DISTRIBUCIONES COMUNMENTE USADAS

A continuacin se presentan algoritmos de generacin de variables aleatorias de distribuciones

comnmente usadas.
1. BERNOULLI
Esta es la ms simple de las distribuciones discretas. Toma solo dos valores que se denotan como fracaso
(x = 0) o xito (x = 1), con probabilidades 1-p y p respectivamente.
Se usa para modelar la probabilidad de que un resultado sea de una clase especifica o tenga una
caracterstica especifica.
Un sistema de computacin esta funcionando o no.
Un paquete en una red llego a su destino o no.
Esta distribucin junto con sus derivadas, se puede usar solo si los ensayos son independientes e
idnticamente distribuidos de forma tal que la probabilidad de xito en cada ensayo sea p y no sea afectada
por el resultado en ensayos anteriores.
f x
p
p
x
x ( ) =
=
=

1
0
0
1
si
si
en otro caso

Media: p
Varianza: p(1-p)
0
0.2
0.4
0.6
0.8
1
0 1

Bernoulli(0.6)
Generacin:
Use transformacin inversa. Genere u U(0,1). Si u p retorne 1, de otra forma retorne 0.
Prof. Herbert Hoeger Simulacin VII-1
2. BETA
Se usa para representar variables que estn acotadas, por ejemplo, entre 0 y 1.
El rango de la variable puede ser cambiado por otro rango [x
min
, x
max
] sustituyendo x en la ecuacin
siguiente por (x - x
min
) / (x
max
- x
min
).
Se usa para modelar:
La fraccin de paquetes que requieren retransmisin
La fraccin de llamadas a procedimientos remotos que tardan ms de cierto tiempo.

f x
x x
a b
x a b
a b x x dx
a b
a b
a b
a b
( )
( )
( , )
( , ) ( )
( ) ( )
( )
=

> >
= =
+

1 1
1 1
0
1
1
0 1 0
1

, ,

0

Media: a a b / ( ) +
Varianza: ab a b a b / [( ) ( )] + + +
2
1
0
0.5
1
1.5
2
2.5
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
0
.
6
0
.
7
0
.
8
0
.
9 1

beta(4,2) beta(2,4)
beta(2,2)
Generacin:
1. Genere dos gamas y tome la razn:
beta( , )
( , )
( , ) ( , )
a b
a
a b
=
+

1
1 1

2. Si a y b son enteros:
Genere a + b + 1 nmeros uniformes U(0,1).
Retorne el a-esimo menor nmero como beta(a , b).
Prof. Herbert Hoeger Simulacin VII-2
3. Si a y b son ambos menores que 1:
Genere u
1
y u
2
ambos U(0,1).
Haga y . Si x + y > 1 vaya al paso previo, de lo contrario retorne x/(x + y)
como el valor de beta(a, b).
x u
a
=
1
1/
y u
b
=
2
1/
4. Si a y b son ambos mayores que 1, un algoritmo basado en el mtodo del rechazo puede ser
fcilmente implementado.

3. BINOMIAL
Se usa para modelar el nmero de xitos en una secuencia de n ensayos Bernoulli, por ejemplo:
El nmero de procesadores que estn funcionando en un sistema multiprocesador.
El nmero de paquetes que alcanzaron su destino sin errores.
El nmero de elementos en una cola que tienen determinada caracterstica.
La varianza de la binomial es siempre menor que la media. Si en las aplicaciones anteriores la varianza es
mayor o igual a la media, se pueden usar distribuciones binomial negativa o Poisson.

f x
n
x
p p x
x n x
( ) ( ) , ,..., =
|
\

|
.
|
=

1 0 n 1
Media: np
Varianza: np(1-p)
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0 2 4 6 8
1
0
1
2
1
4
1
6
1
8
2
0

binomial(0.6,20)
Prof. Herbert Hoeger Simulacin VII-3
Generacin:
1. Genere n U(0,1). El cantidad de nmeros aleatorios menor que p es binomial(n , p ).Este es el
mtodo de composicin basado en que la binomial es suma de variables Bernoulli.
2. Si p es pequeo, una tcnica ms rpida es:
Genere nmeros aleatorios geomtricos G p
u
p
i
i
( )
ln( )
ln( )
=

