmula de cálculo es muy sencilla:

Grados de libertad (gl)=(nº de filas–1)x(nº de columnas–1)

Así, en nuestro ejemplo, en que hay 2 filas y 5 columnas, los grados de libertad
serán:

gl=(2-1)x(5-1)=4

𝑋02 < 11.1433

Ejemplo 2.
Prueba de la Chi cuadrada.
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

Despues de ver la grafica sacamos la media, la varianza y lambda.

Paso 2. Utilizando el formulario calcular los valores de la Media.
Para calcular la media se debe obtener el valor de:

ifi : Se multiplica las muestras de cada intervalo por el número de consultas.

Al finalizar se suman los valores y se divide el total entre el total de muestras con
lo que se obtiene la media.
∑𝑛
𝑖=1 𝜇𝑖𝑓𝑖
Para sacar media: Se utiliza la siguiente formula 𝑥 = 𝑁−1

∑𝑛𝑖=1 𝜇𝑖𝑓𝑖 262

𝑥 = = = 0.5147
𝑁−1 509
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
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

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

Mi Fi MiFi Mi^2Fi P(x) FE

0 315 0 0 0.5725 291
1 142 142 142 0.3192 162
2 40 80 160 0.0890 45
3 9 27 81 0.017 8
4 2 8 32 0.004 2
5 1 5 25 0.0003 1
Total 509 262 440 1 509

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

Paso 5. Se comprueba si la hipótesis es correcta de acuerdo a la tabla de la chi

cuadrada.

𝑍 2 𝛼(𝑛−1) = 𝑍 2 0.05 (6−1) = 𝑍 2 0.05,5 = 12.8325

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.

𝑋02 < 12.8325

5.3675 < 12.8325

Se acepta la H0.

PRUEBA DE KOLMOGOROV SMIRNOV

 Esta prueba sirve para verificar o negar la hipótesis que un conjunto de observaciones
provienen de una determinada distribución. La estadística D que se utiliza en esta prueba
es una medida de la diferencia máxima observada entre la distribución empírica (dada por
las observaciones) y la teórica supuesta. La estadística D es obviamente una variable
aleatoria.

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

Despues de ver la grafica sacamos la media, la varianza y lambda.

Paso 2. Utilizando el formulario calcular los valores de la Media.
Para calcular la media se debe obtener el valor de:

ifi : Se multiplica las muestras de cada intervalo por el número de consultas.

Al finalizar se suman los valores y se divide el total entre el total de muestras con
lo que se obtiene la media.
∑𝑛
𝑖=1 𝜇𝑖𝑓𝑖
Para sacar media: Se utiliza la siguiente formula 𝑥 = 𝑁−1

∑𝑛𝑖=1 𝜇𝑖𝑓𝑖 262

𝑥 = = = 0.5147
𝑁−1 509

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

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) = (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

Entonces 0.0459 < 0.0602

Si es menor
Se acepta que es una distribución de Poisson con 𝜆 = 0.5577 donde la
distribución empírica es de 0.0459 y la teórica 0.0602 la cual tiene una medida de
diferencia mínima.
Después de aplicar las formulas establecidas, la tabla debe quedar de la siguiente manera

# # 𝝁𝒊𝒇𝒊 𝝁𝒊𝟐 𝒇𝒊 FE Pe(X) Po(x) Fresp(x) Fros(x) Dn

consultas intervalos
0 315 0 0 291 0.5729 0.6188 0.5729 0.6188 0.0459
1 142 142 142 162 0.3192 0.2789 0.8917 0.8977 0.006
2 40 80 160 45 0.0890 0.0785 0.9807 0.9762 0.0045
3 9 27 81 8 0.0165 0.0176 0.9972 0.9938 0.0034
4 2 8 32 2 0.0023 0.0039 0.9995 0.9977 0.0018
5 1 5 25 1 0.0002 0.0019 0.9997 0.9996 0.0001
509 262 440 509 .9997

