UNIDAD IV:

GENERACIN DE
VARIABLES ALEATORIAS

4.1 INTRODUCCIN

CONCEPTOS BSICOS
Las variables aleatorias son aquellas que tiene un
comportamiento probabilstico en la realidad. Por
ejemplo, el nmero de clientes que llegan cada hora a
un banco depende del momento del da, del da de la
semana y de otros factores.

CONCEPTOS BSICOS
La generacin de variables
aleatorias
o
estocsticas
significa
la
obtencin
de
variables que siguen una
distribucin de probabilidad
determinada. Requiere de dos
etapas:

Generar nmeros aleatorios

distribuidos uniformemente
(R)

Generar con R y con las

distribuciones
de
probabilidad las variables
aleatorias o estocsticas.

CONCEPTOS BSICOS
La generacin de estadsticas simuladas, o sea de los valores
de las variables aleatorias, tienen una naturaleza enteramente
numrica y debe soportarse por nmeros aleatorios, generados
por algn mtodo

NMEROS ALEATORIOS Y
SUS PROPIEDADES
Una secuencia de nmeros aleatorios R1, R2,... debe tener dos
importantes
propiedades
estadsticas:
uniformidad
e
independencia.
Cada nmero aleatorio Ri es una muestra independiente tomada
de una distribucin continua uniforme entre cero y uno. Esto es,
la funcin de densidad de probabilidad es:

NMEROS ALEATORIOS Y
SUS PROPIEDADES
Si el intervalo (0, 1) es
dividido en n clases, o subintervalos
de longitudes
iguales, el nmero esperado
de observaciones en cada
intervalo es N/n, donde N es
el
nmero
total
de
observaciones.

La probabilidad de observar un
valor en un intervalo en
particular es independiente de
los valores previamente
observados.

VARIABLE
Entidad que puede tomar un valor cualesquiera
durante la duracin de un proceso dado.

Tipos de variables:
Discreta
Continua
Independiente

4.3 GENERACIN DE
VARIABLES ALEATORIAS
DISCRETAS

VARIABLES ALEATORIAS
DISCRETAS
Una variable aleatoriadiscretapuede tomarvalores numricos
especficos,como el resultado de lanzar un dado, o la cantidad
de dlares en una cuenta bancaria elegida al azar. Las variables
aleatorias discretas slo pueden tomar un nmero finito de
muchos valores y se les llama variables aleatoriasfinitas.

VARIABLES ALEATORIAS
DISCRETAS
Existen diversos mtodos para generar variables
aleatorias discretas:
1. Transformada Inversa
2. De aceptacin-rechazo, o mtodo de rechazo.
3. De composicin.
4. Mtodos mejorados segn la distribucin.

VARIABLES ALEATORIAS
DISCRETAS
Una variable aleatoria X es discreta, si solamente puede tomar
un conjunto numerable de valores.
Ejemplos: El nmero de libros en una biblioteca, el nmero de
habitantes en una poblacin, la cantidad de dinero que una
persona trae en su bolsillo, el nmero de aves en un gallinero,
el nmero de admisiones diarias a un hospital, el nmero de
accidentes automovilsticos en una carretera durante un ao,
etc.

3.3 VARIABLES ALEATORIAS

CONTINUAS
Es aquella que se encuentra dentro de un intervalo
comprendido entre dos valores cualesquiera; sta puede
asumir infinito nmero de valores y stos se pueden medir.

Existen varios mtodos para

generar
variables
aleatorias
siendo los ms importantes:
transformada inversa, convolucin
y aceptacin-rechazo. Mediante
estos mtodos es posible generar
variables
aleatorias
discretas
(binomial,
poisson,
etc.)
y
continuas (uniforme, exponencial,
normal, etc.).

3.4 Mtodos para generar

variables aleatorias

MTODO ACEPTACINRECHAZO
El mtodo de aceptacin y rechazo no es
un mtodo directo y puede ser til
cuando alguno de los mtodos directos no
es eficiente debido a que no sea posible
conocer la funcin de distribucin como
es el caso de la distribucin normal.

