Académique Documents
Professionnel Documents
Culture Documents
Una vez aceptadas las pruebas de media, varianza, uniformidad e independencia sobre
los nmeros aleatorios con distribucin uniforme entre 0 y 1, se puede hacer uso de esos
nmeros para generar variables aleatorias con otro tipo de distribucin.
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera
durante la duracin de un proceso dado. Si la variable toma un solo valor durante el
proceso se llama constante.
VARIABLE ALEATORIA: Podemos decir que las variables aleatorias son aquellas que
tienen un comportamiento probabilstico en la realidad. Una variable aleatoria es un
valor numrico que corresponde a un resultado de un experimento aleatorio. Algunos
ejemplos son: nmero de caras obtenidas al lanzar seis veces una moneda, nmero de
llamadas que recibe un telfono durante una hora, tiempo de fallo de una componente
electrnica, etc. Para entender mejor lo anterior, consideremos el numero de clientes que
llegan a un banco cada hora, este depende de la hora del da, el da de la semana y otros
factores. Por lo general, la afluencia de clientes es mayor al medioda que a las
primeras horas del da; la demanda de servicio es mayor el inicio y el fin de semana que
el resto de los das; habr ms clientes un da de pago que un da normal, etc. Dadas las
caractersticas de las variables aleatorias, estas deben cumplir las siguientes reglas de
distribucin de probabilidad:
La suma de las probabilidades asociadas todos los valores posibles de la
variable aleatoria X es igual a uno.
La probabilidad de que un posible valor de la variable X se presente siempre es
mayor o igual a cero.
El valor esperado de la distribucin de la variable aleatoria es la media de la
misma, la cual a su vez estima la verdadera media de la poblacin.
Si la distribucin de probabilidad asociada a una variable aleatoria esta definida
por ms de un parmetro, estos parmetros pueden obtenerse mediante un
estimador no sesgado. Por ejemplo, la varianza de la poblacin 2 puede ser
estimada usando la varianza de una muestra s2. De la misma manera, la
desviacin estndar de la poblacin, , puede estimarse mediante la desviacin
estndar de una muestra s.
3.1 Variables aleatorias discretas.
Una variable aleatoria discreta proporciona datos que son llamados datos cuantitativos
discretos y son respuestas numricas que resultan de un proceso de conteo.
o La cantidad de alumnos regulares en un grupo escolar.
o El nmero de guilas en cinco lanzamientos de una moneda.
o Nmero de circuitos en una computadora.
P(a x b) pi Pa ... Pb
i 0
1
b
ia
f ( x )dx 1
P( a x b) P (a x b) f ( x )dx
a
Existen varios mtodos que nos permiten generar variables aleatorias. Lo normal es que
existan varias opciones para generar una misma variable aleatoria. La eleccin del
mtodo adecuado se puede basar en una serie de factores como:
Exactitud. Es preferido un mtodo exacto frente a mtodos aproximados, como
soluciones numricas.
Velocidad. Uno de los datos que se toma en consideracin es el tiempo de
generacin de la variable.
Espacio. Necesidades de memoria del mtodo utilizado. En general, los mtodos
no consumen mucha memoria.
Simplicidad. El mtodo debe ser fcil de entender.
La mayora de las tcnicas utilizadas para la generacin se pueden agrupar en:
1. Mtodo de la transformada inversa
2. Mtodo de aceptacin y rechazo; y
3. Mtodo de convolucin.
3.3.1. Mtodo de la Transformada Inversa
El mtodo de la transformada inversa utiliza la densidad de probabilidad acumulada
(cdf) F(x) de la funcin de densidad de probabilidad (pdf) f(x) que se va a simular.
fR (x)
1,
0,
0,
FR ( x ) x,
1,
0 x1
0 x 1
x0
0 x 1
x 1
Puesto que F(x) esta definida en el intervalo (0-1), se puede generar un nmero aleatorio
uniforme R y tratar de determinar el valor de la variable aleatoria para cual su
distribucin acumulada es igual a R, es decir, el valor simulado de la variable aleatoria
que sigue un distribucin de probabilidad f(x), se determina al resolver la siguiente
ecuacin.
