Académique Documents
Professionnel Documents
Culture Documents
F(x)=P(X x)
Luego, se genera un nmero aleatorio R entre [0,1], con el cual se ingresa por la ordenada
(eje y) y se intercepta la curva F(X).
F(x) = f(t) dt
X = F-1( R )
Su frmula es:
F(x) = (xi x) pi
Al ser discreta no hay frmula de su inversa y puede ocurrir que dado un R (nmero
aleatorio entre [0,1]), no se encuentre imagen x de la funcin, sino que este valor est
entre dos valores posibles.
Lo que hace en este caso es, dado un R, se obtiene como salida un xi tal que:
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.
Paso 2: Con uno (o mas, dependiendo del mtodo a utilizar) de los nmeros aleatorios, se
genera una variable aleatoria componente (x1,x2,...xk) usando alguno de los mtodos
anteriores.
1. DISTRIBUCION DE BERNOULLI:
Una Bernoulli de parmetro p es una variable aleatoria que resulta cuando tenemos un
experimento con dos posibles resultados (xito y fracaso), siendo p la probabilidad de
xito.
es decir,
Para generar una variable de Bernoulli, se genera un nmero aleatorio R entre [0,1].
Si R p, entonces x=1 (xito), de lo contrario x=0 (fracaso).
2. DISTRIBUCION BINOMIAL:
3. DISTRIBUCION POISSON:
Son problemas en los que la variable aleatoria se distribuye a lo largo del tiempo o del
espacio.
En todos los casos, las condiciones para que se trate de una distribucin de Poisson son:
Los eventos de inters deben ocurrir independientemente unos de otros.
La probabilidad de que suceda un evento en un intervalo depende de la longitud
del intervalo y no de su posicin.
F(x)= e- * (i / i! ), i = [0,x]
Propiedades de la distribucin:
Si X1~P( 1) y X2~P( 2) entonces X1+X2~P( 1+ 2).
El parmetro de la distribucin de Poisson, que es su media, es el inverso de la
media de una distribucin exponencial.
Cuando la distribucin de probabilidad de una variable aleatoria discreta viene dada por
un conjunto de probabilidades, el mtodo ms comn para generar valores de la misma es
el mtodo de la transformada inversa para distribuciones discretas.
PONTIFICIA UNIVERSIDAD CATOLICA DEL PERU
FACULTAD DE CIENCIAS E INGENIERA
SIMULACION DE SISTEMAS
1. DISTRIBUCION UNIFORME:
2. DISTRIBUCION EXPONENCIAL:
f(x)=b*e-bx , x 0
F(x)= 1 e-bx , x 0
x=(-1/b)*ln(1 R)
3. DISTRIBUCION WEIBULL:
F(x) = 1 e-(x/)^
4. DISTRIBUCION TRIANGULAR:
5. DISTRIBUCION NORMAL:
La funcin de densidad normal (o gaussiana) fue propuesta por C.F. Gauss (1977-1855)
como modelo para la distribucin de frecuencia relativa de errores, como los errores de
medicin.
Esta curva con forma de campana es un modelo adecuado para las distribuciones de
frecuencia relativa de datos recabados de muchas reas cientficas diferentes y modela las
distribuciones de probabilidad de muchas estadsticas que utilizaremos para hacer
inferencias.
La variable aleatoria normal posee una funcin de densidad caracterizada por dos
parmetros, su media y su varianza y 2 respectivamente. La media mide la ubicacin
de la distribucin y la desviacin estndar mide su dispersin.
En este caso, para generar variables aleatorias normales, la inversa no es fcil de calcular,
por ello se recurre a mtodos alternativos, entre ellos tenemos:
a) Mtodo Polar
El algoritmo es el siguiente:
Se generan dos nmeros aleatorios R1 y R2.
Se calcula v1= 2R1 1 y v2=2R2 1
Se calcula s = v12 + v22
Si s1, entonces se calcula Zi = vi * [ -2 ln(s) / s]^(1/2)
Z1 = B cos()
Z2 = B sen()
Z12 + Z22 = B2
(cos2 + sen2 ) = B2,
donde B2 tiene una distribucin chi-cuadrado con grado de libertad 2, por tanto se
puede aproximar a una exponencial con media 2.
Se genera = 2R
b) Convolucin:
Por propiedad de variable uniforme, Ri tiene varianza igual a 1/12, por lo tanto Z
tiene varianza 1, ya que la constante no posee varianza.