TRABAJO DE INVESTIGACIN

UNIDAD 3: GENERACIN DE
VARIABLES ALEATORIAS

MC. ENRIQUE PONCE RIVERA

SIMULACIN
Presenta
MAR RENDN CLAUDIA ESTEFANY

CARRERA
INGENIERA EN SISTEMAS COMPUTACIONALES
Pnuco, Ver, Fecha: Octubre del 2006

INDICE
Introduccin....3
Generacin de variables aleatorias..4
3.1. Conceptos bsicos..4
3.2. Variables aleatorias discretas.....5
3.3. Variables aleatorias continuas....6
3.4. Mtodos para generar variables aleatorias.6
3.4.1. Mtodo de la transformada inversa...8
3.4.2. Mtodo de convolucin..10
3.4.3. Mtodo de composicin....11
3.5. Procedimientos especiales13
3.6. Pruebas estadsticas (Pruebas de bondad de ajuste)..17
Conclusin.......19
Referencias....20

Introduccin:
En estadstica, un nmero aleatorio es un resultado de una variable al azar especificada por una
distribucin. Los algoritmos para la generacin de valores uniformemente distribuidos estn
presentes en todas las calculadoras y lenguajes de programacin, y suelen estar basados en
congruencias numricas del tipo:

El xito de este tipo de generadores de valores de una variable aleatoria depende de la eleccin de
los cuatro parmetros que intervienen inicialmente en la expresin anterior:
El valor inicial o semilla: x0
La constante multiplicativa: a
La constante aditiva: c
El nmero m respecto al cual se calculan los restos
Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la siguiente
condicin: x0, a, c < m
Por la condicin anterior, es evidente que todos los valores generados por este procedimiento son
nmeros enteros entre 0 y m-1. El nmero mximo de cifras distintas que pueden obtenerse con el
procedimiento descrito es m, as que llegar un momento en que el primer nmero generado se
repetir producindose un ciclo.
El ciclo dnde inevitablemente caer el generador interesa que sea de la mayor longitud posible
(como mximo m), para evitar que se repitan pronto los valores aleatorios.

Generacin de variables aleatorias

3.1. Conceptos bsicos.
Numero Aleatorio: Es un resultado de una variable al azar por una funcin de distribucin.
Variable: Entidad que puede tomar un valor cualquiera durante la duracin de un proceso dado.
Tipos de Variable:
Variable Aleatoria: Son aquellas que tiene un comportamiento probabilstico en la realidad.
Se usan letras como X, Y y Z para denotar una variable aleatoria.
Variable Discreta: Una variable aleatoria discreta puede tomar valores numricos
especficos. Se divide en variable aleatorias finitas e infinitas.
Generador de Nmeros aleatorios: Es un dispositivo informtico o fsico diseado para producir
secuencias de nmeros sin un orden aparente.
Los mtodos para generar nmeros aleatorios son:
Mtodo de la transformacin inversa: Se emplea para simular variables aleatorias discretas.
Mtodo de aceptacin-rechazo: Se basa en alguna propiedad caracterstica de la variable
aleatoria de inters que puede expresarse de forma iterativa hasta que se cumpla la
propiedad en cuestin.
Mtodo de Composicin: Mtodo para generar valores de variables aleatorias no
uniformes.
Algoritmo: Los algoritmos para la generacin de valores uniformemente distribuidos estn
presentes en todas las calculadoras y lenguajes de programacin y se basan en:

El xito de este tipo de generadores de valores de una variable aleatoria depende de la eleccin de
los cuatro parmetros que intervienen inicialmente en la expresin anterior:
El Valor inicial o semilla X0

 La constante multiplicativa: a
La constante aditiva: c
El numero m respecto al cual se calculan los restos.
Generador de Variables Aleatorias: La generacin de variables aleatorias o estocsticas significa la
obtencin de variables que siguen una distribucin de probabilidad determinada.

3.2. Variables aleatorias discretas

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.

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.
Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real.
En el caso de variables aleatorias continuas no tiene sentido plantearse probabilidades de
resultados aislados. La probabilidad de valores puntuales es cero.
El inters de estas probabilidades est en conocer la probabilidad correspondiente a un intervalo.
Dicha probabilidad se conoce mediante una curva llamada funcin de densidad y suponiendo que
bajo dicha curva hay un rea de una unidad.
Conociendo esta curva, basta calcular el rea correspondiente para conocer la probabilidad de un
intervalo cualquiera.