Aquí la tabla de Kolmogorov- Smirnov se usa de la siguiente manera:

Se nos dice que debemos buscar a los mayores cuando alfa sea 0.05 y n sea mayor,
recodemos que n es el número de intervalos así que por eso pusimos 509 y nos viene
quedando algo así d0.05, 509 Lo cual al buscar esto en la tabla se nos muestra esta formula
1.36 1.36
𝑛
lo cual al sustituirla vendría quedando asi =0.0602 y ya con esto se hace la
√ √509
comparativa
Entonces 0.0459 < 0.0602
Y ya se saca la resolución si se acepta la hipótesis o no.

Prueba de póker
 𝑛
(𝐹𝑂𝒾 − 𝐹𝐸𝒾)2
𝑋02 = ∑
𝐹𝐸𝒾
𝑛=1

Paso 1. Seleccionar todos de acuerdo a esta regla

Todos diferentes = 0.3024
Un par = 0.5507
Dos pares = 0.1010
Tercia = 0.07707
Full = 0.0009

Par Dos pares Tercia TD Poker

0.86538 0.5522 0.41911 0.07918 0.00030
0.44592 0.575157 0.11671 0.73825
0.88126 0.94141 0.61511 0.03587
0.4559699 FE=2.06878 0.64777 0.50816
0.23413 FE=1.7987 0.71602
0.74783 0.95624
0.29597 FE=3.03372
0.86447
0.32482
0.1704
0.68202
0.58399
0.24945
0.20642
0.28979
0.40557
0.0346
0.65453
0.10461
0.50576
0.22813
FE=
9.23204

Paso 2. Se sacan las FE y FO

𝑛
(21 − 9.23204)2 (3 − 2.06878)2 (6 − 3.03372)2 (4 − 1.7987)2
𝑋02 = ∑ + + +
9.23204 2.06878 3.03372 1.7987
𝑛=1
(1 − 0.00030)2
+ = 3352.347603
0.00030
𝑋02 < 𝑍2 𝛼(𝑛−1) = 0.05,33 − 1 − 1
 2
𝑋02 < 𝑍 𝛼(𝑛−1) = 0.05,31
3352 <44.9853
Se rechaza H0.

Generación de variables aleatorias

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.

MÉTODO PARA GENERAR VARIABLE ALEATORIA

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:

Tiempo Tabla transformada inversa Tiempo entre

entre llegadas (minutos)
Probabilidad
llegadas
(minutos)
Si 0.00 ≤ R < 0.02 x=20
20 0.02
Si 0.02 ≤ R < 0.10 x=25
25 0.08
Si 0.10 ≤ R < 0.22 x=30
30 0.12
Si 0.22 ≤ R < 0.47 x=35
35 0.25
Si 0.47 ≤ R < 0.67 x=40
40 0.20 Si 0.67 ≤ R < 0.82 x=45
45 0.15 Si 0.82 ≤ R < 0.92 x=50
Si 0.92 ≤ R < 0.97 x=55
50 0.10
Si 0.97 ≤ R < 1.00 x=60
55 0.05
Tabla 4. Tabla transformada inversa de
60 0.03 probabilidad de tiempo de entrega de un producto

Tabla 3. Tabla de probabilidad

de tiempo entre llegadas

Finalmente, por medio de experimentación se han obtenido las distribuciones de

probabilidad del tiempo de servicio para diferentes tamaños de equipo. Tales
distribuciones se muestran a continuación con sus tablas inversas.

