SIMULACIÓN

UNIDAD 3.
GENERACIÓN DE VARIABLES
ALEATORIAS.

M.I.I. PATRICIA V. SALAS HERNÁNDEZ

La variabilidad de eventos y actividades se representa 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.

Los principales métodos para generar variables aleatorias son:

Método de la transformada inversa

Método de convolución
Método de composición
Método de la transformación directa
Método de aceptación-rechazo
 MÉTODO DE
LA TRANSFORMADA INVERSA.
• 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)-1.
• Generar las variables aleatorias x, sustituyendo
valores con números pseudoaleatorios ri~U(0,1)
en la función acumulada inversa.
• 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 ri~U(0,1) .
• Comparar con el valor P(x) y determinar qué
valor de x corresponde a P(x).
Función de densidad ƒ(χ)

La gráfica muestra la metodología para

generar variables aleatorias continuas.
La gráfica muestra la metodología para
generar variables aleatorias continuas.
La gráfica muestra la metodología para
generar variables aleatorias discretas.
Distribución de probabilidad
0.3

0.25

0.2

0.15

0.1

0.05

0
0 1 2 3 4 5 6 7 8
 Distribución acumulada
1.2

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5 6 7 8
 Distribución uniforme
1. Definir la función de densidad f(x) que represente la
variable a modelar:

Función de densidad de las variables aleatorias uniformes

entre a,b:

2. Calcular la función acumulada F(x):

F(χ)=∫ 1/(b-a) dx = (χ-a)/(b-a) a≤χ≤b

X
0
Igualando la función acumulada F(χ)
con el número pseudoaleatorio
r¡~U(0,1) y despejando χ se
obtiene:
F(χ)=(χ-a)/(b-a)
ri=(χ-a)/(b-a)
ri(b-a)=(χ-a)
ri(b-a)+a = χ
EJEMPLO:
La temperatura de una estufa se comporta uniformemente
dentro del rango de 95 a 100ºC.
Una lista de números pseudoaleatorios y la ecuación
χ¡=95+5r¡ nos permite modelar el comportamiento de la
variable aleatoria que simula la temperatura de la estufa
χi=a+(b-a)ri χ¡=95+5r¡
Medición r¡ Temperatura

1 0.48 97.4

2 0.82 99.1

3 0.69 98.45

4 0.67 98.35

5 0.00 95
χ¡=a(b-a)r¡
χ¡=95+(100-95)r¡
χ¡=95+(5)r¡

χ¡=95+5(0.48)=97.40
χ¡=95+5(0.82)=99.10
χ¡=95+5(0.69)=98.45
χ¡=95+5(0.67)=98.35
χ¡=95+5(0.00)=95.00
A partir de la función de densidad de las variables aleatorias
exponenciales con media 1/λ,

f(x)= λ𝑒 −λ𝑥 para x ≥ 0

Se obtiene la función acumulada :

−λ𝑥
dx = 1 −𝑒 −λ𝑥 𝑝𝑎𝑟𝑎 𝑥≥ 0
𝑥
F(x)= 0
λ𝑒

Igualando la función acumulada F(x) con el número

pseudoaleatorio ri~U(0,1) y despejando x se obtiene: ri=1-e-λx
e-λx=1-ri
𝑥 1 ln(e-λx) = ln(1-ri)
𝑖=− ln(1−𝑟𝑖) -λx = ln(1-ri)
λ
x = (ln(1-ri))/- λ
xi = (-1/λ )ln(1-ri)
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 ri~U(0,1) y la ecuación generadora
exponencial 𝒙𝒊=−𝟑 𝒍𝒏(𝟏−𝒓𝒊) , nos permite simular el
comportamiento de la variable aleatoria.
𝑥 1 𝒙𝒊=−𝟑
𝑖=− ln(1−𝑟𝑖) 𝒍𝒏(𝟏−𝒓𝒊)
λ
CLIENTE ri Tiempo de
servicio (min)
1 0.64 3.06
2 0.83 5.31
3 0.03 0.09
4 0.5 2.07
5 0.21 0.70
A partir de la distribución de probabilidad de las variables aleatorias de Bernoulli:

p(x)=p(1-𝑝)1−𝑥 para x=0,1

x

p(0)=p0(1-p)1-0=1(1-p)1
Se calculan las probabilidades para x=0 y x=1 para obtener: p(1)=p1(1-p)1-1=p(1-p)0 =p
x 0 1
p(x) 1-p p
Acumulando los valores de p(x) se obtiene:
p(0)=1-p p(0)+p(1)=1-p+p=1
x 0 1
P(x) 1-p 1

