Modelamiento y Simulaci

on
Segundo semestre 2014
Taller 4

Nombres:

Profesor:

Fabio Andres Gomez De Los Ros

1. Evaluaci
on estadstica de puntos sobre un semielipsoide1
Denotemos por s (x1 , x2 ) = (x1 , x2 , x3 (x1 , x2 )), una superficie parametrica sobre un elipsoide
centrado en el origen, y con semi-ejes a1 a2 a3 > 0. Especficamente, s definida como el
grafico de la funci
on x3 sobre el dominio D:
s
 2  2
x1
x2
x3 (x1 , x2 ) = a3 1

,
a1
a2
(1)

s
s





x1 2
x1 2
D =
(x1 , x2 ) : 2 a2 1
x2 1 a2 1
, 2 x1 1 ,

a1
a1
donde, para i = 1, 2 se cumple que |i | < 1 y |i | < a1 .
Queremos generar puntos uniformemente distribuidos sobre la imagen del dominio D. Es decir,
generar valores de un vector aleatorio X = (X1 , X2 ) , de manera que s (X) se distribuya
uniformemente sobre s (D) . El requerimiento de uniformidad significa que dado A R2
contenido en D, y denotando la medida de Lebesgue de dimension 2 para la superficie;
la probabilidad de s (X) s (A) es igual a (s (A)) / (s (D)) .
Teniendo en cuenta que x3 es continuamente diferenciable, la uniformidad implica que:
P { : s (X ()) s (A)} = P { : X () A}
= (s (A)) / (s (D))
Z
=

s
1

( (s (D)))
A


1+

x3
x1

2


+

x3
x2

2
dx.

(2)

La ecuaci
on 2 establece que X debe tener densidad
respecto a la medida de Lebesgue de
r
 2  2
x3
3
dimension 2, dada por: f (x1 , x2 ) = ( (s (D)))1 1 + x
+ x
, si x D, y 0 en otro
x2
1
caso.

G
omez, F.A. & Paluszny, M. et al. (). Extracting information about the rotator cuff from magnetic resonance
images using deterministic and random techniques. submitted to Computational and Mathematical Methods in
Medicine.

Modelamiento y Simulaci
on

Taller 4 - Pagina 2 de 3

En este sentido, si calculamos las derivadas parciales de x3 respecto a x1 y x2 , y denotamos

1 = 1 (a3 /a1 )2 , 2 = 1 (a3 /a2 )2 y = ( (s (D)))1 ; la funcion de densidad f para x D
se puede escribir como:

s
f (x1 , x2 ) =

1+

x3
x1

2


+

x3
x2

2

v
 2
 2
u
u
x
x
u 1 1 a11 2 a22
u
= t
  2  2 ,
1 xa11 xa22

(3)

y dado que a1 a2 a3 > 0, entonces 1 > 1 2 0.

Es decir, para satisfacer el requerimiento de uniformidad, es necesario generar el vector aleatorio
X con densidad f dada por la ecuacin 3. Para tal fin, en primer lugar consideramos la
generaci
on para el cambio de variable y = (y1 , y2 ) = g (x1 , x2 ) , definido por su inversa
(x1 , x2 ) = g 1 (y1 , y2 ):
x1 = a1 y1 ,
x2 = a2 y2

Dg =

q
1 y12 , en el dominio

(4)


2
1
(y1 , y2 ) :
y1
y 2 y2 1 .
a1
a1

Utilizando el teorema para cambio de variable, se obtiene que la densidad de la variable aleatoria
Y = g(X) es:

q
fg (y) = a1 a2 1 1 y12
para y Dg, y m(y1 ) =

1 m (y1 ) y22
,
1 y22

(5)

2 (1y12 )
.
11 y12

Retomando el problema de generar el vector aleatorio X, notamos que es posible resolverlo

generando el vector aleatorio Y, y considerando su imagen inversa X = g 1 (Y ) .
A continuaci
on consideraremos un procedimiento para generar la variable aleatoria Y, en el
caso particular de una esfera sobre el dominio D.

Modelamiento y Simulaci
on

Taller 4 - Pagina 3 de 3

Esfera
En el caso de la esfera a1 = a2 = a3 , y 1 = 2 = 0, por lo tanto la densidad conjunta de Y en
Dg es:
s
1
,
(6)
fg (y) = a21
1 y22
las densidades marginales de Y son2 :
1
2
y1 ,
fg,1 (y1 ) = a21 (arcsin (1 ) arcsin (2 )) ; para
a1
a1
s
1
fg,2 (y2 ) = a1 (1 2 )
; para 2 y2 1 .
1 y22

(7)
(8)

1
1
, Fg,2
. Describa como usar el metodo de la transformada inversa para
(a) Encontrar Fg,1
generar Y1 , y Y2 .

(b) Escribir un programa para generar M valores de las variables aleatorias X1 , X2 , y X3 .

(c) Fijar M = 10000; a1 = 3; 2 = 0; 1 = 0.5; 2 = 2; 1 = 1, correr el programa, y graficar
la superficie s(X).

Dado que,

1
a1
2
a1

fg,1 (y1 ) dy1 =

R 1
2

fg,2 (y2 ) dy2 =1; = 1/ (a1 (1 2 ) (arcsin (1 ) arcsin (2 ))) .