MTODO DE ACEPTACINRECHAZO
Consiste en generar un valor de la variable aleatoria
e inmediatamente probar que dicho valor simulado
proviene de la distribucin de probabilidad que se
est analizando.

Generar dos nmeros uniformes U(0,1)

llamados U1 y U2.
Determinar el valor de la variable
aleatoria X de acuerdo a la siguiente
relacin lineal de U1:
Evaluar la funcin de probabilidad en X
= a+(b-a)U1.
Determinar si la siguiente desigualdad
se cumple:
Se utiliza a X = a+(b-a)U1 si la
respuesta es afirmativa como un valor
simulado de la variable aleatoria. De lo
contrario,
es
necesario
regresar
nuevamente al paso 1 tantas veces
como sea necesario.

MTODO DE
ACEPTACINRECHAZO
PASOS:

3.4.1 MTODO DE LA TRANSFORMADA INVERSA.

El mtodo consiste en:
Definir la funcin de Densidad f(x) que
representa la variable a modelar.
Calcular la funcin acumulada f(x).
Despejar la variable aleatoria x y obtener
la funcin acumulada inversa f(x) -1.
Generar las variables aleatorias x,
sustituyendo
valores
con
nmeros
pdeudoaleatorios ri~U (0,1) en la funcin
acumulada inversa.

EJEMPLO:

CONVOLUCIN
El mtodo de convolucin asume
que existen Y1, Y2,, Ym
variables aleatorias, tal que la
suma de todas ellas tiene la
misma
distribucin
que
X,
entonces se calcula:
1. Genere Y1, Y2, , Ym variables
aleatorias IID cada una con
funcin de distribucin G.
2. Aplique X = Y1 + Y2 + Ym.

3.4.2 MTODO DE
CONVOLUCIN
La distribucin de probabilidad de la suma de dos o ms
variables aleatorias independientes es llamada la convolucin de
las distribuciones de las variables originales. El mtodo de
convolucin es entonces la suma de dos o ms variables
aleatorias para obtener una variable aleatoria con la distribucin
de probabilidad deseada. Puede ser usada para obtener variables
con distribuciones Erlang y binomiales.

EJEMPLOS DE ESTA TCNICA:

La suma de un gran nmero de variables de

determinada distribucin tiene una distribucin normal.
Este hecho es usado para generar variables normales a
partir de la suma de nmerosU(0,1) adecuados.
Una variable Pascal es la suma demgeomtricas.
La suma de dos uniformes tiene una densidad triangular.

EJEMPLOS DE ESTA TCNICA:

Una
variable
Erlang-kes
la
suma
dekexponenciales.
Una variable Binomial de parmetrosnypes la
suma den variable Bernoulli con probabilidad de
xitop.
La chi-cuadrado convgrados de libertad es la
suma de cuadrados devnormalesN(0,1).

COMPOSICIN.
Mediante este mtodo la distribucin de probabilidad F(x) se
expresa como una mezcla de varias distribuciones de
probabilidad F(x) seleccionadas adecuadamente.
El procedimiento para la seleccin de las F(x) se basa en el
objetivo se minimizar el tiempo de computacin requerido para
la generacin de valores de la variable aleatoria analizada.

PASOS:
1.
Dividir
la
distribucin
de
probabilidad original en sub-reas, tal
como se muestra en la figura

2. Definir la distribucin de probabilidad

para cada sub-rea.

PASOS:
3.- Expresar la distribucin
de probabilidad original en
la forma siguiente:
F(x)=A1F1(x) + A2F2(x) +
AnFn(x) y Ai= 1

4.- Obtener la distribucin

acumulada de las reas:

PASO
S:
5. Generar dos nmeros uniformes R 1,
R2
6. Seleccionar la distribucin de
probabilidad F(x) con la cual se va
simular el valor de x. La seleccin de
esta distribucin se obtiene al aplicar el
mtodo de la transformada inversa, en
la cuel el eje Y est representado por la
distribucin acumulada de las areas, y
el eje X por las distribuciones F(x). Para
esta seleccin se utiliza el numero
uniforme R1.