Tabla transformada inversa para simular el

tiempo del servicio (tres personas)

Si 0.00 ≤ R < 0.05 x=20

Si 0.05 ≤ R < 0.15 x=25
Si 0.15 ≤ R < 0.35 x=30
Si 0.35 ≤ R < 0.60 x=35
Si 0.60 ≤ R < 0.72 x=40
Si 0.72 ≤ R < 0.82 x=45
 Si 0.82 ≤ R < 0.90 x=50
Si 0.90 ≤ R < 0.96 x=55
Tiempo de
servicio Si 0.96 ≤ R < 1.00 x=60
Probabilidad
(minutos) de
tres personas
20 0.05

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

Tabla 7. Tabla de probabilidad

de tiempo (minutos) servicio de 4 personas
 Tiempo de
servicio
(minutos) Probabilidad Tabla transformada inversa para
de cinco simular el tiempo del servicio
personas
(cinco personas)
10 0.10 Si 0.00 ≤ R < 0.10 x=10
15 0.18 Si 0.10 ≤ R < 0.28 x=15
Si 0.28 ≤ R < 0.50 x=20
20 0.22
Si 0.50 ≤ R < 0.68 x=25
25 0.18 Si 0.68 ≤ R < 0.78 x=30
30 0.10 Si 0.78 ≤ R < 0.86 x=35
Si 0.86 ≤ R < 0.92 x=40
35 0.08
Si 0.92 ≤ R < 0.97 x=45
40 0.06
Si 0.97 ≤ R < 1.00 x=50
45 0.05
Tabla 10. Tabla transformada inversa para simular
50 0.03
el tiempo del servicio (cinco personas) personas

Tabla 9. Tabla de probabilidad

de tiempo (minutos) servicio de 5 personas

Tiempo de Tabla transformada inversa para

servicio
(minutos) de
Probabilidad simular el tiempo del servicio (seis
seis personas personas)
Si 0.00 ≤ R < 0.12 x=5
5 0.12
Si 0.12 ≤ R < 0.27 x=10
10 0.15 Si 0.27 ≤ R < 0.53 x=15
15 0.26 Si 0.53 ≤ R < 0.68 x=20
Si 0.68 ≤ R < 0.80 x=25
20 0.15
Si 0.80 ≤ R < 0.88 x=30
25 0.12 Si 0.88 ≤ R < 0.94 x=35
30 0.08 Si 0.94 ≤ R < 0.98 x=40
35 0.06 Si 0.98 ≤ R < 1.00 x=45
40 0.04 Tabla 12. Tabla transformada inversa para simular
el tiempo del servicio (seis personas) personas
45 0.02

Tabla 11. Tabla de probabilidad

de tiempo (minutos) servicio de 6 personas

Si todo el equipo se considera como un servidor, ¿cuál es el tamaño óptimo del

equipo?
 El análisis de sistemas de colas frecuentemente ilustra la dificultan de construir un
modelo matemático que contenga todos los elementos presentes en el sistema.
Generalmente, los modelos de colas asumen que el tiempo entre llegadas y el tiempo de
servicio siguen una distribución exponencial. También, estos modelos asumen que la
cantidad de clientes que llegan al sistema por unidad de tiempo y la cantidad de clientes
que el sistema sirve por unidad de tiempo siguen una distribución poisson. Además de las
anteriores suposiciones, estos modelos generalmente asumen que:
1) La fuente que alimenta al sistema es de tamaño infinito
2) El sistema ha alcanzado el estado estable
3) La disciplina de servicio es primeras entradas-primeras salidas
4) Los clientes que llegan al sistema se unen a la cola
5) Los clientes que están en la cola, permanecerán en ella hasta que sean servidos
6) Los clientes llegan en forma individual
7) Las salidas del sistema son en forma individual.

Estas suposiciones generalmente originan que las decisiones que se toman con
base en estos modelos no sean confiables.