Generando los números pseudoaleatorios ri~U(0,1) se aplica la regla:

𝑥𝑖 𝑆𝑖 𝑟𝑖 ⋵ 0, 1 − 𝑝 𝑥 = 0
Si 𝑟𝑖 ⋵ 1 − 𝑝, 1 𝑥 = 1
p=probabilidad de éxito
q=1-p=probabilidad de fracaso
Los datos históricos sobre la frecuencia de paros de cierta máquina
muestran que existe una probabilidad de 0.2 de que éste falle (x=1),
y de 0.8 de que no falle (x=0) en un día determinado. Generar una
secuencia aleatoria que simule este comportamiento . A partir de la
distribución de probabilidad de la variable aleatoria de Bernoulli.

p(x)= (0.2)𝑥 (0. 8)1−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1

Se calculan las probabilidades y se obtiene para x=0 y x=1 :

X 0 1
p(x) 0.8 0.2
P(x) 0.8 1

Las reglas que se obtienen son:

𝑥𝑖 𝑆𝑖 𝑟𝑖 ⋵ 0, 0.8 𝑥=0
Si 𝑟𝑖 ⋵ 0.8, 1 𝑥 = 1
Con una lista de números pseudoaleatorios ri ~U(0,1) y
la regla anterior es posible simular el comportamiento
de las fallas de la máquina a lo largo del tiempo
considerando que:

 Si ri <0.8 la máquina no falla

Si ri > 0.8 la máquina falla

Día Ri Xi Evento de
la máquina
1 0.453 0 No falla
2 0.823 1 Falla
3 0.034 0 No falla
4 0.503 0 No falla
5 0.891 1 Falla
A partir de la siguiente tabla que muestra la
demanda de cepillos. Simular el comportamiento
de la demanda para los siguientes 9 días.

Día 1 2 3 4 5 6 7 8 9
Demanda 1 2 2 1 3 0 3 1 3
 Día 1 2 3 4 5 6 7 8 9
Demanda 1 2 2 1 3 0 3 1 3

A partir de la distribución de probabilidad de la variable aleatoria de

Bernoulli:
p(x)=px(1-p)1-x para x=0,1,2,3

Se calculan las probabilidades Probabilidad acumulada P(x):

puntuales para x=0,1,2,3 :

p(0)= 1/9 = 0.1111 P(0) = 1/9 = 0.1111

p(1)= 3/9 = 0.3333 P(1) = P(0)+P (1) = 4/9 = 0.4444
p(2)= 2/9 = 0.2222 P(2) = P(0)+ P(1) +P(2) = 6/9 = 0.6666
p(3)= 3/9 = 0.3333 P(3) = P(0)+ P(1) +P(2)+P(3) = 9/9 = 1

Las reglas que se obtienen son:

Con una lista de números pseudoaleatorios ri ~U(0,1) y la regla
anterior es posible simular el comportamiento de demanda de
cepillos para los siguientes nueve días:

Día 1 2 3 4 5 6 7 8 9
ri 0.695 0.187 0.933 0.052 0.171 0.29 0.036 0.528 0.274

Demanda 3 1 3 0 1 1 0 2 1
El número de piezas que entran a un sistema de
producción sigue una distribución exponencial con
media de 2 piezas/hr. Simular el comportamiento de la
llegada de las piezas al sistema.
𝑥 1
𝑖=− ln(1−𝑟𝑖)
λ

hora Ri Piezas/h
1 0.6754
2 0.0234
3 0.7892
4 0.5134
5 0.3331