7. Utilizar el numero uniforme R2para

simular
por
el
mtodo
de
la
transformada inversa o algn otro
procedimiento especial, nmeros al azar
que sigan la distribucin de probabilidad
F(x) seleccionada en el paso anterior.

3.5PROCEDIMIENTOS ESPECIALES
Existen algunas distribuciones como la distribucion
erlang, la distribucion normal, etc., cuya simulacion a
travs del metodo de la transformada inversa sera
demasiado compliacado. Para estas y algunas otras
distribuciones, es posible utilizar algunas de sus
propiedades para facilicitar y agilizar el proceso de
generacin de numeros al azar.

LEY DE
POISSON
Muchas variables aleatorias discretas corresponden a conteos
de objetos con una caracterstica, relativamente rara, dentro de
un conjunto grande de objetos: tomos de un istopo,
molculas de un elemento qumico, bacterias, virus, individuos
que poseen un gen especial... Con frecuencia se emplea una
ley de Poisson como modelo para estos conteos. Una variable
aleatorio sigue una ley de Poisson de parmetro si ella toma sus
valores en y si para todo :

LEY BINOMIAL
Es unadistribucin de probabilidaddiscreta que mide el nmero
de
xitos
en
una
secuencia
denensayos
deBernoulliindependientes entre s, con una probabilidad
fijapde ocurrencia del xito entre los ensayos. Un experimento
de Bernoulli se caracteriza por ser dicotmico, esto es, slo son
posibles dos resultados. A uno de estos se denomina xito y tiene
una probabilidad de ocurrenciapy al otro, fracaso, con una
probabilidadq= 1 -p.

LEY BINOMIAL
En la distribucin binomial el anterior experimento se
repitenveces, de forma independiente, y se trata de calcular la
probabilidad de un determinado nmero de xitos. Paran= 1, la
binomial se convierte, de hecho, en unadistribucin de Bernoulli.

3.6 PRUEBAS ESTADSTICA. (PRUEBAS DE

BONDAD DE AJUSTE)

En la construccin del modelo de simulacin es

importante decidir si un conjunto de datos se ajusta
apropiadamente a una distribucin especfica de
probabilidad. Al probar labondad del ajustede un
conjunto de datos, se comparan las frecuencias
observadasFOrealmente en cada categora o
intervalo de clase con las frecuencias esperadas
tericamenteFE.

ESTADSTICA NO
PARAMTRICA
Es una rama de la estadstica las pruebas y modelos estadsticos
cuya distribucin subyacente no se ajuste a los llamados criterios
paramtricos. Las pruebas paramtricas no asumen ningn
parmetro de distribucin de las variables mustrales. Las
pruebas paramtricas asumen los parmetros de las variable
(media y varianza) y un tipo de distribucin normal.

PRUEBA FISHER
Es la prueba estadstica de
eleccin cuando la prueba de Chicuadrada no puede ser empleada
por tamao muestral insufiente.

PRUEBA DE CHI-CUADRADA

Se basa en la hiptesis nula (Ho) de que no hay

diferencias
significativas
entre
la
distribucinmuestral y la teora. Mientras que la
hiptesis alternativa (H1), siempre se enuncia como
que los datos no siguen la distribucin supuesta.

Esta
definido
como
la
sumatoria de los residuos
expresados en trminos de las
frecuencias esperadas para
cada una de las clases.
Interpretacin. Cuanto mayor
sea el valor de , menos
verosmil es que la hiptesis
Ho sea correcto.

Si= 0. La frecuencia terica y

observada
concuerda
exactamente.
Si> 0. Mientras mayor es la
diferencia
mayor
es
la
discrepancia.
En la practica: si Ho = 0 no existe
diferencia significativa es la
distribucin de la frecuencia
observada
y
la
distribucin
terica
especficamente
los
mismos parmetros.