En muchas situaciones, sin embargo, el sistema de colas puede tener características

especiales importantes. Puede tener etapas transientes y de estado estable, puede ser
dependiente, o formar parte de un grupo de facilidades independientes. Puede tener
prioridades de servicio, o algunos clientes que llegan al sistema cuando la cola es
excesivamente grande pueden rehusar entrar al sistema. También, puede ser que la fuente
que alimenta al sistema sea infinita. La exclusión de tales características especiales puede
distorsionar la naturaleza verdadera del sistema, por lo cual deberán ser consideradas en
la modelación del mismo.
Si hay varias características especiales importantes, una modelación matemática
completa resultaría difícil o casi imposible. En tales situaciones, el análisis completo del
sistema puede ser logrado a través del uso de la técnica de simulación.
En el sistema de colas que se analiza, existen tres elementos estocásticos que deben
ser considerados. Estos elementos son: el número de camiones esperando ser servidos al
momento de abrir sus puertas el almacén, el tiempo entre llegadas y el tiempo de servicio.
La variable de decisión para este modelo es la cantidad de personas que formaran el equipo
que se encarga de descargar los camiones. Por lo consiguiente, para evaluar el
funcionamiento del sistema de acuerdo a diferentes tamaños de equipo, costos totales por
turno son acumulados.
La simulación de este sistema de colas puede ser realizada de dos maneras:1)
incrementos a tiempo fijos o 2) incrementos al próximo evento. Ambos procedimientos
actualizan el estado del sistema de acuerdo a los eventos que ocurren en un intervalo
específico de tiempo.
La diferencia entre estos procedimientos es la manera en la cual los incrementos son
especificados.
 En incrementos a tiempo fijo el tiempo es adelantado en intervalos fijos de tiempo.
Por ejemplo, el tiempo puede ser adelantado en intervalos de 30 minutos. Cuando el reloj
de la simulación es adelantado en eta unidad de tiempo, el sistema es actualizado al
considerar todos los eventos que ocurrieron durante ese intervalo de tiempo. El sistema
ahora está en un nuevo estado y listo para que el proceso sea repetido.
En incrementos al próximo evento el reloj de la simulación es adelantado por el
tiempo entre eventos. Por ejemplo, si el tiempo entre el cuarto y el quinto evento es de 10
minutos, el reloj de la simulación es adelantado por ese lapso de tiempo y del sistema que
se está analizando.
Paso 2. Para entender el proceso de simulación de este sistema de colas, una
simulación manual de un turno de operación es presentada en la tabla siguiente. El tamaño
de equipo utilizado para esta simulación es de tres personas. También, para esta simulación
se utilizó el método de la transformada inversa para simular: los camiones que esperan al
empezar a operar el almacén, el tiempo entre llegadas y el tiempo de servicio.
De acuerdo con los resultados mostrados en la tabla 13 a las 11 p.m., cuando se
inician las operaciones un camión está esperando para ser servido (numero aleatorio
0.21063232). El servicio empieza a las 11 p.m., y continua por 40 minutos (numero aleatorio
0.69989014, que de acuerdo a la tabla 6 (equipo de 3 personas corresponde a un servicio
de 40 minutos). El próximo arribo ocurre 30 minutos después (número aleatorio 0.7583618,
que de acuerdo a la tabla 4 de 30 minutos), consecuentemente, el reloj de la simulación es
adelantado a las 11:30. Como el primer camión se termina de descargar a las 11:40.,
entonces, hasta este momento se iniciara la descarga del segundo camión. Esto significa
que no hubo tiempo de ocio. El tiempo de servicio para el segundo camión es de 25 minutos
(numero aleatorio 0.077697754, que de acuerdo a tabla 6 corresponde a un tiempo de
servicio de 25 minutos) el proceso continua para el resto del turno en una forma similar.
Nota: Los números aleatorios que se usaron para elaborar este ejemplo fueron
generados por un programa realizado en java, este programa debe ser validar que los
números no se repiten.
 Tabla de simulación de las operaciones de descarga durante un turno (equipo de cuatro)
Tiempo Hora Tiempo Tiempo de
Tabla de simulación
No. de las operaciones de descarga
Inicia el durante
No. un turno (equipo de tres)
Terminación Ocio
entre de de espera del
Pseudoaleatorio Servicio Aleatorio del servicio personal Tiempo de
No. Tiempo llegada llegada servicio
Tiempo Ocio camión
Hora de Inicia el Terminación espera del
Pseudoaleato entre 11:00 No.0.61102295
11:00 Aleatorio de 35 11:35 personal
llegada Servicio del servicio camión
rio llegada
0.963562 55 11:55 11:55 0.03765869 servicio 15 12:10 (minutos)20 (minutos)
0.6030884 40
11:0012:35 11:00 12:35 0.69989014
0.64471436 35
40 01:10
11:40 25
Tabla 14. Tabla
0.4269409230 de simulación
35 de las operaciones de descarga durante un turno (equipo de cuatro)
0.21063232 11:3001:10 11:40 01:100.077697754
0.87701416 45
25 01:55
12:05 10
0.7583618 0.66900635 45 40
12:15 01:50 12:1501:55 0.03387451
0.77264404 15
45 02:10
01:00 10 5
0.947448730.808288655 45
01:1002:35 01:10 02:35 0.8467407
0.8765259 45
50 03:20
02:00 2510
0.3320923 35 01:45 02:00 descanso (30 minutos) 50
0.8883667 02:50 15
0.4147339 0.0825805735 25
02:2003:00 02:50 03:50 0.33843994
0.9347534 45
35 04:35
03:25 50
30
0.763855 45 03:45 descanso
04:35 0.75494385
(30 minutos) 40 04:45 60
0.1909790.062561035 30 25
02:50 04:10 03:5504:45 0.25360107
0.7033081 25
40 05:10
04:35 35
65
0.7687378 0.6567993 45 40
03:35 04:50 04:3505:10 0.48101807
0.7715454 30
45 05:40
05:20 20
60
0.053771973 0.33026123 25 35
04:00 05:25 05:2005:40 0.6466675
0.62371826 35
40 06:15
06:00 15
80
0.91571045 0.043029785 50 25
04:50 05:50 06:0006:15 0.27349854
0.6148071 25
40 06:40
06:40 25
70
0.88922120.735046450 45
05:4006:35 06:40 06:40 0.80584717
0.52020264 30
45 07:10
07:25 5
60
Tabla
0.51190186 0.61102295
13. Tabla 40 de 40
de simulación las 07:15 07:25
operaciones
06:20 07:15
de 0.03765869
descarga durante un turno20
0.5869751 (equipo de 07:35
35 tres)
08:00 5 65
0.91607666 50 07:10 08:00 0.15594482 20 08:20 215
50
20 505

