ANALISIS DE VARIABLES ALEATORIAS POR MEDIO DE

LA SIMULACION SOBRE STAT FIT

ANALYSIS OF RANDOM VARIABLES BY MEANS OF

THE SIMULATION ON STAT FIT

David Antonio Navarrete Cárdenas

Jorge Steven Millán Correa

Universidad de Pamplona, Facultad de Arquitectura e Ingeniería

Ingeniería Industrial
Pamplona, Norte de Santander

Resumen: Se muestra un análisis del comportamiento de las variables aleatorias, por

medio de simulaciones en software, establecido para dos dimensiones, Promodel Stat Fit.
Se logra identificar la variación en las graficas de densidad respecto a la distribución
binomial y Poisson, así como su grado de aceptación y demás parámetros establecidos
para las distribuciones discretas y continuas.

Palabras clave: Variable, simulación, variable estadística, distribución.

Abstract: It shows an analysis of the behavior of the random variables, by means of

simulations in software, established for two dimensions, Promodel Stat Fit. It is possible
to identify the variation in the Graphs of density with respect to the binomial distribution
and Poisson as well as its degree of acceptance and other parameters established for the
discrete and continuous distributions.

Keywords: Variable, simulation, statistical variable, distribution.

1. INTRODUCCIÓN determinar por medio de distribuciones tanto

continuas como discretas.
Las variables aleatorias representan el
comportamiento del entorno real basados en 2. MARCO TEORICO
distribución de probabilidad que cambian
dependiendo de diversos factores, encontramos 2.1 VARIABLES ALEATORIAS DISCRETAS
variables de tipo continuo y discreto aplicando
pruebas tales como la de chi cuadrado, Son las variables aleatorias que toma
kolmogorov, Anderson Darling. Uno de los valores (cuantitativos) discretos. Ejemplos:
softwares de aplicación para la simulación de resultado de lanzar un dado o una moneda, número
distribuciones de probabilidad es el Promodel, que de defectos que tiene cada artículo manufacturado
emplea diferentes aspectos como el estadístico para por la máquina M. Número de clientes que llegan a
determinar los valores de las muestras de estudio. cierto puesto de servicio por unidad de tiempo,
La evaluación de las variables aleatorias se puede número de desconexiones de una red por unidad de

1
tiempo, número de peticiones de acceso a un
servidor por unidad de tiempo, etc. Para construir
un modelo de probabilidad que asigne
probabilidades a los diferentes sucesos en una
variable aleatoria discreta se usan las llamadas
función de probabilidad y función de distribución,
que definimos a continuación.

2.2 VARIABLES ALEATORIAS CONTINUAS

En las variables aleatorias continuas, ya

no se tienen un número finito de valores, sino
infinito. Por tanto, no tiene sentido hablar de la 2.4 PROMODEL
probabilidad de obtener un valor concreto, pues
ésta será siempre cero. Por ejemplo, si ProModel es una tecnología de simulación
consideramos el experimento de seleccionar al azar de eventos discretos que se utiliza para planificar,
un número real comprendido en el intervalo [3,4], diseñar y mejorar sistemas de fabricación, logística
¿cuál es la probabilidad de elegir el número y otros sistemas operativos nuevos o existentes. Le
π(3.1416...). Alhaber infinitos valores todos con las permite representar con precisión los procesos del
mismas posibilidades de ser seleccionados, mundo real, incluyendo su variabilidad inherente e
tendremos que P(3,1416...)=1/∞=0.Y similar interdependencias, con el fin de llevar a cabo un
resultado se obtiene para cualquier variable análisis predictivo sobre los cambios potenciales.
continua. Por tanto, no tiene sentido definir una Optimice su sistema en torno a sus indicadores
variable aleatoria continúa utilizando la función de clave de rendimiento
probabilidad. Con variables continuas, hablaremos La simulación con ProModel es una herramienta
de probabilidades de obtener valores en cierto para replicar procesos de una forma real,
intervalo. Por ejemplo, la probabilidad de tardar accediendo de esta manera a modelos que permiten
más de 10 minutos en realizar una tarea, o la evaluar todas las ideas antes de implementarlas
probabilidad de que una pieza manufacturada tenga directamente en la realidad. La utilización de esta
una longitud comprendida entre 7.5 y poderosa herramienta es una manera innovadora de
7.8centímetros. Para calcular probabilidades con mejorar procesos, reducir costos y demostrar
una variable aleatoria continua usaremos la resultados. El Software ProModel provee
llamada función de densidad, así como la función constructores predefinidos especialmente diseñados
de distribución para replicar el funcionamiento dinámico de un
sistema por complejo que este sea.
2.3 FUNCIÓN DE DENSIDAD
2.4.1 STAT FIT
Sea X una variable aleatoria continua que
toma valores en la recta real. La función de Permite lograr 5 objetivos que apoyan a que tus
densidad, o función de densidad de probabilidad, resultados de Simulación sean confiables:
de X en el punto X=x es una función f(x) ≥ 0 tal
que la probabilidad de obtener un valor entre x1 y Ajuste de Curvas. Te ayuda a encontrar la mejor
x2 es P(x1<X<x2) = Zx2x1f(x)dx. distribución para representar los datos. Stat::fit
utiliza las pruebas de Bondad de Ajuste más
comúnmente conocidas, como son:

- Anderson-Darling.
- Chi-Cuadrada.
- Kolmogorov-Smirnov.

Determinar el número de réplicas para correr un

modelo de simulación.
Determinar el tamaño de la muestra para toma de
tiempos de proceso y transportación.

2
Graficar los datos de entrada, graficar todas las
distribuciones de probabilidad que se pueden GOODNESS OF FIT.
utilizar, hacer estadística descriptiva de datos. La bondad de ajuste de
Excelente opción para difundir el pensamiento un modelo estadístico describe lo bien que encaja
estadístico. un conjunto de observaciones resumen la
discrepancia entre los valores observados y los
valores esperados bajo el modelo en cuestión

AUTO FIT: con esta herramienta se podrán

3. PROCEDIMIENTO
obtener las características de la muestra de manera
automática únicamente indica el tipo de
Para la práctica experimental de
distribución utilizas.
simulación por medio del software Promodel, se
realizan diferentes pasos desde el menú de Fit y
Estadístico
Con la finalidad de obtener los datos
correspondientes a las distribuciones de las
variables aleatorias, 4 ejemplos con una muestra de
50 datos, desde la opción bondaje de ajuste
demostramos el comportamiento de los modelos
respecto a las variaciones y discrepancias Poisson y
binomial.

MENU FIT

SET UP CALCULATIONS: con esta herramienta

se puede seleccionar el tipo de distribución de
nuestros datos
4. RESULTADOS

1.
n=50
Mínimo=0
Máximo=6
Media=2.52
Mediana=2
Moda=2
Varianza= 1.2751
Desviación estándar=1.1292

Distribución Rango Aceptabilidad

Poisson 0.316 Se rechaza

3
Binomial 100 No se rechaza Se obtuvo un nivel de significancia del 0.05

Se obtuvo un nivel de significancia del 0.05 Distribución Chi Kolmogórov-

cuadrado Smirnov
Distribución Chi Kolmogórov- Poisson 0.835 0.0453
cuadrado Smirnov Binomial 0.625 0.027
Poisson 13.2 0.163
Binomial 4.71 0.0835
La Binomial respecto al chi cuadrado y a
Kolmogórov-Smirnov no se rechaza debido a la
La Binomial respecto al chi cuadrado y a gran cantidad de datos que se toman Algo similar
Kolmogórov-Smirnov no se rechaza debido a la le sucede a Poisson debido a que con respecto a las
gran cantidad de datos que se toman para realizar curvas de chi cuadrado y a Kolmogórov-Smirnov
estos cálculos, lo cual conlleva a un correcto no se rechazan ninguna de las dos debido a que
análisis de estos. Por otro lado, Poisson respecto a están tomando los datos suficientes para poder
la gráfica de chi cuadrado es rechazada debido a realizar un correcto análisis
que no se toman la cantidad de datos suficientes
para el análisis respectivo, en cambio respecto a
Kolmogórov-Smirnov no se rechaza por el motivo
de que esta si toma los datos mínimos para realizar
el análisis correcto.