F(x) = R
x = F-1 (R)
X a (b a) R
Recordando que R siempre es un numero aleatorio en [0, 1]. La pdf esta dada por:
1
, a xb
f ( x) b a
0,
a xb
Para derivar la cdf de la ecuacin de la distribucin uniforme, se aplica la integral ya
mencionada, de manera que:
F (x)
f (t) dt f (t) dt
x
F (x)
1
x a
dt
(b a)
(b a)
0,
Xa
,
b a
1,
x a
a x b
x b
a x b
1
0.1306
73.918
2
0.0422
71.266
3
0.6597
89.791
4
0.7965
93.895
5
0.7696
93.088
6
0.1208
73.624
7
0.0388
71.164
8
0.6711
90.133
9
0.7795
93.385
10
0.7589
92.767
Distribucin exponencial
En este tipo de distribucin, la funcin de densidad de probabilidad esta dada por:
e x ,
0,
f ( x)
x0
x0
f (t) dt e t dt e t
x
x
0
1 e x,
0,
x 0
x 0
1 e x R ,
x0
Ya que X es la variable aleatoria para esta distribucin exponencial, se sigue que toda la
expresin exponencial es tambin una variable aleatoria, aqu llamada R, la cual tendr
una distribucin uniforme en el intervalo [0, 1].
Paso 3. Resolver la ecuacin F(X)=R para X en trminos de R. La solucin obtenida es:
X
1
ln(1 R )
1
ln(1 Ri ) para i=1, 2, 3,,N
Ejercicio:
Aplicar el mtodo al conjunto de nmeros aleatorios generados por el mtodo
congruencial lineal. Considerando =1.
Como ejemplo de obtencin de los valores de X a partir de los nmeros aleatorios, se
muestra la siguiente tabla:
i
Ri
Xi
1
0.1306
0.1400
2
0.0422
0.0431
3
0.6597
1.0779
4
0.7965
1.5921
5
0.7696
1.4679
6
0.1208
0.1287
7
0.0388
0.0396
8
0.6711
1.1120
9
0.7795
1.5119
10
0.7589
1.4225
Distribucin triangular
Considerar una variable aleatoria X dada por la pdf de forma triangular con valor
mnimo a, mximo b y moda c:
2(x a)
,
(b a)(c a)
2(b x)
(b a)(b c)
0,
f (x)
a x c
c x b
a x b
x a
0,
(X a)
,
(b a)(c a)
F (x)
(b X)2
1
,
(b a)(b c)
1,
a x c
c x b
x b
a x c
de donde:
X a
(b a)(c a)R
(b X)2
R,
(b a)(b c)
c x b
de donde:
X b
(b a)(b c)(1 R)
Donde el dominio para cada expresin de X ser de [0, (b-a)/(c-a)] para la primera y de
((b-a)/(c-a), 1] para la segunda.
Ejercicio:
Aplicar el mtodo al conjunto de nmeros aleatorios generados por el mtodo
congruencial lineal. Considerando la distribucin triangular.
Como ejemplo de obtencin de los valores de X a partir de los nmeros aleatorios, se
muestra la siguiente tabla:
i
Ri
Xi
1
0.1306
0.51108
2
0.0422
0.29052
Distribucin Weibull
3
0.6597
1.175
4
0.7965
1.362
5
0.7696
1.3212
6
0.1208
0.49153
7
0.0388
0.27857
8
0.6711
1.189
9
0.7795
1.3359
10
0.7589
1.3056
Este tipo de distribucin se llega a utilizar como un modelo para el tiempo de falla en
maquinas o componentes electrnicos. Para el caso ms simple la pdf esta dada por la
ecuacin:
1 ( x / )
x e
, x0
f ( x)
0,
x0
Donde >0 y >0 son los parmetros de escala y de forma respectivamente para esta
distribucin. La cdf se obtiene a partir de la integral, como se indica a continuacin:
1 e ( x / ) ,
x0
x0
F ( x ) f (t )dt
0
0,
F ( X ) 1 e( X / ) ,
1 e ( X / ) R,
x0
1
0.1306
0.3741
2
0.0422
0.20764
3
0.6597
1.0382
4
0.7965
1.2618
5
0.7696
1.2116
6
0.1208
0.35881
7
0.0388
0.19893
8
0.6711
1.0545
9
0.7795
1.2296
10
0.7589
1.1927
Paso 3.