Tabla de simulación de las operaciones de descarga durante un turno (equipo de cinco)

Tiempo Hora Tiempo Tiempo de
No. Inicia el No. Terminación ocio
entre de de espera del
Pseudoaleatorio Servicio Aleatorio de servicio personal
llegada llegada servicio camion
11:00 11:00 0.76434 30 11:30
0.4649 35 11:35 11:35 0.69342 30 12:05 5
0.09588 25 12:00 12:05 0.96893 45 12:50 5
0.45367 35 12:35 12:50 0.63531 25 01:15 15
0.04656 25 01:00 01:15 0.27899 15 01:30 15
0.75885 45 01:45 01:45 0.51861 25 02:05 15
0.82147 50 02:35 02:35 0.28826 20 02:55 30
descanso (30 minutos)
0.16168 30 03:05 03:30 0.12457 15 03:45 35
0.34051 35 03:40 03:45 0.48443 20 04:05 5
 0.52948 40 04:20 04:20 0.19403 15 04:35 15
0.87945 50 05:10 05:10 0.38824 20 05:30 35
0.69891 45 05:55 05:55 0.81365 35 06:30 25
0.17291 30 06:25 06:30 0.55523 25 06:55
0.10125 30 06:55 06:55 0.71307 30 07:25
160 40

Tabla 15. Tabla de simulación de las operaciones de descarga durante un turno (equipo de cinco)

Tabla de simulación de las operaciones de descarga durante un turno (equipo de seis)