3.4. Mtodos para generar variables aleatorias

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.).

Mtodo aceptacin-rechazo
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.

Pasos:
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.

3.4.1. Mtodo de la transformada inversa.

Se quiere generar valores de xi a partir de F(x). En primer lugar, hay que obtener F(x).
Puesto que F(x) se define en el rango de 0 a 1 se pueden generar nmeros aleatorios para sustituir
a F(x)=r.
De manera unvoca cada valor de ri define un valor de F(x).
F(x)

1
F (xi) = ri
0

xi

Al considerarla funcin inversa de F o F-1(x) en caso de ser conocida, podemos hacer:

Podemos de manera general establecer que: r F x

f t dt

Entonces px x F x pr F x p F 1 x x

Ejemplo:
Genrese los valores x de variables aleatorias con funcin de densidad

1
0 x 1
4
f x

3
4

1 x 2

x0 = F-1(r0).

1 parte

2 parte
x

F x

1
dt
4

F x
r

1
3
F x dt
4 14

x
4

1 3
3 3
1
x x
4 4
4 4
2
3
1
r x
4
2
F x

x
4

Al tomar la transformacin inversa y resolviendo:

x 4r Si 0 r
x 43 r 23 Si

1
4

1
4

r 1

Para generar un valor de x se debe en primer lugar generar un valor de r; cuando r el valor de
x estar determinado por x = 4r.
Si r entonces x = 4/3 r + 2/3
Ejemplo:
Se desea simular una variable aleatoria con dn exponencial f x e x x 0
x

F x e t dt e t dt
0

F x e

t x
0

e t e 0 e t 1

F x 1 e t r 1 r e t

ln 1 r x x 1 ln 1 r x 1 ln r

Ejemplo:
Se desea simular n nmeros aleatorios con dn uniforme entre (a, b): f x

1
ba

a xb

1
1
dt
dt
ba
b a a
a
x

F x

1
t ax 1x a
ba
ba
xa
a xb
F x
ba
xa
x a r b a
r
ba
x a r b a
F x

3.4.2. Mtodo de 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.
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.
Ejemplo:
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.

10

 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).

3.4.3. Mtodo de composicin.

En esta tcnica f(x), la funcin de densidad probabilidad de la distribucin que se va simular, esta
expresada como una mezcla de probabilidad de funciones de densidad propiamente seleccionadas.
Este procedimiento est basado en la definicin de probabilidad condicional o la ley de
probabilidades compuestas.
Matemticamente sea g (x|y) una familia de funciones de densidad de un parmetro donde y es el
parmetro que identifica de manera nica a g(x). Si un valor de y es ahora descrito de una funcin
de distribucin acumulada H (y) y entonces si x es una muestra de g(x), para seleccionar y, la
funcin de densidad para x ser:

f f x

g x y dH y

Usando este principio, distribuciones ms complicadas pueden ser generadas de distribuciones

ms simples las cuales son en s mismas fcilmente generadas, por la tcnica de la transformacin
inversa o la tcnica de rechazo.

11

Ejemplo: Generar una varianza aleatoria de f x n y n e xy dy cuando (sea) dH y n ydyn 1

1 y , n 1 y g x ye yx

Una varianza es ahora obtenida desde una funcin de densidad cuya su funcin de distribucin
acumulativa es H (y). Una vez que y es seleccionada, esta determina una particular g(x) = ye-yx. La
varianza deseada de f(x) es entonces una varianza simplemente generada de

g(x) = ye-yx. Para

continuar con las siguientes instrucciones, genera dos varianzas uniformes R1 y R2, y cuando:

s1 R1
X

1
s1

1n

log R2

Entonces x es la varianza deseada de:

f x n y n e yx dy
1

Esta tcnica es apropiada cuando se desea generar distribuciones de tipo ms alto usando
distribuciones La dificultad recae en identificar la H (y) y g(xy) la cual se necesita para producir
una f(x) dada dentro de la relacin.

f x

g x y dH y

Afortunadamente, las estadsticas matemticas nos han provisto de varias relaciones funcionales
llamadas convoluciones que pueden ser usadas en la generacin de ciertas desviaciones
aleatorias.

