1.-INTRODUCCIN: La generacin de variables aleatorias significa la obtencin de variables que siguen una distribucin de probabilidad determinada. Esto es, hasta ahora se trataron los datos observados y se encontr que los mismos ajustan a una distribucin de probabilidad. Ahora, con esta funcin de distribucin de probabilidad se generan datos (matemticamente o por medio de simulacin) que siguen dicha distribucin, entonces, los mismos representan los datos reales.
Distribucin uniforme La distribucin uniforme es la que corresponde a una variable que toma todos sus valores, x 1 , x 2 ... , x k , con igual probabilidad; el espacio muestral debe ser finito. Si la variable tiene k posibles valores, su funcin de probabilidad sera:
donde k es el parmetro de la distribucin (un parmetro es un valor que sirve para determinar la funcin de probabilidad o densidad de una variable aleatoria) La media y la varianza de la variable uniforme se calculan por las expresiones:
El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la distribucin uniforme se le suele llamar distribucin rectangular. 5
Distribucin binomial La distribucin binomial es tpica de las variables que proceden de un experimento que cumple las siguientes condiciones: 1) El experimento est compuesto de n pruebas iguales, siendo n un nmero natural fijo. 2) Cada prueba resulta en un suceso que cumple las propiedades de la variable binmica o de Bernouilli, es decir, slo existen dos posibles resultados, mutuamente excluyentes, que se denominan generalmente como xito y fracaso. 3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas. P(xito) = p ; P(fracaso) = 1 - p = q 4) Las pruebas son estadsticamente independientes, En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en las n pruebas se llama variable binomial. Evidentemente, el espacio muestral estar compuesto por los nmeros enteros del 0 al n. Se suele decir que una variable binmica cuenta objetos de un tipo determinado en un muestreo de n elementos con reemplazamiento. La funcin de probabilidad de la variable binomial se representa como b(x,n,p) siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los parmetros de la distribucin. 6
La manera ms fcil de calcular de valor de nmeros combinatorios, como los incluidos en la expresin anterior, es utilizando eltringulo de Tartaglia
La media y la varianza de la variable binomial se calculan como: Media = = n p Varianza = 2 = n p q Grficamente el aspecto de la distribucin depende de que sea o no simtrica Por ejemplo, el caso en que n = 4: 7
Distribucin multinomial La distribucin multinomial es esencialmente igual a la binomial con la nica diferencia de que cada prueba tiene ms de dos posibles resultados mutuamente excluyentes. Si tenemos K resultados posibles (E i , i = 1, ... , K) con probabilidades fijas (p i , i = 1, ... , K), la variable que expresa el nmero de resultados de cada tipo obtenidos en n pruebas independientes tiene distribucin multinomial.
La probabilidad de obtener x 1 resultados E 1 , x 2 resultados E 2 , etc. se representa como:
Los parmetros de la distribucin son p 1 ,..., p K y n.
8
Distribucin hipergeomtrica Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de N objetos. 2) K de los N objetos se pueden clasificar como xitos y N - K como fracasos. X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los nmeros enteros de 0 a n, de 0 a K si K < n. En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre s. La funcin de probabilidad de la variable hipergeomtrica es:
Los parmetros de la distribucin son n, N y K. Los valores de la media y la varianza se calculan segn las ecuaciones:
Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy poco de una prueba a otra, as pues, la variable, en este caso, es esencialmente binomial; en esta situacin, N suele ser muy grande y los nmeros combinatorios se vuelven prcticamente inmanejables, as pues, la probabilidades se calculan ms cmodamente aproximando por las ecuaciones de una binomial con p = K / N. 9
La media de la variable aproximada ( = n p = n (K / N)) es la misma que la de la variable antes de la aproximacin; sin embargo, la varianza de la variable binomial es ligeramente superior a la de la hipergeomtrica.
el factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto sea que n << N. El aspecto de la distribucin es bastante similar al de la binomial. Como ejemplo, mostramos los casos anlogos a los de las binomiales del apartado anterior (p inicial = 0,25 y n = 4)
Distribucin multihipergeomtrica Este variable se define igual que la hipergeomtrica con la nica diferencia de que se supone que el conjunto de objetos sobre el que se muestrea se divide en R grupos de A 1 , A 2 ,..., A R objetos y la variable describe el nmero de objetos de cada tipo que se han obtenido (x 1 , x 2 ,..., x R )
Esta situacin es anloga a la planteada en el caso de la distribucin multinomial. La funcin de probabilidad es: 10
Distribucin de poisson Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que ocurren en una regin del espacio o del tiempo. El experimento que la genera debe cumplir las siguientes condiciones: 1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior. 2. La probabilidad de un xito en un tiempo o espacio pequeo es proporcional al tamao de este y no depende de lo que ocurra fuera de l. 3. La probabilidad de encontrar uno o ms xitos en una regin del tiempo o del espacio tiende a cero a medida que se reducen las dimensiones de la regin en estudio. Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en las que se cuentan sucesos raros. La funcin de probabilidad de una variable Poisson es:
El parmetro de la distribucin es que es igual a la media y a la varianza de la variable.
