MÉTODO DE LA TRANSFORMADA
INVERSA
MODELACION Y SIMULACION DE SISTEMAS II
Integrantes:
Edwin Gonzales Castellón
Andoni Barba Noe
Conceptos Previos
Variables Aleatorias no Uniformes, una variable aleatoria es una función que asume
sus valores de acuerdo a los resultados de un experimento aleatorio.
Una variable aleatoria es discreta si su rango de valores es un conjunto finito o infinito.
Una variable aleatoria continua es aquella cuyo rango de valores es cualquier intervalo
de la recta real.
La variabilidad de eventos y actividades se presentan a través de funciones de
densidad para fenómenos continuos, y mediante distribuciones de probabilidad para
fenómenos de tipo discreto. La simulación de estos eventos o actividades se realiza
con la ayuda de la generación de variables aleatorias.
Selección del Método Adecuado
● Exactitud: Se prefiere un método exacto frente a métodos aproximados, como soluciones
numéricas.
● Velocidad: Uno de los datos que se toma en consideración es el °em tiempo de generación
de la variable.
● Espacio: Necesidades de memoria del método utilizado. En general, los métodos no
consumen mucha memoria.
● Simplicidad: Se refiere a la sencillez del método para generar los valores aleatorios con la
distribución de probabilidad deseada.
¿Qué es el
El método de la transformada
método de la inversa es una técnica utilizada
para simular variables aleatorias
transformada continuas a partir de una función
acumulada.
inversa?
El método necesita:
● Definir la función de Densidad f(x) que representa la variable a modelar.
● Calcular la función acumulada F(x).
● Despejar la variable aleatoria x y obtener la función acumulada inversa f(x) -1.
● Generar las variables aleatorias x, por medio de ir sustituyendo los valores con
números pseudoaleatorios(ri ) en la función acumulada inversa.
Esperanza: Varianza:
Para la
Distribución
Función de Densidad:
Exponencial
Se utiliza como modelo para la
distribución de tiempos entre la
presentación de eventos sucesivos.
La variable en esta distribución se Función de distribución Acumulada:
define como el tiempo que ocurre desde
un instante dado hasta que ocurre el
primer suceso.
Función de Distribución Acumulada
Ejemplo:
El tiempo durante el cual cierta marca de
batería trabaja en forma efectiva hasta que
falle se distribuye según el modelo
exponencial, con un tiempo promedio de
fallas igual a 360 días.
Halle la probabilidad que el tiempo que la
batería trabaja hasta que falle sea mayor que
400 días.
DATOS:
X = El tiempo que la batería hasta que falle
P(X > 400)
Función de Densidad
Ejemplo:
El tiempo durante el cual cierta marca de
batería trabaja en forma efectiva hasta que
falle se distribuye según el modelo
exponencial, con un tiempo promedio de
fallas igual a 360 días.
Halle la probabilidad que el tiempo que la
batería trabaja hasta que falle sea mayor que
400 días.
DATOS:
X = El tiempo que la batería hasta que falle
P(X > 400)
Ley de probabilidad
Para la La probabilidad de que al hacer un experimento
aleatorio, el valor de X esté comprendido en cierto
Distribución subintervalo de [a,b] depende únicamente de la
longitud del mismo.
Uniforme
Ejemplo:
Surge al considerar una variable
aleatoria que toma valores La demanda X de un artículo tiene una
equiprobables, en un intervalo finito. distribución uniforme entre 25000 y 30000
unidades. Genere 5 variables aleatorias que
Nuestra variable aleatoria X posee
simularán la demanda del producto X.
distribución uniforme en el intervalo [a,b]
si su función de densidades es:
Función de Distribución
Uniforme
Ejemplo:
La demanda X de un artículo tiene una
distribución uniforme entre 25000 y
30000 unidades.
Genre 5 variables aleatorias que
simularán la demanda del producto X.
Para la VARIABLES ALEATORIAS CONTINUAS:
El muestreo se logra al transformar los
Distribución números aleatorios en una variable
aleatoria continua a partir de la
Empírica distribución especificada
<!-- VARIABLES ALEATORIAS
Para obtener la distribución empírica la
primera distinción que se debe hacer es si DISCRETAS:
se considera que la variable aleatoria es
continua o discreta. Siga buscando joven --!>
Distribución Empírica
VARIABLES ALEATORIAS DISCRETAS:
Ejemplo:
Sea X el número de defectos
importantes en un auto nuevo
seleccionado al azar de cierta marca.
La función acumulativa de x es la
siguiente:
Para la
Distribución
Weibull ● Si ∝ < 1 La tasa de fallos decrece respecto al tiempo
El análisis de Weibull es la técnica ● Si ∝ = 1 La tasa de fallos es constante con el tiempo
mayormente escogida para estimar una ● Si ∝ > 1 La tasa de fallos crece respecto al tiempo
probabilidad basada en datos medidos o
asumidos.
La distribución de Weibull depende de 2
parámetros, parámetro de forma ∝ y
parámetro de escala β
Función de Distribución
Weibull
Ejemplo:
Supongamos que la duración en años
de una batería es una variable
aleatoria que tiene una distribución de
Weibull α=1,5 β=2.
Cuanto tiempo se espera que dure
una batería elegida al azar.
Aplicación de la distribución:
Para la Se emplea para describir varios
procesos. Como las llamadas
Distribución telefónicas, la demanda de servicios en
una institución, los arribos de
Poisson automóviles, el número de accidentes
en un cruce.
La distribución de Poisson, se refiere a
ciertos procesos que pueden ser descritos
con una variable aleatoria discreta.
Donde Lambda “λ” suele representar esa
variable y puede además asumir valores
enteros x(0,1,2,3, etc.).
Función de Distribución
Poisson
Ejemplo:
a) Para exactamente 3 desbordes en
el año.
Una cierta área del Río Grande es
afectado en promedio por 6 desbordes
al año, encuentre la probabilidad de que
en un determinado año esta area sera
afectada por:
a) Exactamente 3 desbordes en el año
b) A lo mucho 2 desbordes en el año
c) Al menos 2 desbordes en el año
Función de Distribución
Poisson
b) A lo mucho 2 desbordes en el año
Función de Distribución
Poisson
c) A lo menos 2 desbordes en el año