Unidad III

Generacin de variables aleatorias.

Introduccin
Handbook of Simulation: Principles, Methodology, Advances, Applications, and Practice.
Edited by J. Banks Copyright 1998 John Wiley & Sons, Inc.

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.

o El nmero de vehculos vendidos en un da, en un lote de autos

Este tipo de variables deben cumplir con los parmetros siguientes:
P( x) 0

P(a x b) pi Pa ... Pb

i 0

1
b

ia

Algunas distribuciones discretas de probabilidad son la uniforme discreta, la de

Bernoulli, la hipergeomtrica, la de Poisson y la binomial. Por ejemplo, si el propsito
al analizar un muestreo de calidad consiste en decidir si la pieza bajo inspeccin es
buena o no, estamos realizando un experimento con dos posibles valores y por lo tanto
se puede asociar a una distribucin de Bernoulli. Por otro lado, si lo que queremos es
modelar el nmero de usuarios que llamaran al telfono de atencin a clientes, el tipo de
comportamiento puede parecerse a una distribucin de Poisson. Tambin puede ocurrir
que el tipo de comportamiento de la variable no se parezca a ninguno de los
mencionados, podra entonces utilizarse un tipo de distribucin emprica que se ajuste a
las condiciones reales de probabilidad.
3.2 Variables aleatorias continuas.

Variable aleatoria continua es aquella que se encuentra dentro de un intervalo

comprendido entre dos valores cualesquiera; sta puede asumir infinito nmero de
valores y stos se pueden medir.
o La estatura de un alumno de un grupo escolar.
o El peso en gramos de una moneda.
o La edad de un hijo de familia.
o Las dimensiones de un vehculo.
Este tipo de variables se representan mediante una ecuacin que se conoce como
funcin de densidad de probabilidad, por lo que se cambia el termino sumatoria por una
integral y deben de cumplir con las condiciones siguientes:
P( x) 0

f ( x )dx 1

P( a x b) P (a x b) f ( x )dx
a

Para este tipo de distribuciones de probabilidad se utilizan la uniforme continua, la

exponencial, la triangular, la normal, la de Weibull, la Chi-cuadrada y la de Erlang. Por
ejemplo, es posible que el tiempo de llegada de cada cliente a un sistema tenga una
distribucin de probabilidad semejante a la exponencial, o que el tiempo que le toma a
un operario realizar una serie de tareas se comporte de una manera muy similar a la
dispersin que presenta una distribucin triangular.
3.3 Mtodos para generar variables aleatorias.

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)

La dificultad principal de este mtodo descansa en el hecho de que en algunas ocasiones

no es tan simple encontrar la transformada inversa. Sin embargo si esta funcin inversa
ya ha sido establecida, generando nmeros aleatorios uniformes se podrn obtener
valores de la variable aleatoria que sigan la distribucin de probabilidad deseada.
Esta tcnica se explicara en detalle para las distribuciones uniforme, exponencial y la
triangular, posteriormente se aplicara a otras distribuciones, como la de Weibull.
Distribucin uniforme
Considerar que la variable aleatoria X esta uniformemente distribuida en el intervalo [a,
b]. Una expresin razonable para generar X esta dada por:

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

Para la aplicacin de esta distribucin se siguen los siguientes pasos:

Paso 1. Calcule la cdf de la variable aleatoria deseada X. Para la distribucin uniforme,
la cdf es F(x), como se obtuvo arriba.
Paso 2. Hacer F(X)=R, en el rango de X. Para esta distribucin, se tiene:
(X a)
R,
(b a)

a x b

Paso 3. Resolver X en trminos de R, de manera que se obtiene la ecuacin dada al

inicio X=a+(b-a)R, en el rango de [a, b].
Ejercicio:
Aplicar el mtodo al conjunto de nmeros aleatorios generados por el mtodo
congruencial lineal. Considerando a=70 y b=100.

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
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

Y la funcin de densidad acumulada, esta dada por:

F (x)

f (t) dt e t dt e t
x

x
0

1 e x,
0,

x 0
x 0

El parmetro puede ser interpretado por el nmero promedio de ocurrencias por

unidad de tiempo. Por ejemplo, si los tiempos entre llegadas X1, X2, X3, tienen una
distribucin exponencial con razn , entonces podr ser interpretada como el numero
promedio de llegadas por unidad de tiempo o la razn de llegadas. Observe que para
toda i:
E( X i )

Tal que 1/ es el tiempo medio entre llegadas. El objetivo es desarrollar un

procedimiento para generar valores X1, X2, X3,, los cuales tengan una distribucin
exponencial.