12

3.5. Procedimientos especiales

Existen algunas distribuciones como la distribucin erlang, la distribucin normal, etc., cuya
simulacin a travs del mtodo de la transformada inversa sera demasiado complicado. Para estas
y algunas otras distribuciones, es posible utilizar algunas de sus propiedades para facilitar y agilizar
el proceso de generacin de nmeros al azar.

La Distribucin De Poisson
Si los intervalos de eventos similares
estn distribuidos exponencialmente,
el nmero de eventos ocurridos en un
intervalo unitario de tiempo, tiene la
distribucin de Poisson.
Las

aplicaciones

de

las

variables

aleatorias de Poisson incluyen tantas reas tales como control de los inventario, teora de colas,
control de calidad, flujo de trfico y muchas otras reas ciencias administrativas.
La funcin de densidad de probabilidad para la distribucin de Poisson est dada por:
f x

x e
X!

x 0,1,2,,

Donde es el nmero esperado de sucesos por unidad de tiempo. Esto implica que el tiempo entre
eventos est distribuido exponencialmente con media de

Podemos utilizar esta relacin entre la distribucin Poisson y la exponencial para generar
desviaciones de la distribucin de Poisson.
Una desviacin x de Poisson puede ser definida de la siguiente manera:
x 1

y
i 1

1 yi
i 1

13

Donde y1, y2,....,yx+1 son desviaciones aleatorias de una distribucin exponencial teniendo como
media 1/ y son generadas por (la tcnica de transformada inversa)
yi 1 ln Ri

Donde Ri est dada por la distribucin uniforme. En conclusin, las sumas acumulativas son
generadas hasta que se obtiene la desigualdad. Cuando esto ocurre, x es la desviacin aleatoria
de Poisson deseada.
Otra forma de este mismo procedimiento es definir la desviacin x de Poisson cuando:
x

x 1

i 1

i 1

yi yi
Donde yi es otra vez las desviaciones de la distribucin exponencial pero con media 1/, esto es:
yi

ln Ri

Las 2 tcnicas son esencialmente las mismas, pero la primera parece ser ms apropiada con la
definicin de la distribucin exponencial donde las yis tiene una media de 1 .

Ejemplo.
Sabemos que por la teora de la probabilidad que si el nmero de eventos se puede describir a
travs del flujo de Poisson, el tiempo entre la ocurrencia de eventos debe ser exponencial. En la
distribucin de Poisson el resultado se expresa como el nmero de eventos n que ocurren en un
determinado tiempo t. Por lo tanto para muestrear la distribucin exponencial con media

tantas

veces como sea necesario hasta que la suma de las variables aleatorias generadas exceda a t por
vez primera. En este caso, el valor de Poisson muestreado n se toma igual al nmero de veces que
se muestreo la distribucin exponencial -1.
Supngase que se desea muestrear una distribucin de Poisson 3 durante un periodo de 1.4
hrs.

14

f x
ti

x e

X = 0, 1, 2,,

x!

= 3 eventos por hora.

ln ri

rn

0.058962

0.673284

0.479909

0.948578

0.61396

tn

0.9436

0.1318

0.2447

0.1075

0.1624

0.9436

1.0754

1.3201

1.3376

1.5002

i 1

t = 1.4
n 1

ti t

i 1

X = Variable aleatoria de Poisson

i 1

X = 4 nmero de eventos que llegan en 1.4 hrs.

Distribucin Erlang
La distribucin Erlang es una forma de la distribucin gamma con K igual a un entero positivo.
Estadsticos Matemticos han probado que esta distribucin es solo la suma de las variables
exponenciales de K, cada una con un valor esperado
1/k.
Para generar una desviacin Erlang, nosotros solo
necesitamos

la

suma

de

las

desviaciones

exponenciales K, cada una con el valor esperado 1/k.

De esta manera la varianza x de Erlang es esperada
como:

15

i 1

i 1

X yi 1 ln Ri
Donde yi es una desviacin exponencial generada por la tcnica de la transformada inversa R i es un
nmero aleatorio de la distribucin uniforme.