Paso 4.
Si se requiere otra variable aleatoria uniforme en [1/4, 1], se repite el
procedimiento iniciando en el paso 1. Si no, se detiene.
Cada vez que el paso 1 es ejecutado, un nuevo nmero aleatorio debe ser generado. El
paso 2 es una aceptacin y el paso 3 es un rechazo en esta tcnica de aceptacinrechazo. Para resumir la tcnica, las variables aleatorias (R) con alguna distribucin de
probabilidad (aqu utilizamos una de tipo uniforme en [0, 1]) son generados hasta que
alguna condicin (R ) se cumple. Cuando la condicin finalmente se cumple, la
variable aleatoria deseada (aqu de tipo uniforme en [0, 1]), puede ser calculada (X=R).
Este procedimiento puede mostrarse que es correcto al reconocer que los valores
aceptados de R estn condicionados; esto es, el R propiamente no tiene la distribucin
deseada, pero R condicionada en el hecho de (R ) tiene la distribucin deseada.
Para mostrar esto, tomar a < b 1, entonces:
P( a R b | 1 / 4 R 1)
P ( a R b)
ba
P (1 / 4 R 1) 3 / 4
e n
,
n!
n 0,1,2,...
La primera ecuacin dice que fueron exactamente n llegadas en una unidad de tiempo y
la segunda dice la n-sima llegada ocurri antes del tiempo 1, mientras que la (n+1)sima llegada ocurri despus del tiempo 1. Claramente estos dos enunciados son
equivalentes. Proceda ahora a generar tiempos de nter-arribo exponenciales hasta que
alguna llegada, llmese n+1, ocurra despus del tiempo 1, entonces haga N=n.
Para aplicaciones de generacin eficiente, la relacin obtenida es simplificada usando la
ecuacin Ai=(-1/)lnRi, de manera que se obtiene:
n
1
1
ln
R
ln Ri
i
i 1
i 1
n
ln R
i 1
ln Ri
i 1
n 1
i 1
i 1
ln Ri ln Ri
Y para eliminar el ln se aplica la exponencial e a la expresin anterior, y finalmente:
n
n 1
i 1
i 1
Ri e Ri
El procedimiento para generar variables aleatorias tipo Poisson, N, esta dado por los
siguientes pasos:
Paso 1.
Paso 2.
Paso 3.
Si P < e-, se acepta N=n. Caso contrario, se rechaza el n actual, se
incrementa n por uno y se regresa al paso 2.
Observe que al final del paso 2, P representa el lado derecho de la desigualdad obtenida.
Se vuelve a manifestar la idea de la tcnica de rechazo en el paso 3, para los valores de
P mayores del valor de la exponencial dada.
Para obtener la cantidad de nmeros aleatorios que se deben generar, en promedio, para
generar una variable aleatoria tipo Poisson, N, se considera que para N=n es necesario
generar n+1 nmeros aleatorios, de manera el nmero promedio esta dado por:
E(N+1)= +1
Paso 3.
De la misma manera se procede para todos los nmeros aleatorios, obtenindose una
tabla como la siguiente:
n
0
0
0
1
2
0
Rn+1
0.4357
0.4146
0.8353
0.9952
0.8004
0.7945
P
0.4357
0.4146
0.8353
0.8313
0.6654
0.7945
Aceptacin/Rechazo
P < e- (se acepta)
P < e- (se acepta)
P e- (se rechaza)
P e- (se rechaza)
P < e- (se acepta)
P < e- (se acepta)
Variable resultante
N=0
N=0
N=2
N=0
Se observa que 6 nmeros aleatorios, R, se generan cuatro variables Poisson (N=0, N=0,
N=2, N=0), pero en una corrida larga, para generar por ejemplo 1000 variables Poisson
con media =0.2, se requerirn aproximadamente 1000( +1) o sea 1200 nmeros
aleatorios.
Ejemplo 2:
Los autobuses llegan a la parada de Profra. Fajardo y Diego Jos Abad de acuerdo a un
proceso Poisson con media de un autobs cada 15 minutos. Generar una variable
aleatoria, N, la cual represente el nmero de autobuses llegando durante el lapso de 1
hora de tiempo. As, N es la distribucin Poisson con media de 4 autobuses por hora.