La tcnica de la transformada inversa puede ser utilizada, al menos en principio, para

cualquier distribucin, pero es ms til cuando la cdf es de manera tan simple, que su
inversa puede ser fcilmente calculada. Un procedimiento paso a paso para esta tcnica,
utilizando una distribucin exponencial, es como sigue:
Paso 1. Calcule la cdf de la variable aleatoria deseada X. Para la distribucin
exponencial, la cdf es F(X), que se obtuvo antes.
Paso 2. Hacer F(X)=R, en el rango de X. Para esta distribucin, se tiene:

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 )

Esta ecuacin es llamada el generador de variable aleatoria para la distribucin

exponencial. Generando una secuencia de valores que es completada en el paso 4.
Paso 4. Generar (como se necesite) nmeros aleatorios uniformes R1, R2, R3,,y
calcule la variable aleatoria deseada X1, X2, X3,, por:
X i F 1 ( Ri )

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)

Como se muestra en la figura siguiente:

a x c
c x b
a x b

Para esta distribucin, la cdf esta dada por:

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

Para el intervalo de x [a, c], y despejando X de la expresin:

(X a)2
R,
(b a)(c a)

a x c

de donde:

X a

(b a)(c a)R

Para el intervalo de x (c, b], y despejando X de la expresin:

1

(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,

Para obtener la variable de Weibull se siguen los siguientes pasos:

Paso 1. La cdf de la variable aleatoria deseada X esta dada por:

F ( X ) 1 e( X / ) ,

Paso 2. Hacer F(X)=R, en el rango de X. Para esta distribucin, se tiene:

1 e ( X / ) R,

x0

Paso 3. Resolver la ecuacin F(X)=R para X en trminos de R. La solucin obtenida es:

X [ ln(1 R )]1 /

Comparando la ecuacin obtenida para la distribucin exponencial, se puede ver que si

X es una variable Weibull, entonces X es una variable exponencial con media .
Inversamente, si Y es una variable exponencial con media , entonces Y1/ es una
variable Weibull con parmetro de forma y parmetro de escala =1/. Se deja al
lector para que desarrolle el grafico correspondiente.
Ejercicio:
Aplicar el mtodo al conjunto de nmeros aleatorios generados por el mtodo
congruencial lineal. Considerando =1 y =2.
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
0.3741

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

El mtodo de la transformada inversa tambin puede utilizarse para simular variables

aleatorias de tipo discreto, como la distribucin Bernoulli, binomial, Poisson, discreta
uniforme, etc. El procedimiento es similar al continuo pero el valor de F(x) se encuentra
acumulando las probabilidades de los eventos individuales p(x). Tambin en este caso,
F(x) est definida en el intervalo 0 a 1; se genera un nmero aleatorio ri y se determina
el valor de la variable aleatoria cuya distribucin acumulada es igual a ri. El mtodo
consiste en:
1. calcular todos los valores de la distribucin de probabilidad p(x) de la variable a
modelar.
2. Calcular todos los valores de la distribucin acumulada P(x).
3. Generar nmeros pseudo-aleatorios ri ~ U(0,1).
4. Comparar con el valor de P(x) y determinar que valor de x corresponde a P(x).
En la figura siguiente se muestra en forma grfica el procedimiento anterior para una
funcin cualquiera p(x) discreta. La dificultad de este mtodo radica en que no existe
una expresin final sencilla, como en el caso de la continua.

3.3.2. Mtodo de Aceptacin y Rechazo

El mtodo de aceptacin y rechazo es otro procedimiento para generar nmeros al azar
de distribuciones de probabilidad no uniformes. Este mtodo consiste primeramente en
generar un valor de la variable aleatoria y en seguida probar que dicho valor simulado
proviene de la distribucin de probabilidad que se esta analizando. Para comprender
mejor este mtodo, supngase que un analista necesita elaborar un mtodo para generar
variables aleatorias, X, uniformemente distribuidas entre y 1. Una forma de proceder
podra ser siguiendo los pasos que a continuacin se indican:
Paso 1.
Paso 2.

Generar un numero aleatorio R.

Si R , se acepta X=R, va al paso 4.

Paso 3.

Si R < , se rechaza R, va al paso 1.

