Академический Документы
Профессиональный Документы
Культура Документы
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
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:
f R ( x)
0,
FR ( x ) 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)
f ( x)
x0
x0
1 e x ,
0,
f (t )dt
x0
x0
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 )
Paso 4. Generar (como se necesite) nmeros aleatorios uniformes R1, R2, R3,,y
calcule la variable aleatoria deseada 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 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:
0,
xa
F ( x)
,
ba
1,
xa
a xb
xb
a xb
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
Distribucin triangular
Considerar una variable aleatoria X dada por la pdf:
x,
f ( x) 2 x
0,
0 x 1
1 x 2
0x2
8
0.6711
90.133
9
0.7795
93.385
10
0.7589
92.767
F ( x)
0,
x0
2
x
,
0 x 1
2
(2 x) 2
1
, 1 x 2
2
1,
x2
0 x 1
2R
(2 X ) 2
R,
2
1 x 2
X 2
2(1 R )
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
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.
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.
n
0
1
2
3
4
5
6
0
1
2
3
0
1
2
3
4
5
0
1
2
3
Rn+1
0.4357
0.4146
0.8353
0.9952
0.8004
0.7945
0.1530
0.9834
0.7075
0.0556
0.3091
0.5542
0.7137
0.9367
0.7406
0.8488
0.0461
0.2125
0.5156
0.5843
0.1406
P
0.4357
0.1806
0.1508
0.1502
0.1202
0.0955
0.0146
0.9834
0.6957
0.0387
0.0119
0.5542
0.3955
0.3705
0.2744
0.2329
0.0107
0.2125
0.1095
0.0604
0.0090
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)
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)
Variable resultante
N=6
N=3
N=5
N=3
Ejemplo 2:
Los autobuses llegan a la parada de Profra. Fajardo y Diego Jose 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:
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.
EJERCICIOS:
f ( x)
x0
0 x
2 x3
3 x 6
0x2
3.- Desarrollar un generador para una distribucin triangular con rango (1, 10) y una
media de 4.
4. 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
2
6
F ( x)
2
1
(
x
) , 0 x4
2 32
1,
x4
5. Dada la cdf siguiente, desarrollar un generador para esta distribucin:
0,
x 4
F ( x)
,
16
1,
x0
0 x2
x2
x2
f ( x) 9 , 0 x 3
0, .0 x 3
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.
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.
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
60
120
10
220