INSTITUTO TECNOLOGICO DE TAPACHULA

CATEDRATICO:
ING. MILTON CARLOS HERNANDEZ RAMIREZ

MATERIA:
SIMULACION
TEMA:
UNIDAD 3: GENERACION DE VARIABLES
ALEATORIAS
INTEGRANTES DEL EQUIPO
:
YENICSA YESSEL VIDAL GONZALEZ
JAVIER MAAS MORENO
ROBERTO TORRES MORALES
DENISSE
5 SEMESTRE
ING. EN SISTEMAS COMPUTACIONALES
TAPACHULA CHIAPAS, 25 DE NOVIEMBRE DEL
2015

3.1 Generacin de variables aleatorias

Hay una variedad de mtodos para generar variables aleatorias. Cada mtodo se
aplica solo a un subconjunto de distribuciones y para una distribucin en particular
un mtodo puede ser ms eficiente que otro.
Buscamos mtodos que nos permitan obtener valores de variables aleatorias
que sigan

determinadas

distribuciones

de

probabilidad

a partir

de

los

nmeros aleatorios generados, que siguen la distribucin Uniforme en el intervalo

(0,1).
Hay cuatro mtodos generales de generacin de variables aleatorias y una
serie de mtodos particulares de las distintas distribuciones.
La facilidad de aplicacin de dichos mtodos, as como el coste computacional
asociado a los mismos, vara mucho segn la familia de variables aleatorias a las
que se apliquen.
Normalmente existen varios algoritmos que se pueden utilizar para generar
valores de una determinada distribucin, y diferentes factores que se pueden
considerar para determinar

qu algoritmo utilizar

en

un

caso particular.

Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y

a veces se ha de llegar a una solucin de compromiso.
Algunos de estos factores son los siguientes:
Exactitud: se han de obtener valores de una variable con una precisin dada.
A veces se tiene suficiente con obtener una aproximacin y otras no.
Eficiencia: el algoritmo que implementa el mtodo de generacin tiene asociado
un

tiempo de ejecucin y un gasto de memoria. Elegiremos un mtodo que sea

eficiente en cuando al tiempo y a la cantidad de memoria requeridos.

Complejidad: Buscamos mtodos que tengan complejidad mnima, siempre y
cuando se garantice cierta exactitud.

3.2 VARIABLES ALEATORIAS DISCRETAS

Este tipo de variables deben cumplir con estos parmetros:

Px>0

pi

P ( fl< x <b )=Spc =Pa ++ P o

i=0

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

Bernoulli, la hipergeomtrica, la de Poisson y la binomial (Figura 3.1). Podemos
asociar a estas U otras distribuciones de probabilidad el comportamiento de una
variable aleatoria. Por ejemplo, si nuestro 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 resultados: la pieza es buena o la
pieza es mala. Este tipo de comportamiento est asociado a una distribucin de
Bernoulli. Por otro lado, si lo que queremos es modelar el nmero de usuarios que
llamarn a un telfono de atencin a clientes, el tipo de comportamiento puede
llegar parecerse a una distribucin de Poisson. Incluso podra ocurrir que el
Comportamiento de la variable no se pareciera a otras distribuciones de
probabilidad conocidas. Si ste fuera el caso, es perfectamente vlido usar una
distribucin emprica que se ajuste a las condiciones reales de probabilidad. Esta
distribucin puede ser una ecuacin o una suma de trminos que cumplan con las
condiciones necesarias para ser consideradas una distribucin de probabilidad.

3.3 VARIABLES ALEATORIAS CONTINUAS

Este tipo de variables se representan mediante una ecuacin que se conoce como
funcin de densidad de probabilidad. Dada esta condicin, cambiamos el uso de la
sumatoria por la de una integral para conocer la funcin acumulada de la variable
aleatoria. Por lo tanto, las variables aleatorias continuas deben cumplir los
siguientes parmetros:
Pix> 0

P ( x=s )=0

f ( x )=1

P { a< x <b }=Pia < x< b=f (x )

Entre

las

distribuciones de probabilidad tenemos la uniforme continua, la exponencial, la

normal, la de Weibull, la Chi-cuadrada y la de Erlang (vea la figura3.2). Al igual
que en el caso de las distribuciones discretas, algunos procesos pueden ser
asociados aciertas distribuciones.
Por ejemplo, es posible que el tiempo de llegada de cada cliente a un sistema
tenga una distribucin de probabilidad muy semejante a una exponencial, o que el
tiempo que le toma a un
operario realizar una serie de
tareas se comporte de manera
muy similar a la dispersin que
presenta

una

distribucin

normal.