Tiempo Hora Tiempo Tiempo de
No. Inicia el No. Terminación ocio
entre de de espera del
Pseudoaleatorio Servicio Aleatorio de servicio personal
llegada llegada servicio camion
11:00 11:00 0.27349 15 11:15
0.75396 45 11:45 11:45 0.61102 20 12:05 30
0.05535 25 12:10 12:10 0.03765 5 12:15 5
0.23785 35 12:45 12:45 0.64471 20 01:05 30
0.28436 35 01:20 01:20 0.87701 30 01:50 15
Tabla 16. Tabla de simulación de las operaciones de descarga durante un turno (equipo de seis)
0.72564 45 02:05 02:05 0.03387 5 02:10 15
0.18609 30 02:35 02:35 0.87652 30 03:05 25
descanso (30 minutos)
0.77752 50 03:25 03:35 0.93475 35 04:05 10
0.83795 50 04:25 04:25 0.75494 25 04:50 20
0.10418 30 05:05 05:05 0.2536 10 05:15 15
0.14996 30 05:35 05:35 0.48101 15 05:50 20
0.44256 35 06:10 06:10 0.64666 20 06:30 20
0.84088 50 07:00 07:00 0.52022 15 07:15 30
225
Paso 3. Una vez teniendo las tablas de las transformadas se responden a las preguntas
que se nos fueron dadas. De acuerdo a las conclusiones que nosotros sacamos después
de haber visto como está funcionando el sistema.
Simulación de un turno (3 personas)
Salarios = tiempo normal + horas extras
3(8)(25) + ((50)(37.50)) / 60
= 631.25
Espera = operación del almacén + espera del camión
(500 (560))/60 + 100 (505) /60
= 5508.32
Costo total = 6139.57
Simulación de un turno (4 personas)
Salarios = tiempo normal + horas extras
4(8)(25) + ((5)(37.50)) / 60
= 803.125
Espera = operación del almacén + espera del camión
(500 (485))/60 + 100 (215) /60
= 4399.99
Costo total = 5203.11

Simulación de un turno (5 personas)

Salarios = tiempo normal + horas extras
5(8)(25)
=1000
Espera = operación del almacén + espera del camión
(500 (475))/60 + 100 (40) /60
= 4024.99
Costo total = 5024.99

Simulación de un turno (6 personas)

Salarios = tiempo normal + horas extras
6(8)(25)
=1200
Espera = operación del almacén + espera del camión
(500 (465))/60 + 100 (10) /60
= 3891.66
Costo total =5091
Conclusión:
Como se puede apreciar en los resultados, el tamaño óptimo del equipo es de 6
personas. Es la forma más económica de operar el almacén.
 Determinación del tamaño de la muestra

(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

𝑅 𝑠𝑒 𝑎𝑝𝑟𝑜𝑣𝑒𝑐ℎ𝑎 𝑒𝑙 𝑒𝑐ℎ𝑜 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑒𝑠 𝑑𝑒 4𝜎

Z= valor estadístico de la normal
En el siguiente ejemplo ya se formuló todo solo falta obtener el número de
muestras.
Ejemplo1.
Una empresa telefónica. Actualmente se analiza el modelo “TEL1” para el cual se
observa que el intervalo de llamadas diarias es de 120 si su error de estimación desea que
sea menor de +- 6 aparatos. ¿Cuántas muestras debe tomar? Se desea una confiabilidad
del 95%.
R= 4 𝜎
𝜎 = 𝑅/4
D=±6
Z= 1.96 <--- esta es el nivel de confiabilidad que se obtiene con la tabla de la normal cuando
el margen de confiabilidad es de 95%.
120
𝜎= = 30
4

(30 ∗ 1.96)2
𝜂= = 96.04 ≅ 97
62
Se toma como 97 por que no puede haber media muestra.
 REFERENCIAS

Simulación : un enfoque práctico / Coss Bú, Raúl limusa, 2a. / 2008

http://www4.ujaen.es/~mpfrias/TablasInferencia.pdf