Вы находитесь на странице: 1из 39

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.
Generar nmeros
La generacin de variables aleatorios distribuidos
uniformemente (R)
aleatorias o estocsticas
significa la obtencin de
variables que siguen una
distribucin de probabilidad
determinada. Requiere de dos
etapas:
Generar con R y con las
distribuciones de
probabilidad las variables
aleatorias o estocsticas.
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
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:
Si el intervalo (0, 1) es
dividido en n clases, o sub-
intervalos de longitudes
iguales, el nmero esperado de
observaciones en cada
intervalo es N/n, donde N es La probabilidad de observar
el nmero total de un valor en un intervalo en
observaciones.
particular es independiente
de los valores previamente
observados.
Entidad que puede tomar un valor cualesquiera
durante la duracin de un proceso dado.

Discreta
Continua
independiente
Una variable aleatoria discreta puede tomar valores 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 aleatorias finitas.
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.
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.
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.).
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.
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.
El mtodo consiste en:
EJEMPLO:
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.
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.
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.
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 nmeros U (0,1)
adecuados.
Una variable Pascal es la suma de m geomtricas.
La suma de dos uniformes tiene una densidad
triangular.
Una variable Erlang-k es la suma
de k exponenciales.
Una variable Binomial de parmetros n y p es
la suma de n variable Bernoulli con
probabilidad de xito p.
La chi-cuadrado con v grados de libertad es la
suma de cuadrados de v normales N (0,1).
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.
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.
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:
5. Generar dos nmeros uniformes
R1, R2 7. Utilizar el numero uniforme R2 para
6. Seleccionar la distribucin de simular por el mtodo de la
transformada inversa o algn otro
probabilidad F(x) con la cual se va procedimiento especial, nmeros al
simular el valor de x. La seleccin de azar que sigan la distribucin de
esta distribucin se obtiene al probabilidad F(x) seleccionada en el
aplicar el mtodo de la paso anterior.
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.
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.
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 :
Es una distribucin de probabilidad discreta que mide el nmero
de xitos en una secuencia de n ensayos
de Bernoulli independientes entre s, con una probabilidad
fija p de 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 ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p.
En la distribucin binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular
la probabilidad de un determinado nmero de xitos. Para n =
1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.
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 la bondad del ajuste de
un conjunto de datos, se comparan las frecuencias
observadas FO realmente en cada categora o
intervalo de clase con las frecuencias esperadas
tericamente FE.
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.
Es la prueba estadstica de eleccin
cuando la prueba de Chi-cuadrada
no puede ser empleada por
tamao muestral insufiente.
Se basa en la hiptesis nula (Ho) de que no hay
diferencias significativas entre la
distribucin muestral y la teora. Mientras que la
hiptesis alternativa (H1), siempre se enuncia como
que los datos no siguen la distribucin supuesta.
Si = 0. La frecuencia terica y
Esta definido como la sumatoria observada concuerda
de los residuos expresados en exactamente.
trminos de las frecuencias
esperadas para cada una de las Si > 0. Mientras mayor es la
clases. diferencia mayor es la
discrepancia.
Interpretacin. Cuanto mayor
sea el valor de , menos verosmil En la practica: si Ho = 0 no
es que la hiptesis Ho sea existe diferencia significativa es la
correcto. distribucin de la frecuencia
observada y la distribucin
terica especficamente los
mismos parmetros.
http://simulacion-itstb.blogspot.mx/p/unidad-tres-generacion-de-variables.html

http://simulacionunilibre.blogspot.mx/2011/04/generacion-de-variables-aleatorias.html

http://simulacionitca.blogspot.mx/2012/03/metodo-de-la-transformada-inversa.html

www.frsf.utn.edu.ar/matero/visitante/bajar_apunte.php%3Fid_catedra%3D150%26id_apunte%3
D3047+&cd=3&hl=es&ct=clnk&gl=mx

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/SimSist/doc/SIMULA
CI-N-128.htm

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/SimSist/doc/SIMULA
CI-N-136.htm

http://ssfe.itorizaba.edu.mx/bvirtualindustrial/index.php/image-gallery/114-
library/simulacion/1446-323-el-metodo-de-convolucion
http://ssfe.itorizaba.edu.mx/bvirtualindustrial/index.php/image-gallery/114-
library/simulacion/1445-324-el-metodo-de-aceptacion-y-rechazo

http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Probabilid
ad/doc/Unidad%202/2.1.HTM

http://books.google.com.mx/books?id=iY6dI3E0FNUC&pg=PA10&lpg=PA10&dq=3.5
Procedimientos+especiales+simulacion&source=bl&ots=uIV93c6L9w&sig=B9yXqXNspI
7vemr7Aj6dp3wYL0U&hl=es&sa=X&ei=ezGVUu3oDMi62wW4wYH4Cw&ved=0CD8
Q6AEwAw#v=onepage&q=3.5Procedimientos%20especiales%20simulacion&f=false

http://simulacionkarla.blogspot.mx/p/unidad-ii.html

http://www.slideshare.net/uzita1/simulacin-15675046
http://webcache.googleusercontent.com/search?q=cache:bsEQRl64VdcJ:blearning.itmin
a.edu.mx/dep/sada/carreras/Ingenieria%2520en%2520Sistemas%2520Computacional
es/6to%2520Semestre/Simulacion/I.S.C.%2520-%25206to%2520Sem%2520-
%2520Simulacion.doc+&cd=2&hl=es&ct=clnk&gl=mx
http://books.google.com.mx/books?id=iY6dI3E0FNUC&pg=PA10&lpg=PA10&dq=3.5P
rocedimientos+especiales+SIMULACION&source=bl&ots=uIV91e0L6w&sig=WfZc8oxjqn-
3wq-
WNE80hM_FH2k&hl=es&sa=X&ei=zVqSUvPaIeyD2AX0s4GoCA&ved=0CD0Q6AEwAw
#v=onepage&q=3.5Procedimientos%20especiales%20SIMULACION&f=false
http://us.123rf.com/400wm/400/400/braverabbit/braverabbit1007/braverabbit10
0700033/7350459-gran-rojo-verde-y-azul-3d-na-meros-123--3d-
fotorrealismo-o-una-ilustracia-n.jpg
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_te
rminados/Probabilidad/doc/Unidad%202/2.1.htm
http://es.wikipedia.org/wiki/Variable_aleatoria
http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/dist
ribuciones%20discretas.pdf
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/
estadistica_basica%201.htm#Variables aleatorias continuas
http://www2.famaf.unc.edu.ar/~jgimenez/Modelos_y_Simulacio
n/2013/clase9.pdf
http://lasimulaciondeprocesos.blogspot.mx/2011/02/blog-
post_8837.html
http://simulacion-de-procesos.blogspot.mx/2011/04/blog-
post.html
http://simulacion2010.wordpress.com/2010/05/18/3-5-
procedimientos-especiales-simulacion/