Sin

embargo, debemos
hacer notar que este tipo de distribuciones tienen sus desventajas, dado que el
rango de valores posibles.

3.4 METODO PARA GENERAR VARIABLES ALEATORIAS

En todo modelo de simulacin estocstico, existen una o varias variables
aleatorias interactuando. Generalmente, estas variables siguen distribuciones de
probabilidad tericas o empricas diferentes a la distribucin uniforme. Por

consiguiente, para simular este tipo de variables, es necesario contar con un

generador de nmeros uniformes y una funcin que a travs de un mtodo
especio, transforme estos nmeros en valores de la distribucin de probabilidad
deseada
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: se prefiere 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.
Los mtodos ms empleados para la generacin de variables aleatorias son:
Mtodo de la transformada inversa: Consiste en emplear la distribucin
acumulada

F(x)

de la distribucin de probabilidad a simular por medio de

integracin; como el rango de F(x) se encuentra en el intervalo de cero (0) a uno

(1), se debe generar un nmero aleatorio ri para luego determinar el valor de la
variable aleatoria cuya distribucin acumulada es igual a ri. El problema de este
mtodo radica en el hecho

que algunas veces se dificulta demasiado la

consecucin de la transformada inversa.

Mtodo de convolucin: Permite generar una distribucin a partir de la suma de
distribuciones ms elementales o mediante la transformada z.
Mtodo de aceptacin y rechazo: Cuando f(x) es una funcin acotada y x
tiene un rango finito, como a < x < b, se utiliza este mtodo para encontrar los
valores de las variables aleatorias. El mtodo consiste en normalizar el rango de f

mediante un factor de escala c, luego definir a x como una funcin lineal de r,

despus se generan parejas de nmeros aleatorios r1, r2 y por ltimo si el nmero
encontrado se elige al azar dentro del rango (a,b) y r b, se utiliza este mtodo
para encontrar los valores de las variables aleatorias.
Mtodo de composicin: Con este mtodo la distribucin de probabilidad f(x) se
expresa como una mezcla o composicin de varias distribuciones de probabilidad
fi(x) seleccionadas adecuadamente.
Procedimientos especiales: Existen algunas distribuciones estadsticas de
probabilidad en las cuales es posible emplear sus propiedades para obtener
expresiones matemticas para la generacin de variables aleatorias en forma
eficiente.

3.4.1 METODO DE LA TRANSFORMADA INVERSA

El mtodo de la transformada (o transformacin) inversa, tambin conocido como
mtodo de la inversa de la transformada, es un mtodo para la generacin de
nmeros aleatorios de cualquier distribucin de probabilidad continua cuando se
conoce la inversa de su funcin de distribucin (cdf). Este mtodo es en general

aplicable, pero puede resultar muy complicado obtener una expresin analtica de
la inversa para algunas distribuciones de probabilidad.
El mtodo de Box-Muller es un ejemplo de algoritmo que aunque menos general,
es ms eficiente desde el punto de vista computacional. El mtodo se utiliza para
simular valores de las distribuciones exponenciales, cauchy, triangular, de Pareto y
Weibull. El problema que resuelve el mtodo de la transformada inversa es el
siguiente:
Sea X una variable aleatoria cuya distribucin puede ser descrita por la cdf F. Se
desea generar valores de X que estn distribuidos segn dicha distribucin.
Numerosos lenguajes de programacin poseen la capacidad de generar nmeros
pseudoaleatorios que se encuentran distribuidos de acuerdo con una distribucin
uniforme estndar. Si una variable aleatoria posee ese tipo de distribucin,
entonces la probabilidad de que el nmero caiga dentro de cualquier subintervalo
(a, b) del intervalo entre 0 a 1 es la longitud del subintervalo, o sea b a.
El mtodo de la transformada inversa, es el mtodo ms utilizado en la obtencin
de variables aleatorias para experimentos de simulacin. Para aplicar este mtodo
suponga que queremos generar el valor de una variable aleatoria discreta X con
funcin de masa de probabilidad:
X =x j= p j , j=0, 1,,,,,,, pj=1
j

Algoritmo Mtodo de la transformada inversa para variables aleatorias discretas

1. Generar un numero aleatorio R.
R< p0
X =x0
2. Si
hacer
y terminar.
3. Si

R< p0 + p1

hacer

X =x1

y terminar.