2. 3.
n=50 N=50
Mínimo=1 Mínimo=29480
Máximo=7 Máximo=90565
Una media de 3.84 Media=59483
Mediana=4 Mediana=57019.5
Moda=4 Moda=49566.5
Varianza= 2.95347 Varianza=2.2352e+008
Desviación estándar=1.71857 Desviación estándar=14950.6

Distribución Rango Aceptabilidad Distribución Rango Aceptabilidad

Poisson 100 No se rechaza Normal 100 No se rechaza
Binomial 98.5 No se rechaza Uniforme 8.19 No se rechaza
Exponencial 9.67e-005 Se rechaza

4
Se obtuvo un nivel de significancia del 0.05 4.

En este ejercicio no se puede percibir las gráficas N=50

de Poisson ni la binomial debido a que los números Mínimo=200000
en estos son continuos. Máximo=3800000
Media=1.964e+006
Distribución Kolmogórov- Anderson- Mediana=2000000
Smirnov Darling Moda=2.15e+006
Exponencial 0.276 6.15 Varianza=7.23398e+011
Log normal 0.071 0.593 Desviación estándar=850872
Uniforme 0.122 1.78

Distribución Rango Aceptabilidad

La exponencial respecto a Kolmogórov- Normal 100 Se rechaza
Smirnov y Anderson-Darling se rechaza, debido a Uniforme 8 No se rechaza
que no toma una gran cantidad de datos para la Exponencial Mala Se rechaza
medición del ejercicio. La normal respecto a prueba
Kolmogórov-Smirnov y Anderson-Darling no se
rechaza debido a la gran cantidad de datos que se
toman. La uniforme respecto a Kolmogórov- Se obtuvo un nivel de significancia del 0.05
Smirnov y Anderson-Darling no se rechaza debido
a la gran cantidad de datos que se encuentran En este ejercicio no se puede percibir las gráficas
encerrados en esta. de Poisson ni la binomial debido a que los números
en estos son continuos.

Distribución Kolmogórov- Anderson-

Smirnov Darling
Exponencial 0.28 No evaluada
Log normal 0.111 0.771
Uniforme 0.137 2.15

La exponencial respecto a Kolmogórov-

Smirnov se rechaza y respecto a Anderson-Darling
estadísticamente no se puede calcular. La normal
respecto a Kolmogórov-Smirnov y Anderson-
Darling no se rechaza debido a la gran cantidad de
datos tomados. La uniforme respecto a
Kolmogórov-Smirnov y Anderson-Darling no se
rechaza debido a la gran cantidad de datos que se
encuentran en estas.

5
5. CONCLUSIONES

Encontramos de una forma aproximada la

diferencia que existen cuando se trabaja con el
software Promodel opción de Stat Fit en relación
de los números discretos y los números continuos.
En varias ocasiones las funciones binomial y
Poisson, dependiendo de los datos a evaluar la
hipotesis nula puede ser rechazada o aceptada
respecto al valor estadístico de prueba,
dependiendo del rango que tome cada una de las
distribuciones, puede variar la aceptación del
modelo binomial respecto al Poisson, se observa un
comportamiento similar en la gráfica de densidad
de estas. El software Promodel se empleó como
base referente para los diferentes análisis de cada
una de las distribuciones, teniendo en cuenta
menús de estadísticas y ajustes bondaje. La
evaluación de las variables aleatorias se puede
determinar por medio de distribuciones tanto
continuas como discretas

REFERENCIAS BIBLIOGRAFICAS

Alvarado, H. y Batanero, C. (2007). Dificultades

de comprensión de la aproximación normal a la
distribución binomial. Números,57.
Disponible en: http://www.sinewton.org/numeros.

Batanero, C. (2013). Del análisis de datos a la

inferencia: Reflexiones sobre la formación del
razonamiento estadístico. Cuadernos de
Investigación y Formación en Educación
Matemática, 8(11), 277-291.

Borovcnik, M. (2012). Multiple perspectives on the

concept of conditional probability. Avances de
Investigación en Educación Matemática, 2, 5-27.