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que se presenten serias dificultades para verificar los postulados de definicin. La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin binomial cuando n tiende a y p tiende a 0, siendo np constante (y menor que 7); en esta situacin sera difcil calcular probabilidades en una variable 11
binomial y, por tanto, se utiliza una aproximacin a travs de una variable Poisson con media l = n p. La varianza de la variable aproximada es ligeramente superior a la de la variable binomial.
Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es otra Poisson con media igual a la suma las medias. El aspecto de la distribucin depende muchsimo de la magnitud de la media. Como ejemplo, mostramos tres casos con = 0,5 (arriba a la izquierda), = 1,5 (arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la distribucin disminuye al crecer y que, en paralelo, la grfica empieza a tener un aspecto acampanado.
12
- Variables aleatorias continuas Distribucin normal o de Gauss La distribucin normal fue definida por De Moivre en 1733 y es la distribucin de mayor importancia en el campo de la estadstica. Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. Las variables normales tienen una funcin de densidad con forma de campana a la que se llama campana de Gauss. Su funcin de densidad es la siguiente:
Los parmetros de la distribucin son la media y la desviacin tpica, y , respectivamente. Como consecuencia, en una variable normal, media y desviacin tpica no deben estar correlacionadas en ningn caso (como desgraciadamente ocurre en la inmensa mayora de las variables aleatorias reales que se asemejan a la normal. La curva normal cumple las siguientes propiedades: 13
1) El mximo de la curva coincide con la media. 2) Es perfectamente simtrica respecto a la media (g 1 = 0). 3) La curva tiene dos puntos de inflexin situados a una desviacin tpica de la media. Es convexa entre ambos puntos de inflexin y cncava en ambas colas.
4) Sus colas son asintticas al eje X.
Para calcular probabilidades en intervalos de valores de la variable, habra que integrar la funcin de densidad entre los extremos del intervalo. por desgracia (o por suerte), la funcin de densidad normal no tiene primitiva, es decir, no se 14
puede integrar. Por ello la nica solucin es referirse a tablas de la funcin de distribucin de la variable (calculadas por integracin numrica) Estas tablas tendran que ser de triple entrada (, , valor) y el asunto tendra una complejidad enorme. Afortunadamente, cualquier que sea la variable normal, X, se puede establecer una correspondencia de sus valores con los de otra variable con distribucin normal, media 0 y varianza 1, a la que se llama variable normal tipificada o Z. La equivalencia entre ambas variables se obtiene mediante la ecuacin:
La funcin de distribucin de la variable normal tipificada est tabulada y, simplemente, consultando en las tablas se pueden calcular probabilidades en cualquier intervalo que nos interese. De forma anloga a lo pasaba con las variables Poisson, la suma de variables normales independientes es otra normal.
Histograma de una normal idealizada Histograma de una muestra de una variable normal
Distribucin Gamma () La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es: 15
La funcin de densidad de la distribucin gamma es:
y son los parmetros de la distribucin. La media y la varianza de la variable gamma son:
16
Distribucin exponencial Es un caso particular de la distribucin gamma cuando = 1. Su funcin de densidad es:
Su parmetro es . La media y la varianza de la distribucin exponencial son:
Distribucin Chi-cuadrado (_2) Es otro caso particular de la distribucin gamma para el caso = 2 y = n / 2, siendo n un nmero natural. Su funcin de densidad es:
El parmetro de la distribucin _2 es v y su media y su varianza son, respectivamente:
Otra forma de definir la distribucin _2 es la siguiente: Supongamos que tenemos n variables aleatorias normales independientes, X 1 ,..., X n , con media i y varianza (i = 1 ... n), la variable definida como 17
tiene distribucin _2 con n grados de libertad y se le denomina _2 n .
Variables chi-cuadrado con valores de progresivamente mayores son cada vez menos asimtricas.