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

La cual es la probabilidad correcta para una distribucin uniforme en [1/4, 1]. La

ecuacin anterior dice que la distribucin de probabilidad de R, dado que R esta entre
y 1 (todos los dems valores de R no son considerados), es la distribucin deseada. Por
lo tanto, si R 1, sea X=R.
La eficiencia de la tcnica de aceptacin y rechazo depende en gran medida de su
capacidad para minimizar el nmero de rechazos. En este ejemplo, la probabilidad de un
rechazo es P(R<1/4)=1/4, tal que el numero de rechazos es una variable aleatoria
distribuida geomtricamente con probabilidad de xito p=3/4 y un numero promedio
de rechazos (1/p 1) = 4/3 1 = 1/3. El numero promedio de nmeros aleatorios R
requeridos para generar la una variable X es uno mas el numero de rechazos, es decir,
4/3 = 1.333. En otras palabras, para generar 1000 valores de X, requerira
aproximadamente 1333 nmeros aleatorios R.
Distribucin Poisson
Una variable aleatoria Poisson, N, con media > 0 tiene funcin de masa de
probabilidad (pmf)
P (n) P ( N n)

e n
,
n!

n 0,1,2,...

Pero lo ms importante, N puede ser interpretado como el nmero de llegadas, para un

proceso de arribo Poisson, en una unidad de tiempo. Recordad que los tiempos interarribos, A1, A2, entre clientes sucesivos son distribuidos exponencialmente con razn
(es decir, es el numero promedio de llegadas por unidad de tiempo); adems, una
variable exponencial puede ser generada como ya se vio anteriormente. As, hay una
relacin directa entre la distribucin Poisson (discreta) y la distribucin exponencial
(continua), a saber:
N=n
Si y solo si:
A1 + A2 + + An 1 < A1 + A2 + + An + An+1

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

Que si multiplicamos toda la desigualdad por , los signos de la misma se invierten,

quedando:
n

ln R

i 1

ln Ri
i 1

Y aplicando la propiedad de los logaritmos, que la suma de los logaritmos es igual al

logaritmo del producto, queda:
n

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.

Hacer n=0, P=1.

Generar un numero aleatorio Rn+1 y sustituya P por P*R n+1.

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

La cual es bastante grande si el promedio, , de la distribucin Poisson es grande.

Ejemplo 1:
Generar tres variables Poisson con media =0.2. Primero se calcula e-, que es igual a
0.8187. Despus se obtiene la secuencia de nmeros aleatorios R obtenidos por el
mtodo congruencial y siguiendo los pasos 1 a 3 ya mencionados:
Paso 1.
Paso 2.

Hacer n=0, P=1.

R1 = 0.4357, P=1* R1=0.4357.

Paso 3.

Ya que P= 0.4357 < e- = 0.8187, se acepta N=n.

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

Se observa que 21 nmeros aleatorios, R, se generan cuatro variables Poisson (N=6,

N=3, N=5, N=3), pero en una corrida larga, para generar por ejemplo 1000 variables
Poisson con media =4, se requerirn aproximadamente 1000( +1) o sea 5000
nmeros aleatorios.
3.3.3 Procedimientos Especiales
Estn basados en caractersticas de familias particulares de distribuciones de
probabilidad. Ejemplos de ellos son la transformacin directa y el mtodo de
convolucin.
3.3.3.1 Transformacin Directa
Es utilizada principalmente para distribuciones de probabilidad Normal y Lognormal,
de la manera siguiente:
Distribucin Normal
Este mtodo se basa en el Teorema de Pitgoras, las variables involucradas en l se
muestran en la figura siguiente:

Geomtricamente,
z2 Bsen
z2

z12 z22 sen

La suma de variables aleatorias normales sigue una distribucin Chi-cuadrada con

grados de libertad, as:

z2

22 sen

La funcin de densidad de una variable aleatoria Chi-cuadrada con 2 grados de libertad

es equivalente a una distribucin exponencial con media de 2. En consecuencia,
utilizando la ecuacin obtenida por el mtodo de la transformada inversa para generar
variables aleatorias exponenciales, que sustituida en la ecuacin anterior, se obtiene:
z2

2 ln(1 Ri )sen

Se generan valores aleatorios uniformes del ngulo entre 0 y 2, tambin mediante el

mtodo de transformada inversa:
a (b a)Rj
(2 )Rj

Y sustituyendo se obtiene:
z2

2 ln(1 Ri )sen(2 Rj )

