Vous êtes sur la page 1sur 3

UNIDAD 3. Tarea 1: Investigar y ejemplificar los mtodos para generar variables aleatorias. GENERACION DE VARIABLES ALEATORIAS: INTRODUCCION.

De forma general, el proceso de simulacin necesita la generacin de datos semejantes a los que se producen en la realidad, lo que precisa la posibilidad de generar variables aleatorias de varias distribuciones, por ejemplo la exponencial. El algoritmo concreto a utilizar depender de la distribucin a generar, pero de forma general tendr las siguientes etapas: Caractersticas deseables: Exacto, si es posible (existen mtodos aproximados). Eficiente: Poco almacenamiento, rpido, robusto. Sencillo, fcil de comprender y de implementar. Que precise solo nmeros U (0,1) y, si es posible un nmero genere una variable.

Algunas distribuciones utilizadas son:

A. TRANSFORMACION INVERSA. El mtodo de la transformada (o transformacin) inversa, tambin conocido como mtodo de la inversa de la transformada, es un mtodo para la generacin de nmeros aleatorios de cualquier distribucin de probabilidad continua cuando se conoce la inversa de su funcin de distribucin. Este mtodo es en general aplicable, pero puede resultar muy complicado obtener una expresin analtica de la inversa para algunas distribuciones de probabilidad. El mtodo de la transformada inversa se basa en el siguiente teorema:

Teorema de inversin: Sea X una variable aleatoria con funcin de distribucin de probabilidad acumulada F, continua e invertible, y sea su funcin inversa. Entonces, la variable aleatoria U = F(X) tiene distribucin uniforme en entonces la variable aleatoria . Como consecuencia,

si U es una variable aleatoria uniforme en

satisface la distribucin F.

El problema que resuelve el mtodo de la transformada inversa es el siguiente:


Sea X una variable aleatoria cuya distribucin puede ser descrita por la cdf F. Se desea generar valores de X que estn distribuidos segn dicha distribucin.

Numerosos lenguajes de programacin poseen la capacidad de generar nmeros pseudo -aleatorios que se encuentran distribuidos de acuerdo con una distribucin uniforme standard. Si una variable aleatoria posee ese tipo de distribucin, entonces la probabilidad de que el nmero caiga dentro de cualquier subintervalo (a, b) del intervalo entre 0 a 1 es la longitud del subintervalo, o sea b a. El mtodo de la transformada inversa funciona de la siguiente manera: 1. Se genera un nmero aleatorio a partir de la distribucin uniforme standard; se lo llama u. 2. Se calcula el valor x tal que ; y se lo llama xelegido. 3. Se toma xelegido como el nmero aleatorio extrado de la distribucin caracterizada por F. Ejemplo: Supongamos que se han recogido los tiempos de reparacin de 100 aparatos estropeados. Los datos se resumen en la tabla siguiente en funcin del nmero de observaciones de los distintos intervalos. Por ejemplo, hubo 31 observaciones entre 0 y 0.5 hora, 10 entre 0.5 y 1 hora, y as sucesivamente. INTERVALO (HORA) 0 x 0.5 0.5 x 1.0 1.0 x 1.5 1.5 x 2.0 FRECUENCIA 31 10 25 34 FRECUENCIA RELATIVA 0.31 0.10 0.25 0.34 FRECUENCIA ACUMULADA 0.31 0.41 0.66 1.00

La distribucin verdadera, F(x), de tiempos de reparacin (la curva en la siguiente transparencia) se puede estimar mediante la cdf emprica, F(x) (la parte lineal a trozos).

Funciones de distribucin emprica y terica para los datos de los tiempos de reparacin (X 0). La tcnica de la transformada inversa se aplica directamente para generar variables de tiempo de reparacin, X. Recordando la interpretacin grfica de la tcnica, primero se genera un nmero aleatorio R1, por ejemplo R1 = 0.83, y se obtiene X1 del grfico anterior. De forma simblica esto se escribe como X1 = F-1 (R1) pero algebraicamente, puesto que R1 est entre 0.66 y 1.00, X1 se calcula mediante una interpolacin lineal entre 1.5 y 2.0, es decir X1 = 1.5 + {(R1 - 0.66) / (1 - 0.66)} (2.0 - 1.5) = 1.75 Cuando R1 = 0.83, se puede apreciar que (R1 - 0.66) / (1 - 0.66) = 0.5, por lo que X1 estar a la distancia mitad entre 1.5 y 2.0 ya que R1 est a la distancia mitad entre 0.66 y 1.00 El algoritmo es: Paso 1. Generar R Paso 2. Encontrar el intervalo i en el que cae R, es decir, encontrar i de forma que ri R ri+1 Paso 3. Calcular X mediante X = xi + ai (R - ri)