4. Si

Si los

R< pj
i=1

x i , i 0

hacer

X =x j

y terminar.

, estn ordenados de modo que

x 0< x1 < x 2 <

y si F denota la

funcin de distribucin de X, entonces

Fx ( x k )= Pi .
i=0

Ejemplo: Si queremos simular una variable aleatoria X tal que:

0,20 , si x=1
fx ( x )=P ( X =x )= 0,15 , si x=2
0,25 , si x=3
0,40 , si x=4

Entonses si obtenemos la funcion de distribucion, tenemos:

0,20 , si x 1
fx ( x )=P ( X < x )= 0,35 , si1< x 2
0,60 , si 2< x 3
1,00 , sir > 4

Finalmente, las variables aleatorias X se obtienen atraves de:

1 , si R<0.20
2
,
si
0.20 R< 0.35
fx ( x )=P ( X < x )=
3 , si 0.35 R< 60
4 , si 0.60 R<1

Ahora consideremos si la variable que se desea generar es una variable continua

con funcin de distribucin F. el mtodo de la transformada inversa para variables
continuas, se basa en la siguiente proporcin.

Mtodo del rechazo

Otro procedimiento para generar valores de variables aleatorias de distribuciones
de probabilidad no uniformes, es el mtodo de rechazo. 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 est
analizando. Para comprender la lgica de este mtodo, suponga que f (x) es una
distribucin de probabilidad acotada y con rango finito, es decir, a < x < b. De
acuerdo a esta funcin de probabilidad, la aplicacin del mtodo de rechazo
implica el desarrollo del siguiente algoritmo:
1. Normalizar el rango de f mediante un factor de escala c tal que:
cf ( x ) 1, a x b

2. Generar dos nmeros uniformes

R1 y R2

3. Determinar el valor de la variable aleatoria x de acuerdo a la siguiente

relacin lineal de

R1

x=a+ ( ba ) R1

4. Evaluar la funcin de probabilidad en

x=a+ ( ba ) R1 .

5. Determinar si la siguiente desigualdad se cumple:

R2 cf (a+ ( ba ) R1 )

Se utiliza a

x=a+ ( ba ) R1

si la respuesta es afirmativa como un valor simulado

de la variable aleatoria. De lo contrario, es necesario regresar al paso 1 tantas

veces como sea necesario.

La teora sobre a que se apoya este mtodo se basa en el hecho de que la

probabilidad de que

R2 cf (x) es exactamente

nmero es escogido al azar de acuerdo a

cf (x ) . Por consiguiente, si un
x=a+ ( ba ) R1

y rechazado si

R2 >cf (x ) , entonces la distribucin de probabilidad de las xs aceptadas ser

exactamente

f (x) . Por otra parte, conviene sealar que si todas las xs fueran

aceptadas, entonces x estara uniformemente distribuida entre a y b.

Finalmente, es necesario mencionar que algunos autores como Toche, han
demostrado que el nmero esperado de intentos para que x sea aceptada como

una variable aleatoria que sigue una distribucin de probabilidad

f ( x ) , es

1
c . Esto

significa que este mtodo podra ser un tanto ineficiente para ciertas distribuciones
de probabilidad en las cuales la moda sea grande.
Ejemplo
Distribucin parablica. Se desea generar valores de variables aleatorias que
sigan la siguiente distribucin de probabilidad:
3
2
fx ( x )= ( 1x ) , si1 x 1
4
Entonces a = -1, b = 1 implica que x = 2R -1, pero

intervalo
fx ( x )

0 fx( x )

3
4 , si se normaliza haciendo

fx ( x )

c=

est definida en el

3
4 , se transformara a

al intervalo unitario. Ahora para generar valores de variables aleatorias

con distribucin de probabilidad

fx ( x ) , tenemos que aplicar el siguiente

algoritmo:
Algoritmo: Generacin de variables aleatorias con distribucin parablica.
1. Generar dos nmeros aleatorios
2. Calcular

x=2 R 11

R2

4
f ( 2 R11 ) .
3

3. Si

R 1 y R2

.
Si la respuesta es afirmativa entonces

x=2 R 11

es un valor simulado de la variable aleatoria. De lo contrario, se requiere

regresar al paso 1 tantas veces como sea necesario.