Distribucin Binomial
Una variable aleatoria x definida como el nmero de
eventos exitosos en una secuencia de n tiradas o
intentos independientes de Bernoulli, cada una con
probabilidad de xito p, es conocida como una
variable aleatoria binomial. La distribucin binomial
es una de las ms importantes en las distribuciones
estadsticas usadas en un rea de ejemplificacin y
control de calidad. La funcin de densidad de
probabilidad binomial est dada por:

n
f x p x q n x x 0, 1, , n
x
Donde
p = probabilidad de xito por tirada
q = 1-p
n = nmero de tiradas
x = nmero de xitos, en entero

Para generar una desviacin binomial con parmetros p y n el procedimiento es el siguiente:

1. Generar n desviaciones aleatorias uniformes
2. Contar el nmero de varianzas uniformes menor o igual a p

16

3. El nmero encontrado en el paso 2 es igual al valor de la varianza binomial

Este procedimiento puede entonces ser repetido tantas veces como sea necesario para generar
otras desviaciones binomiales.
Otro procedimiento involucrado que usa la distribucin normal como una aproximacin a la
binomial para casos donde n 20 y np 10. Desde que la varianza binomial es un entero, la
varianza normal usada como una aproximacin debe ser redondeada al valor entero ms cercano.
Este mtodo es ms rpido pero es solo una aproximacin.

3.6. Pruebas estadsticas. (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 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.

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.

17

Prueba Fisher.

Es la prueba estadstica de eleccin cuando la prueba de

Chi-cuadrada 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 distribucin muestral
y la teora. Mientras que la hiptesis alternativa (H1),
siempre se enuncia como que los datos no siguen la
distribucin supuesta.

Estadstico de prueba
Est 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 prctica: si Ho = 0 no existe diferencia significativa es la distribucin de la frecuencia
observada y la distribucin terica especficamente los mismos parmetros.

18

Conclusin
Una variable puede tomar una variable cualquiera durante un proceso dado.
Las variables aleatorias son funciones que asocian a cada elemento del espacio muestral [conjunto
de los diferentes resultados de un experimento estadstico] un nmero real, se clasifican en:
Variable aleatoria discreta, proporciona datos cuantitativos discretos, es el resultado de un
proceso de conteo (ejemplo el nmero de soles de n lanzamientos de una moneda) y Variable
aleatoria contina, se encuentra dentro de un intervalo comprendido entre 2 nmeros x(estatura
de un alumno de un grupo escolar).La distribucin de probabilidad, describe el comportamiento de
fenmenos estadsticos es decir, es un listado de las probabilidades de todos los resultados
posibles que podran presentarse si se efecta un experimento. En la distribucin discreta, las
variables asumen un nmero limitado de valores, por ejemplo el nmero de aos de estudio y en
la distribucin continua, las variables en estudio pueden asumir cualquier valor dentro de
determinados lmites, por ejemplo la estatura de un estudiante. Son las probabilidades que se
asocian a cada uno de los valores que toma la variable aleatoria x. La distribucin de probabilidad
para una variable aleatoria discreta, son las relaciones de los resultados y sus probabilidades de las
frecuencias observadas. Un ejemplo seria la probabilidad de que al lanzar un dado n nmero de
veces caiga cara2 o que al lanzar una moneda 2 veces caiga sol las 2 tiradas. Existen varios modelos
matemticos que representan diversos fenmenos discretos de la vida real. Las ms tiles son:
La distribucin uniforme discreta.
La distribucin de probabilidad Binomial o de Bernoulli.
La distribucin de probabilidad de Poisson.

19

Referencias
Garca Dunna E.; Garca Reyes, H. y Crdenas Barrn, L. E. 2006. Simulacin y Anlisis de
Sistemas con ProModel, Mxico, D. F.: Pearson Educacin.
Garca Mora, F.; Sierra Acosta, J. y Guzmn Ibarra, V. 2005. Simulacin de Sistemas para
Administracin e Ingeniera, Mxico, D. F.: CECSA.
Kreyszig, Erwin. 1978. Introduccin a la Estadstica Matemtica, Mxico, D. F.: Editorial
Limusa.

20