Para cualquier variable aleatoria normal N,

z

Al despejar N y sustituir el valor de z previamente desarrollado, se llega a la expresin

final para la generacin de variables aleatorias normales:
Xi

2 ln(1 Ri )sen(2 Rj )

Este procedimiento puede iniciarse tambin a travs de la generacin de la variable

aleatoria z1, lo cual dar lugar a la ecuacin:
Xi

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

En algunas distribuciones de probabilidad la variable aleatoria a simular, Y, puede

generarse mediante la suma de otras variables aleatorias X, de manera mas rpida que a
travs de otros mtodos. Entonces, el mtodo de convolucin puede expresarse como:

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

A partir de esta ecuacin y el conjunto de nmeros pseudo-aleatorios ya mencionados,

se obtiene la siguiente tabla:
Pieza

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.

Y Bi BE1 BE2 BEN BI (N, p)

Ejemplo 1:
Al inspeccionar lotes de tamao N=5, la probabilidad de que una pieza sea defectuosa
es de 0.20. Simular el proceso de inspeccin para determinar el numero de piezas
defectuosas por lote.
Este proceso sigue una distribucin binomial con N=5 y p=0.20 y ser simulado
mediante la generacin de variables aleatorias de Bernoulli con p=0.20, de acuerdo con
el procedimiento sealado en esta seccin, donde BEi=0 representa una pieza en buen
estado y BEi=1 a una defectuosa.

ri (0, 0.80)

ri (0.80,1)

BEi

Bi BE1 BE2 BE5

Los resultados obtenidos se muestran en la siguiente tabla:

Lot
e

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.

I APLICAR EL METODO DE LA TRANSFORMADA INVERSA

1. Desarrollar un generador de variable aleatoria para una variable X con pdf:
e2 x ,
2x
e ,

f ( x)

x0
0 x

2. Desarrollar un generador de variable aleatoria para una variable X con pdf:

3
,
4
1
,
4
0,

f (x)

0 x 1
1 x 2
0 x 2

3. Desarrollar un esquema de generacin para una distribucin triangular con pdf:

1
2 x 2 ,
1 6 x
f ( x)

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

6. Dada la cdf siguiente, desarrollar un generador para esta distribucin:

0,
x 4
F ( x)
,
16

1,

x0
0 x2
x2

7. Dada la pdf siguiente, desarrollar un generador para esta distribucin:

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

II APLICAR EL METODO DE ACEPTACION Y RECHAZO

1. La demanda semanal, X, de un artculo de poco movimiento se ha encontrado que
tiene una distribucin Poisson con una demanda media semanal de 2.5 artculos.
Generar 10 valores de X, demanda por semana, usando los nmeros aleatorios de la
tabla siguiente:
0.03125
0.17188
0.25
0.51563
0.21875
0.60938

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.

3. El mantenimiento regular de una lnea de produccin se encontr que vara y puede

ser modelada con una distribucin de Poisson con una media de 33 minutos. Generar 10
tiempos de mantenimiento aleatorios para esta distribucin.

III EJERCICIOS ADICIONALES

Para los siguientes ejercicios, debern entregarse de manera escrita, utilizando como
nmeros aleatorios los obtenidos mediante su programa de generacin de nmeros
aleatorios con semilla=2*k+1, donde k son los dos ltimos nmeros de su numero de
control. Incluir dicha lista en la solucin del problema.
1. Los tiempos de falla de un proceso de produccin automatizado se encuentra que
estn distribuidos de acuerdo a una distribucin Weibull con parmetros beta=2 y
alfa=10. Derivar la ecuacin correspondiente y utilizarla para generar 10 valores de la
variable aleatoria para esta distribucin.
2. Los siguientes datos han sido recopilados de tiempos de servicio en la ventanilla de
un auto banco en la Cd. de Guadalajara. Los datos estn agrupados en intervalos como
se indica.
Intervalo (segundos)
15-30
30-45
45-60
60-90
90-120
120-180
180-300

Frecuencia
10
20
25
35
30
20
10

Estructurar la tabla como en la Tabla siguiente para generar 10 tiempos de servicio

aleatorios para este tipo de distribucin, utilizando nmeros aleatorios de 4 dgitos.

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

Nmeros aleatorios requeridos Valores de la Variable aleatoria

Mas de 24
0
0
0
1
0
0
0
2
0
0
0
0
0
1
0
0
0
1
1

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

Semilla = 2*(2 ltimos dgitos de tu nmero de control) +1

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