Primero se calcula e- = e-4, que es igual a 0.0183. Despus se obtiene la secuencia de 12
nmeros aleatorios R obtenidos por cualquier mtodo, obtenindose una tabla como la
siguiente:
n
0
1
2
3
4
5
6
0
1
Rn+1
0.4357
0.4146
0.8353
0.9952
0.8004
0.7945
0.1530
0.9834
0.7075
P
0.4357
0.1806
0.1508
0.1502
0.1202
0.0955
0.0146
0.9834
0.6957
Aceptacin/Rechazo
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P < e- (se acepta)
P e- (se rechaza)
P e- (se rechaza)
Variable resultante
N=6
2
3
0
1
2
3
4
5
0
1
2
3
0.0556
0.3091
0.5542
0.7137
0.9367
0.7406
0.8488
0.0461
0.2125
0.5156
0.5843
0.1406
0.0387
0.0119
0.5542
0.3955
0.3705
0.2744
0.2329
0.0107
0.2125
0.1095
0.0604
0.0090
P e- (se rechaza)
P < e- (se acepta)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P < e- (se acepta)
P e- (se rechaza)
P e- (se rechaza)
P e- (se rechaza)
P < e- (se acepta)
N=3
N=5
N=3
Geomtricamente,
z2 Bsen
z2
z2
22 sen
2 ln(1 Ri )sen
Y sustituyendo se obtiene:
z2
2 ln(1 Ri )sen(2 Rj )
2 ln(1 Ri )sen(2 Rj )
2 ln(1 Ri ) cos(2 Rj )
De manera que con cada par de nmeros aleatorios se puede generar variables aleatorias
normales con la media y la desviacin estndar conocidas.
Distribucin Lognormal
Este mtodo se basa en el anterior, las variables involucradas en l se obtienen respecto
del resultado anterior, es decir:
Yi eXi
Por lo que se necesita obtener la variable de tipo normal y el valor obtenido se usa como
exponente de la exponencial.
3.3.3.2 Mtodo de Convolucin
Y X1 X2 Xk
Las variables aleatorias de dos de las distribuciones mas conocidas (de Erlang y
Binomial) se pueden generar a travs de este mtodo, como se vera en lo siguiente:
Distribucin de Erlang
La variable aleatoria k-Erlang con media 1/, puede producirse a partir de la generacin
de k variables exponenciales con media 1/k:
Y X1 X2 Xk
1
1
1
ln(1 R1 )
ln(1 R2 )
ln(1 Rk )
k
k
k
1
Y
ln(1 R1 ) ln(1 R2 ) ln(1 Rk )
k
1
Y
ln(1 R1 )(1 R2 )(1 Rk )
k
k
1
Y ERi
ln (1 Ri )
k
1
Y
Lo cual significa que cada valor de la variable tipo k-Erlang se obtiene por medio del
producto de k trminos 1-Ri.
Ejemplo 1:
El tiempo de proceso de cierta pieza sigue una distribucin 3-Erlang con media 1/=8
minutos/pieza. Una lista de nmeros pseudo-aleatorios Ri U(0, 1) y la ecuacin de
generacin de valores de variable aleatoria tipo Erlang:
k
8
Y ERi ln (1 Ri )
3
i1
8
(1 R1 )(1 R2 )(1 R3 )
3
1-R1
1-R2
1-R3
1
2
3
4
0.5165
0.8062
0.4798
0.3396
0.6228
0.2442
0.9392
0.3872
0.7721
0.8767
0.6304
0.4477
Tiempo de
Proceso
(min/pieza)
3.7143
4.6848
3.3560
7.5532
5
6
7
8
9
10
11
12
13
14
15
16
0.4965
0.8378
0.4636
0.4268
0.2736
0.2636
0.3085
0.9258
0.6976
0.2256
0.3952
0.3752
0.6488
0.3692
0.2276
0.1442
0.2344
0.7716
0.1828
0.4495
0.8555
0.0305
0.4217
0.9625
0.6659
0.2092
0.3399
0.7607
0.3857
0.7834
0.2185
0.695
0.912
0.007
0.557
0.8594
4.1051
7.3010
8.8747
8.1640
9.8654
4.8979
11.7236
3.3082
1.6221
26.5090
6.3387
3.1201
Distribucin Binomial
La variable aleatoria binomial con parmetros N y p puede ser generada a travs de la
suma de N variables aleatorias con distribucin de Bernoulli con parmetro p.