B. ACEPTACION RECHAZO. Este mtodo se debe a Von Neumann y bsicamente consiste en muestrear una variable aleatoria respecto a una funcin de distribucin apropiada y someter a dicha variable a un test para determinar si se acepta o no. Tcnicamente lo que se hace es expresar la funcin de distribucin respecto a la cual se quiere obtener valores de una variable aleatoria de forma adecuada y as aplicar el mtodo. Se utiliza cuando es imposible o extremadamente difcil expresar x en funcin de la transformada inversa F-1(U). Sea f la funcin densidad de probabilidad. Este mtodo precisa una funcin que sea mayor que f, tal que g(x) f(x) para todo x. g(x) no ser una funcin densidad puesto que c = g(x) dx f(x) dx = 1 Para c , entonces h(x)=g(x)/c es una funcin densidad. Algoritmo: 1. Generar Y teniendo una densidad h. 2. Generar U de U (0,1), independiente de Y. 3. Si U f (Y)/g (Y), entonces hacer XY, sino volver al paso 1. El algoritmo contina haciendo este bucle sobre el paso 1 hasta que se genera un (Y, U) para el que U f (Y)/g (Y) (hasta que aceptamos el valor de Y para Z). La variable aleatoria Z generada por el algoritmo anterior tiene una funcin densidad f. Cmo elegir g? Hay que intentar elegir g de modo que la variable aleatoria Y se pueda generar rpidamente. La probabilidad de aceptar Y debiera ser grande (c prxima a 1), lo que significa que g debe estar prxima a f. Ejemplo: Los tiempos de fallo para una mquina de dulces de elevada produccin estn distribuidos de acuerdo a una gamma con media 2.2 minutos y varianza 2.1 minutos2. Por tanto, 1/ = 2.2 y 1/2 = 2.10, lo que implica que =2.30 y = 0.4545. Paso 1. a = 1.90, b = 3.74 Paso 2. Se genera U1 = 0.832 y U2= 0.021 Paso 3. Se calcula X = 2.3 [0.832 / 0.168]1.9 = 48.1 Paso 4. X = 48,1 > 3,74 ln [(0,832)2(0,021)] = 7,97 , por lo que se rechaza X y se vuelve al paso 2. Paso 2. Se genera U1 = 0,434, y U2 = 0,716. Paso 3. Se calcula X = 2,3(0,434/0,566)1.9 = 1,389. Paso 4. Puesto que X = 1.389 3,74 ln [(0,434)2 (0,716)] = 5,74, se acepta X.

Paso 5. Se divide X por = 1.045 para obtener X = 1.329. Como promedio para generar 1000 variables gamma, se precisan entre 1130 y 1470 intentos lo que supone generar entre 2260 y 2940 nmeros aleatorios.

C. CONVOLUCION. La distribucin de probabilidad de la suma de dos o ms variables aleatorias independientes es llamada la convolucin de las distribuciones de las variables originales. El mtodo de convolucin es entonces la suma de dos o ms variables aleatorias para obtener una variable aleatoria con la distribucin de probabilidad deseada. Puede ser usada para obtener variables con distribuciones Erlang y binomiales. Adems, muchas variables aleatorias incluyendo la normal, binomial, poisson, gamma, erlang, etc., se pueden expresar de forma exacta o aproximada mediante la suma lineal de otras variables aleatorias. El mtodo de convolucin se puede usar siempre y cuando la variable aleatoria x se pueda expresar como una combinacin lineal de K variables aleatorias: X= b1x1+b2x2+.bkxk En este mtodo se necesita generar k nmeros aleatorios (u1, u2,..., uk) para generar (x1, x2,...xk) variables aleatorias usando alguno de los mtodos anteriores y as poder obtener un valor de la variable que se desea obtener por convolucin. En algunos casos, Z puede ser expresado como la suma de variables IID Y1,.., Yr, de forma que Z=Y1+Y2+ +Yr y generar las Yi puede ser ms fcil que generar Z. Algoritmo: 1. Generar IID Y1,.., Yr. 2. Devolver Z=Y1+Y2+...+Yr Ejemplo: Si Z tiene una distribucin Erlang con parmetros r y , entonces Z puede ser expresado como una suma de r exponenciales independientes Yi, cada una con media . Un algoritmo ms eficiente para este ejemplo es: Generar r nmeros aleatorios U (0,1). Colocar Z= - ln (U1U2 ...Ur)= - (lnU1+lnU2+... +lnUr) Nota: No hay que confundir el mtodo de convolucin con el de composicin. En el primero la variable aleatoria X se puede expresar como suma de variables aleatorias Yi mientras en el de composicin la funcin de distribucin de X, F(X), es una suma ponderada de otras funciones de distribucin.

D. DIRECTOS.

Tarea 2: http://es.scribd.com/doc/61799994/EJERCICIOS-DE-DISTRIBUCION-DE-POISSON-resueltos

Vous aimerez peut-être aussi