Distribucin T de Student Supongamos dos variables aleatorias independientes, una normal tipificada, Z , y otra con distribucin _2 con v grados de libertad, la variable definida segn la ecuacin:
18
tiene distribucin t con v grados de libertad. La funcin de densidad de la distribucin t es:
El parmetro de la distribucin t es v, su nmero de grados de libertad. Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan asintticamente al eje X. Es similar a la distribucin Z salvo que es platicrtica y, por tanto, ms aplanada. Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden considerar prcticamente iguales para valores de n mayores o iguales que 30..
Variables T con valores de v progresivamente mayores son cada vez menos platicrticas 19
Comparacin entre la variable T y la normal tipificado.
Distribucin F de Snedecor Sean U y V dos variables aleatorias independientes con distribucin _2 con v 1 y v 2 grados de libertad, respectivamente. La variable definida segn la ecuacin:
tiene distribucin F con v 1 , v 2 grados de libertad. La funcin de densidad de la distribucin F es:
20
Los parmetros de la variable F son sus grados de libertad v 1 y v 2 . Las distribuciones F tienen una propiedad que se utiliza en la construccin de tablas que es la siguiente: Llamemos f o,v1,v2 al valor de una distribucin F con v 1 y v 2 grados de libertad que cumple la condicin, P(F > f o,v1,v2 ) = ; llamemos f 1o,v1,v2 al valor de una distribucin F con v 1 y v 2 grados de libertad que cumple la condicin, P(F > f 1o,v1,v2 ) = 1- . Ambos valores estn relacionados de modo que uno es el inverso del otro.
Variables F con distintos valores de 1 , 2
21
3.-CONCLUSIONES
22
4.-BIBLIOGRAFA
- Discret-Event System Simulation, Jerry Banks, John S. Carson II, Barry Nelson, Fifth Edition, Ed. Prentice-Hall, (2010). - Alemn de Snchez, A. 1999. "La enseanza de la Matemtica asistida por computadora". - Universidad Tecnolgica de Panam. Facultad de Ciencias y Tecnologa. - http://mail.udlap.mx/~site/01.pdf - [5] Vaquero, A. Fernndez de Chamizo, C. 1987. "La Informtica Aplicada a la Enseanza". - Eudema S.A. Madrid. Espaa. - [6] Marqus Graells, Pere. Diseo y Evaluacin de programas educativos. - http://www.xtec.es/~pmarques/edusoft.htm - [7] Lpez, M.V., Mario, S.I., Petris, R.H. 1999. Un anlisis comparativo de generadores de - nmeros pseudo-aleatorios en Mathematica 3.0. FACENA. Revista de la Facultad de Cs. - Exactas y Nat. y Agrimensura. Univ. Nac. del Nordeste. Pg. 119-136. Vol.15. Corrientes. - Argentina. - [8] Pace, G. J., Lpez, Mara V., Mario, Sonia I. y Petris, Raquel H. 1999. Programacin de un - paquete de simulacin con Mathematica". Reunin de Comunicaciones Cientficas y - Tecnolgicas 1999. UNNE. Corrientes. Argentina. Tomo VIII. Cs. Exactas. 8:9-12. En: - http://www.unne.edu.ar/cyt/1999/cyt.htm. - [9] Castillo, E., Iglesias, A., Gutirrez, J. M., lvarez, E. y Cobo, A. 1996. Mathematica. Ed. - Paraninfo. Madrid, Espaa.
23
5.-APNDICE O ANEXOS
Variacin del peso en el carrito 24
K+50 Tiempo empleado: 2.27 K+100 Tiempo empleado: 2.52 K+150 Tiempo empleado: 2.55 K+200 Tiempo empleado: 2.65 K+250 Tiempo empleado: 2.73 K+300 Tiempo empleado: 2.83 K+350 Tiempo empleado: 2.93 K+400 Tiempo empleado: 3.01 K+450 Tiempo empleado: 3.15 K+500 Tiempo empleado: 3.22
Variacin del peso en la polea c+20 Tiempo empleado: 2.24 c+30 Tiempo empleado: 1.8 c+40 Tiempo empleado: 1.56 25
c+50 Tiempo empleado: 1.39 c+60 Tiempo empleado: 1.27 c+70 Tiempo empleado: 1.18 c+80 Tiempo empleado: 1.02 c+90 Tiempo empleado: 0.93 c+100 Tiempo empleado: 0.85 c+110 Tiempo empleado: 0.54