ri (0, 0.80)
ri (0.80,1)
BEi
Ri
BE1
Ri
BE2
Ri
BE3
Ri
BE4
Ri
1
2
3
4
5
6
7
8
9
0.8302
0.2871
0.9398
0.6882
0.6946
0.0808
0.3658
0.8932
0.2927
1
0
1
0
0
0
0
1
0
0.9232
0.2426
0.3224
0.3619
0.2469
0.6528
0.3809
0.7806
0.5673
1
0
0
0
0
0
0
0
0
0.2298
0.8854
0.3941
0.0971
0.0959
0.6147
0.5084
0.9336
0.1829
0
1
0
0
0
0
0
1
0
0.2808
0.3933
0.5314
0.9428
0.9196
0.7856
0.847
0.1608
0.3452
0
0
0
1
1
0
1
0
0
0.8848
0.4684
0.2385
0.8871
0.5664
0.7167
0.7409
0.5856
0.9163
Piezas
BE5 Defectuos
as
1
3
0
1
0
1
1
2
0
1
0
0
0
1
0
2
1
1
10
0.9605
0.256
0.5536
0.6472
0.8867
EJERCICIOS:
0 UTILIZANDO EXCEL, GENERE 100 VALORES DE VARIABLES
ALEATORIAS PARA
Exponencialmente distribuidas con =3.
Normalmente distribuidas con media 10 y varianza 4.
Uniformemente distribuidas con limite inferior de 10 y limite superior de 30.
Triangularmente distribuidas con limite inferior de 5, valor mas probable de 10 y
limite superior de 15.
5. Con distribucin binomial y parmetros N=5, p=0.3, q=0.7.
6. Con distribucin Poisson, con =3.
1.
2.
3.
4.
f ( x)
x0
0 x
3
,
4
1
,
4
0,
f (x)
0 x 1
1 x 2
0 x 2
2 3
0,
2 x3
3 x 6
0x6
4. Desarrollar un generador para una distribucin triangular con rango (1, 10) y una
media de 4.
5. Dada la siguiente cdf para una variable continua con rango de -3 a 4, desarrollar un
generador para la variable X.
0,
x 3
1 x
, 3 x 0
F ( x) 2 6 2
1 ( x) , 0 x 4
2 32
1,
x4
1,
x0
0 x2
x2
x2
f ( x) 9 , 0 x 3
0, .0 x 3
8. Desarrollar un generador de variable aleatoria X cuya pdf es:
1
6,
1
f ( x)
,
12
0,
0 x2
2 x 10
0 x 10
0.48438
0.3125
0.32813
0.78125
0.92188
0
0.375
0.14063
0.34375
0.23438
0.0625
0.078125
0.95313
0.90625
0.54688
0.125
0.89063
0.09375
0.46875
0.85938
0.1875
0.70313
0.65625
0.29688
2. Los plazos de entrega se han encontrado que tienen una distribucin de Poisson con
media de 3.7 das. Generar 10 plazos de entrega aleatorios para esta distribucin.
Frecuencia
10
20
25
35
30
20
10
PRACTICA
Obtener tabla de 20 valores de la variable aleatoria con diferentes valores de alfa, 2
fraccionarios y 3 enteros, indicando en cada caso la cantidad de nmeros aleatorios
requeridos para obtener los valores deseados.
20( +1)
0.25 24
0.5
30
28
60
57
120
116
10
220
219
0
0
0
0
1
0
2
3
2
1
1
6
5
7
7
5
13
9
6
12
0
0
0
1
1
3
2
3
5
2
3
2
7
3
5
7
12
10
10
15
0
0
0
0
1
1
2
0
3
2
3
5
5
7
3
8
16
8
9
10
1
2
0
1
0
1
0
0
3
2
3
9
10
2
3
12
10
7
16
4