1
.
Si para el momento , retorne m - 1, de lo contrario regrese al paso anterior. G p n
i
i
m
=

>
1
( )
3. Mtodo de la transformacin inversa: calcule la FDA F(x) para x = 0, 1, ..., n y almacnela en
un arreglo. Para cada variable binomial genere u U(0,1) y cheque el arreglo hasta encontrar
x tal que F(x) u < F(x + 1) y retorne x.

4. BINOMIAL NEGATIVA
El nmero de fracasos x antes del m-esimo xito en una secuencia Bernoulli es binomial negativa: por
ejemplo:
Nmero de consultas locales a una base de datos antes de la m-esima consulta remota.
Nmero de retransmisiones de un mensaje de m paquetes.

f x
m x
m
p p
m x
m x
p p x p
m m
m x m x
( ) ( )
( )
( ) ( )
( ) , , ,..., ; =
+

|
\

|
.
|
|
=
+
= < <
>
1
1
1 1 01 2 0
0

;
entero positivo para la primera expersion y en la segunda.
1

Media: m(1-p)/p
Varianza: m(1-p)/p
2

0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0 2 4 6 8
1
0
1
2
1
4
1
6
1
8
2
0

NB(0.6,6)
Prof. Herbert Hoeger Simulacin VII-4
Generacin:
1. Genere u
i
~ U(0,1) hasta que m de los u
i
sean menor o igual a p. Retorne el nmero de los u
i

que fueron mayores que p como BN(p,m).
2. La suma de m geomtricas G(p) da el nmero total de ensayos para m xitos, por lo tanto:
BN( , ) ~ ( ) p m G p m
i
m
=

|
\

|
.
|

1

3. El siguiente mtodo puede ser usado para valores de m enteros o no-enteros:
a) Genere y ~ (p/(1-p),m).
b) Genere x ~ Poisson(y).
c) Retorne x como BN(p,m).

5. CHI-CUADRADO
Se usa cuando tenemos una suma de cuadrados de normales estndar, por ejemplo, para modelar
varianzas mustrales.

f x
x e
v
x
b e x dx b b b b b b
v x
v
x b
( )
( / )
( ) ( ) ( ), , ( ) ! , , ,...
( ) / /
/
= <
= + = + =

2 2 2
2
1
0
2 2
0
1 1 0 1 2

, (1/ 2) = si =
Media: v
Varianza: 2v
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0 2 4 6 8
1
0
1
2
1
4
1
6
1
8
2
0
2
2
2
4

v=4
v=8
Prof. Herbert Hoeger Simulacin VII-5
Generacin:
1. El siguiente mtodo se basa en el hecho de que la
2
(v) es una (2, v/2).
Para v par:

2
1
2
1
2
( ) ln
/
v u
i
i
v
=
|
\

|
.
|
=

Para v impar:
| |

2 2
2
1 0 1 ( ) ( ) ( , ) v v N = +
2. Genere v N(0,1) y retorne la suma de sus cuadrados.

6. ERLANG
Es generalmente usada en modelos de cola como una extensin de la exponencial cuando el coeficiente de
variacin (razn entre la desviacin estndar y la media) es menor que 1, por ejemplo:
Modelar tiempos de servicio: una taquilla con tiempo de servicios Erlang(a , m ) puede ser
representada como m taquillas con tiempos de servicio exponenciales.
Modelar el tiempo de reparacin y el tiempo entre fallas.
f x
x e
m a
x a m
m x a
m
( )
( )!
, ,
/
=

