DE CIUDAD HIDALGOINSTITUTO TECNOLÓGICO SUPERIOR

SIMULACIÓN

Actividad de Aprendizaje:

Métodos para generar variables aleatorias

Presenta:
Edgar Camacho Cruz.

Docente:
ISC. CESAR EDUARDO MORA HERNANDEZ

Cd. Hidalgo, Mich. 23 Marzo 2020

 Machote Documentos

INTRODUCCION.

En esta investigación se abordarán temas sobre la generación de variables

aleatorias que es un proceso que enfrenta la simulación debido a que cuenta
con variables con un comportamiento probabilístico. En donde dicha
variabilidad se pudiera clasificar dentro de alguna distribución de
probabilidad conocida.

La generación de cualquier variable aleatoria se va a basar en la generación

previa de una distribución uniforme (0,1). Y las transformaciones de dichos
números generados en valores de otras distribuciones.

Es necesario determinar que una variable aleatoria es representada por

medio de distribuciones de probabilidad. El procedimiento para generar
variables aleatorias a partir de distribuciones de probabilidad se conoce
como generación de variables aleatorias o muestreo de Monte Carlo, el
principio del muestreo se basa en la interpretación de frecuencia de la
probabilidad y requiere un flujo permanente

El propósito de esta sección es explicar e ilustrar algunas técnicas

ampliamente usadas para generar variables aleatorias, y no para llevar a
cabo una investigación profunda de las técnicas más eficientes de números
aleatorios.

Usualmente tales variables son modeladas como variables aleatorias con

una distribución estadística, y los procedimientos estadísticos estándar
existen para estimar los parámetros de la distribución hipotética y para
probar la validez del modelo estadístico asumido, el propósito general es
explicar los métodos de convolución, método de composición, método de
transformada inversa y sus procedimientos que siguen.
 Machote Documentos

INDICE

INTRODUCCION..............................................................................................................2
MÉTODOS PARA GENERAR VARIABLES ALEATORIAS.............................................4
MÉTODO DE LA TRANSFORMADA INVERSA..............................................................4
MÉTODO DE CONVOLUCIÓN........................................................................................7
MÉTODO DE COMPOSICIÓN.........................................................................................9
CONCLUSIÓN................................................................................................................13
BIBLIOGRAFÍA...............................................................................................................14
 Machote Documentos

MÉTODOS PARA GENERAR VARIABLES ALEATORIAS

Un modelo de simulación involucra variables aleatorias, las cuales siguen

distribuciones de probabilidad teóricas o empíricas. Estas variables
usualmente tienen un comportamiento no uniforme, por lo que es necesario
simular estas variables mediante generadores que utilizan variables
uniformes y una función de transformación a la distribución de probabilidad
deseada.

La variabilidad de eventos y actividades se presentan a través de funciones

de densidad para fenómenos continuos, y mediante distribuciones de
probabilidad para fenómenos de tipo discreto. La simulación de estos
eventos o actividades se realiza con la ayuda de la generación de variables
aleatorias.

Existen varios métodos que nos permiten generar variables aleatorias. Lo

normal es que existan varias opciones para generar una misma variable
aleatoria. La elección del método adecuado se puede basar en una serie de
factores como:

 Exactitud. Se prefiere un método exacto frente a métodos

aproximados, como soluciones numéricas.
 Velocidad. Uno de los datos que se toma en consideración es el
tiempo de generación de la variable.
 Espacio. Necesidades de memoria del método utilizado. En general,
los métodos no consumen mucha memoria.
 Simplicidad.

MÉTODO DE LA TRANSFORMADA INVERSA.

El método de la transformada inversa puede utilizarse para simular variables

aleatorias continuas, lo cual se logra mediante la función acumulada F(x) y la
generación de números
 Machote Documentos

pseudoaleatorios r¡ ~ U (0 ,1). El método consiste en:

 Definir la función de densidad F(x) que represente la variable a
modelar.
 Calcular la función acumulada F(x).
 Despejar la variable aleatoria x y obtener la función acumulada
inversa F(x)~'-
 Generar las variables aleatorias x, sustituyendo valores con números
pseudoaleatorios r. ~U(0,1) en la función acumulada inversa.

El método de la transformada inversa también puede emplearse para simular

variables aleatorias de tipo discreto, como en las distribuciones de Poisson,
de Bernoulli, binomial, geométrica, discreta general, etcétera. La generación
se lleva a cabo a través de la probabilidad acumulada P(x) y la generación
de números pseudoaleatorios r^ U fO J).

El método consiste en:

 Calcular todos los valores de la distribución de probabilidad p(x) de la
variable a
 modelar.
 Calcular todos los valores de la distribución acumulada P(x).
 Generar números pseudoaleatorios ry ~U(0,1).
 Comparar con el valor de P(x) y determinar qué valor de x
corresponde a P(x).

Ejemplo de variables aleatorias continuas:

La temperatura de una estufa se comporta de manera uniforme dentro del
rango de 95 a
100°C. La lista de números pseudoaleatorios y la ecuación x¡ = 95 + 5r¡ nos
permiten modelar el comportamiento de la variable aleatoria que simula la
temperatura de la estufa

Tabla: Simulación de las temperaturas de una estufa.