3.4.2 METODO DE LA CONVOLUCION

Convolucin es un operador matemtico que transforma dos funciones f y g en
una tercera funcin que en cierto sentido representa la magnitud en la que
se superponen f y una versin trasladada e invertida de g. Una convolucin es un
tipo muy general de media mvil, como se puede observar si una de las funciones
se toma como la funcin caracterstica de un intervalo.
Convolucin discreta
Cuando se trata de hacer un procesamiento digital de seal no tiene sentido
hablar de convolucin aplicando estrictamente la definicin ya que solo
disponemos de valores en instantes discretos de tiempo. Es necesario, pues, una
aproximacin

numrica. Para realizar la convolucin

evaluar el rea

de

la funcin:

x ( )h( t )

Para

entre dos seales, se

ello, disponemos de

muestreos de ambas seales en los instantes de tiempo

x[k ]

h [ nk ]

que llamaremos

(donde n y k son enteros. El rea es, por tanto:

y [ n ] = t . x [ k ] . h [ nk ] =t .
k=

k =

x [ k ] . h [ nk ]

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

generarse mediante la suma de otras variables aleatorias X de manera ms rpida
que a travs de otros mtodos. Entonces, el mtodo de convolucin se puede
expresar como: .Y=X:+X2+...+Xk.
Las variables aleatorias de cuatro de las distribuciones ms conocidas (de Erlang,
normal, binomial y de Poisson) pueden ser generadas a travs de este mtodo,
como se ver a continuacin.

Distribucin de Erlang
La variable aleatoria /c-Erlang con media 1/A puede producirse a partir de la
generacin de k variables exponenciales con media1//VA:

3.4.2
METODO
COMPOSICION

DE

El mtodo de composicin
conocido

tambin

como

mtodo mixto permite generar

Variables aleatorias x cuando stas provienen de una funcin de densidad fx que
puede expresarse como la combinacin convexa de m distribuciones de
probabilidad f(x). Entonces, la combinacin convexa se puede expresar como:

Algunas de las distribuciones ms conocidas que pueden expresarse como una

combinacin convexa son: triangular, de Laplace y trapezoidal. El procedimiento
general de generacin es el siguiente:
1. Calcular la probabilidad de cada una de las distribuciones f(x).
2. Asegurar que cada funcin fx sea funcin de densidad.
3. Obtener, mediante el mtodo de la transformada inversa, las expresiones

para generar variables aleatorias de cada una de las distribuciones f(x).

4. Generar un nmero pseudoaleatorios r que permita definir el valor del A{x).
5. Seleccionar la funcin generadora correspondiente a la funcin f(x).
6. Generar un segundo nmero pseudoaleatorios f, y sustituirlo en la funcin
generadora anterior para obtener Y.
Determinar cul era el mtodo de composicin de Wolfgang Amadeus Mozart ha
sido una cuestin muy estudiada. La visin decimonnica de este tema

se

basaba a menudo en una concepcin romntica e idealizada del proceso de

composicin; los estudios ms recientes han tratado de abordar el asunto a travs
del examen sistemtico de las cartas y documentos que han sobrevivido, llegando
a diversas conclusiones.

3.5 PROCEDIMIENTOS ESPECIALES

Existen diferentes tipos de mtodos para generar variables aleatorias, pero
tambin existen casos especiales para generar estas los cuales son:
La distribucin de Poisson parte de la distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy
elevado de veces y la probabilidad de xito "p" en cada ensayo es
reducida, entonces se aplica el modelo de distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
La distribucin de Poisson sigue el siguiente modelo:
El nmero "e" es 2,71828

" l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de xito en cada ensayo) " k " es el nmero
de xito cuya probabilidad se est calculando
La distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un
experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo
que la variable slo puede tomar dos valores: el 1 y el 0.

BIBLIOGRAFIA

BARCELO, J. \Simulacin de sistemas discretos". Primera edicin. Madrid: Isdefe,

1996. IS-BN: 84-89338-12-4

ROSS, S. M. \Simulacin". Segunda edicin. Mxico: Prentice Hall, 1999. ISBN:

970-17-0259-X.

NAYLOR, T. et al. \Tcnicas de simulacin en computadoras". Primera edicin.

Mxico: Limosa, 1993. ISBN: 968-18-0839-8.

CHURCHMAN, C. W. \A analisys of the concept of simulation". Simposium on

Simulation Model. Editado por Austin C. Hoggatt y Frederich E. Balderston. Pagina
12.

SIMULACION Y ANLISIS DE SISTEMAS CON PROMODEL, Pearson: Eduardo

Garca Luna, Heriberto Garca Reyes, Leopoldo E. Crdenas Barrn. Primera
edicin 2006.