< >
1
1
0 0 entero positivo.
F x e
x a
i
x a
i
i
m
( )
( / )
!
/
=

1
0
1

Media: am
Varianza: a
2
m
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
0 6
1
2
1
8
2
4
3
0
3
6
4
2
4
8
5
4
6
0
6
6
7
2
7
8
8
4
9
0
9
6

Erlang(4,2)
Erlang(10,4)
Prof. Herbert Hoeger Simulacin VII-6
Generacin:
Por convolucin. Genere m U(0,1) y calcule:
|
|
.
|

\
|

=
m
i
i
u a m a
1
ln - ~ ) , ( Erlang
7. EXPONENCIAL
Es usada extensivamente en modelos de cola. Es la nica distribucin continua con la propiedad de
perdida de memoria: recordar el tiempo desde el ltimo evento no ayuda a predecir el tiempo hasta el
prximo evento. Es usada para modelar el tiempo entre eventos sucesivos, por ejemplo:
El tiempo entre llegadas.
El tiempo entre fallas.
f x
a
e x
x a
( )
/
= <

1
0 , a > 0.
F x e
x a
( )
/
=

1
Media: a
Varianza: a
2

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
1
.
5 3
4
.
5 6
7
.
5 9
1
0
.
5
1
2
1
3
.
5
1
5
1
6
.
5
1
8
1
9
.
5
2
1
2
2
.
5
2
4

a=1
a=5
Generacin:
Por transformacin inversa. Genere u ~ U(0,1) y retorne - a ln(u).
Prof. Herbert Hoeger Simulacin VII-7
8. F
La F es la razn entre dos chi-cuadrado. Se usa para modelar la razn entre varianzas mustrales como
por ejemplo en la prueba-F en regresin y anlisis de varianza.

f x
n m
n m
x
n
m
x x n m
n
n
n m
( )
( / )
( / , / )
/
( ) /
( )/
= +
|
\

|
.
|
<

+
2
2 2
2
2 2
1 0

, y enteros positivos.
Media:
m
m
m

>
2
2 y
Varianza:
2 2
2 4
4
2
2
m n m
n m m
m
( )
( ) ( )
+

> y
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5

F(4,4)
F(4,8)
Generacin:
Por caracterizaron. Genere dos chi-cuadrados
2
(n) y
2
(m) y calcule:
F n m
n n
m m
( , )
( ) /
( ) /
=

2
2

9. GAMMA
Es una generalizacin de la Erlang y tiene parmetros no enteros. Se usa en modelos de colas para
modelar tiempos de servicio y tiempos de reparacin.
Prof. Herbert Hoeger Simulacin VII-8

f x
x a e
a b
x a b
b x a
( )
( / )
( )
.
/
= < >
1
0 0

, , > 0
Media: ab
Varianza: a
2
b
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0
3
.
5 7
1
0
.
5
1
4
1
7
.
5
2
1
2
4
.
5
2
8
3
1
.
5
3
5
3
8
.
5
4
2
4
5
.
5
4
9

(2,2)
(6,2)
(6,6)
Generacin:
1. Si b es un entero, la suma de b exponenciales es una gamma. Si u
i
~ U(0,1):
( , ) ~ ln a b a u
i
i
b

1

2. Para b < 1, genere una beta x ~ beta(b, 1-b) y una exponencial y ~ exp(1). El producto axy es
(a,b).
3. Para otros valores de b, se generan dos gamma y se suman como se muestra a continuacin:

( , ) ~ ( , ) ( , ) . a b a b a b b b b + donde es el mayor entero menor o igual a
10. GEOMTRICA
El nmero de ensayos hasta e incluyendo el primer xito en una secuencia Bernoulli es una geomtrica.
Es la equivalente discreta de la exponencial en cuanto a la propiedad de perdida de memoria: recordar el
pasado no ayuda a predecir el futuro.
Se usa para modelar el nmero de intentos entre fallas (o xitos) sucesivas:
Prof. Herbert Hoeger Simulacin VII-9
El nmero de consultas locales a una base de datos entre accesos sucesivos a una base de datos
remota.
El nmero de paquetes trasmitidos exitosamente entre aquellos que requieren retransmisin.
f x p p x p
x
( ) ( ) , ,..., = = < <