Medición r¡ Temperatura °C
1 0.48 97.40
 Machote Documentos

2 0.82 99.10
3 0.69 98.45
4 0.67 98.35
5 0.00 95.00
Distribución exponencial
A partir de la función de densidad de las variables aleatorias exponenciales
con media
1/A,

se obtiene la función acumulada

Si igualamos la función acumulada F(x) con el número pseudoaleatorio r/~ U

(0 ,1), y despejamos x se obtiene:

Ejemplo de variables aleatorias discretas:

Los datos históricos del tiempo de servicio en la caja de un banco se

comportan de forma exponencial con media de 3 minutos/cliente. Una lista
de números pseudoaleatorios r.~U(0,1) y la ecuación generadora
exponencial x. = —3ln(1 - r¡ )nos permiten simular el comportamiento de la
variable aleatoria.

Tabla: Simulación del tiempo de servicio en la caja de un banco.

Cliente r¡ Tiempo de servicio (min)
1 0.64 3.06
2 0.83 5.31
3 0.03 0.09
4 0.50 2.07
5 0.21 0.70

Distribución de Bernoull
A partir de la distribución de probabilidad de las variables aleatorias de
Bernoulli con
 Machote Documentos

Media

p(x)=p*(1 - p ) 1-* para x = 0,1

se calculan las probabilidades p a ra x = 0 y x = 1, para obtener

x 0 1
P(X) 1-p P

Si acumulamos los valores de p(x) obtenemos:

x 0 1
P(X) 1-p 1

Al generar los números pseudoaleatorios r.~U(0,1) se aplica la regla:

X1=¿

MÉTODO DE CONVOLUCIÓN.

La distribución de probabilidad de la suma de dos o más variables aleatorias

independientes es llamada la convolución de las distribuciones de las
variables originales. El método de convolución es entonces la suma de dos o
más variables aleatorias para obtener una variable aleatoria con la
distribución de probabilidad deseada. Puede ser usada para obtener
variables con distribuciones Erlang y binominales
En algunas distribuciones de probabilidad la variable aleatoria a simular, Y,
puede generarse mediante la suma de otras variables aleatorias X de
manera más rápida que a través de otros métodos.

Distribución de Erlang
La variable aleatoria /c-Erlang con media 1/A puede producirse a partir de la
generación
de k variables exponenciales con media l /kA:
 Machote Documentos

Ejemplo:
El tiempo de proceso de cierta pieza sigue una distribución 3-Erlang con
media 1/A de 8 minutos/pieza. Una lista de números pseudoaleatorios
r¡ ~U(0,1) y la ecuación de generación de números Erlang permite obtener la
tabla 3.14# que indica el comportamiento de la variable aleatoria.

Tabla: Simulación del tiempo de proceso

Pieza 1 - r¡ 1 - r¡ 1 - r¡ Tiempo de proceso
(min/pieza)
1 0.28 0.52 0.64 6.328
2 0.96 0.37 0.83 3.257
3 0.04 0.12 0.03 23.588
4 0.35 0.44 0.50 6.837
5 0.77 0.09 0.21 11.279

Distribución normal
La variable aleatoria normal con media /x y desviación estándar ο* puede
generarse mediante el teorema del límite central:
 Machote Documentos

Al sustituir X. por números pseudoaleatorios r, se obtiene:

Si despejamos X, tenemos que:

MÉTODO DE COMPOSICIÓN.

El método de composición conocido también como el método mixto permite

generar variables aleatorias X cuando estas provienen de una función de
densidad fx que puede expresarse como la combinación convexa de m
distribuciones de probabilidad fi(x). Entonces, la combinación convexa se
puede expresar como:
m
f ( x )= ∑ f i ( x ) I A ( x )
i=1
Dónde:

I A ( x )= 0 si∧x A
{
1 si∧x A
Alguna de las distribuciones más conocidas que pueden expresarse como
una combinación convexa son: triangular, de Laplace y trapezoidal. El
procedimiento general de generación es el siguiente:
1. Calcular la probabilidad de cada una de las distribuciones f i(x).
2. Asegurar que cada función fi(x) sea la función de densidad.
 Machote Documentos

3. Obtener, mediante el método de la transformada inversa, las

expresiones para generar variables aleatorias de cada una de las
distribuciones fi(x).
4. Generar un número pseudoaleatorio r i que permita definir el valor de
IA(x).
5. Seleccionar la función generadora correspondiente a la función f i(x).
6. Generar un segundo número pseudoaleatorio r i y sustituirlo en la
función generadora anterior para obtener Y.

Distribución triangular
A partir de la función de densidad triangular

2 ( x −a )

{
f ( x )= ( b−a ) ( c−a )
¿
2 ( b−x )
∧a< x c

( b−a ) ( b−c )
∧c < x b

Calcular la probabilidad de cada uno se los segmentos de la función

c
2 ( x−a )
p ( x) =
{
¿∫
∫ ( b−a )( c −a ) ∧dx
a
b

c
2 ( b−x )
( b−a ) ( b−c )
∧dx

( c−a )
p ( x) = (
¿ {
b−a )
∧a< x c

( b−c )
( b−a )
c<xb

Ya que los segmentos por separado no son funcionales de densidad, se

ajustan dividiendo por su correspondiente p(x).

2 ( x−a ) ( b−a ) 2 ( x−a )

¿{ =
p ( x ) = ( b−a ) ( c−a ) ( c−a ) ( c−a ) 2
2 ( b−x ) ( b−a ) 2 ( b−x )
=
∧a< x c

( b−a )( b−c ) ( b−c ) ( b−c ) 2

c<x b

Expresando la función como una combinación convexa se obtiene:

 Machote Documentos

m 2
f ( x )= ∑ f i ( x ) I A ( x ) =∑ f i ( x ) I A ( x )
i=1 i=1

2 ( x−a ) 2 ( b−x )
f ( x )= I a x c (x) + I c x b ( x)
( c−a ) 2 ( b−c ) 2

Dónde:

I A ( x )= 0 si∧x A
{
¿1 si∧x A
Primero integramos para aplicar el método de la transformación inversa a
cada segundo de la función:
x
2 ( x−a ) ( x−a ) 2

F ( x )=
{ x
∫ ( c−a ) 2 ∧dx= ( c−a ) 2 a ≤ x c
a

2 ( b−x )
¿
( b−x ) 2
∫ ( b−c ) 2 ∧dx=1− ( b−c ) 2 c ≤ x b
c

Luego, despejando x y sustituyendo ri en F(x) obtenemos:

a+ ( c−a ) √ r 1
x=
{
¿ b∧−[ ( b−c ) √ 1−r 1 ]

Por último, al expresar la ecuación anterior incluyendo la función indicadora

IA(x) tenemos que:

( c−a )

{
a+ ( c−a ) √r 1 si r j≤
( b−a ) ¿
x= ¿
( c−a )
b∧−[ ( b−c ) √ 1−r 1 ] si r j>
( b−a )
Ejemplo:
Generar una muestra de 5 variables aleatorias con distribución triangular a
partir de los parámetros: valor mínimo 5, moda 10 y valor máximo 20.

( c−a )

{
a+ ( c−a ) √r 1 si r j≤
( b−a ) ¿
x= ¿
( c−a )
b∧−[ ( b−c ) √ 1−r 1 ] si r j>
( b−a )
 Machote Documentos

Sustituyendo a= 5, c= 10 y b=20 obtenemos:

(5 )

{
5+ ( 5 ) √ r 1 si r j≤
( 15 ) ¿
x= ¿
(5)
20∧− [ (10 ) √ 1−r 1 ] si r j>
( 15 )

Al generar una secuencia de números pseudoaleatorio se obtiene la

secuencia de variables triangulares que se lista en la tabla siguiente:

Tabla: Simulación de variables aleatorias triangulares.

Variabl rj ri X = 5 + 5 √r 1 X = 20 - 10 √ 1−r 1
e Si rj  0.33 Si rj  0.33
1 0.231 0.456 8.37 -
2 0.421 0.967 - 18.18
3 0.853 0.982 - 18.65
4 0.048 0.134 6.83 -
5 0.675 0.539 - 13.18
 Machote Documentos

CONCLUSIÓN

Mediante este trabajo de investigación se analizó que las variables aleatorias

son presentadas por medio de distribuciones de probabilidad, los diferentes
procedimientos que siguen para la generación de los números con variables
aleatorias a partir de las distribuciones de la probabilidad.

Existen una serie de métodos particulares de las distintas distribuciones. La

facilidad de aplicación de dichos métodos, así como el coste asociado a los
mismos puede variar según la cantidad de datos o valores a evaluar.
Normalmente existen varios algoritmos que se pueden utilizar para generar
valores de una determinada distribución, y diferentes factores que se pueden
considerar para determinar qué algoritmo utilizar en un caso particular.

Cabe mencionar que la probabilidad es la posibilidad u oportunidad de que

suceda un evento particular y este interactúe de manera positiva a nuestra
simulación o así mismo existan factores que lo regulen de manera negativa a
lo esperado. Los Datos de probabilidad que involucremos pueden ser un
valor que varía entre cero y uno. Observamos que un evento que no tiene
posibilidad de ocurrir o que es nulo tiene una probabilidad de cero, mientras
que un evento que seguramente ocurrirá o es acertado, tiene una
probabilidad de uno.

Antes de poder realizar una simulación de gran escala con las distribuciones
de probabilidad mediante la generación de números aleatorios, suelen actuar
factores que pueden generar conflictos unos con otros y es de esperar que
la solución que deseemos buscar no sea la más optima.
 Machote Documentos

BIBLIOGRAFÍA

 Dunna, E. G., Reyes, H. G., & Barrón, L. E. C. (2006). Simulación y

análisis de sistemas con ProModel. Pearson Educación.

 Domínguez, D. S. C. (2014). SIMULACIÓN SIMULACIÓN.

 Rivera, I. E. (14 de 12 de 2016). Slideshare. Obtenido de

https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-
de-variables-aleatorias