1 1 2 0
1
1
F x p
x
( ) ( ) = 1 1
Media: 1/p
Varianza:
1
2
p
p

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5

G(0.6)
Generacin:
Por transformacin inversa. Genere u ~ U(0,1) y calcule:

G p
u
p
x x ( )
ln( )
ln( )
. =

1
donde denota el menor entero mayor o igual a
11. LOGNORMAL
Es el logaritmo de una normal. Se usa frecuentemente en modelos de regresin y anlisis de experimentos
cuando donde se aplican transformaciones logartmicas.
El producto de un gran nmero de variables aleatorias positivas tiende a la lognormal. Por lo tanto,
tambin se usa para modelar errores que son el producto de efectos de un gran nmero de factores.
Prof. Herbert Hoeger Simulacin VII-10
f x
x
e x
x x
x
( ) ,
( ) .
(ln ) /
= < <

1
2
0
2 2
2

u
u
u
y > 0.
y son la media y la desviacion de log y NO de

Media: e
u +
2
2 /
Varianza: e e
2
2 2
1
u +
( )
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0
.
1 1
1
.
9
2
.
8
3
.
7
4
.
6
5
.
5
6
.
4
7
.
3
8
.
2
9
.
1
1
0
1
0
.
9
1
1
.
8

Generacin:
Genere x ~ N(0,1) y retorne . e
x u +
12. NORMAL
La N(0,1) es llamada normal unitaria o normal estndar. Se usa cuando la aleatoriedad es causada por
varias fuentes independientes actuando en forma aditiva:
Errores de medicin
Medias mustrales de un gran nmero de observaciones independientes de una distribucin dada.

f x e x
x
( )
( ) /
= <

1
2
2 2
2

u
- < , > 0
Media: u
Varianza:
2
LN(0,100)
Prof. Herbert Hoeger Simulacin VII-11
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-
1
0
0
-
8
6
-
7
2
-
5
8
-
4
4
-
3
0
-
1
6
-
2
1
2
2
6
4
0
5
4
6
8
8
2
9
6

N(0,10)
N(0,25)
Generacin:
1. Convolucin. Genere un nmero de u
i
~ U(0,1) y calcule:
( )
( )
N
u
n
n
i
i
n
( , ) ~ u u +

1
1
2
2
12

Generalmente se usa n = 12.
2. Mtodo de Box-Muller. Genere dos uniformes u
1
y u
2
y calcule dos variables N(u,)
independientes usando:
x u
x u
1 1
2 1
2 2
2 2
= +
= +
u
u

sin
cos( ) ln( )
( ) ln(
u
u
2
2
)

3. Mtodo Polar.
a) Genere dos uniformes u
1
y u
2
U(0,1).
b) Haga v u y . v u
1 1 2 2
2 1 2 1 = - , = - , r v v = +
1
2
2
2
c) Si r 1, vaya a al paso 3a; de lo contrario haga
( )
s
r
r
=

2
1
2
ln
y retorne:
s v x
s v x
2 2
1 1
u
u
+ =
+ =

como dos N(u,) independientes.
Prof. Herbert Hoeger Simulacin VII-12
4. Mtodo del rechazo.

a) Genere dos uniformes u
1
y u
2
U(0,1).
b) Haga x = -ln u
1
.
c) Si u e , regrese a 4a.
x
2
1
2
>
( ) / 2
d) Genere u
3
.
e) Si u
3
> 0.5, retorne u + x; de lo contrario retorne u - x.

13. PARETO
La F(x) de Pareto es una curva que fcilmente ajusta las observaciones. Dada una muestra de tamao n
x
1
, ..., x
n
`, el estimador mximo verosmil del parmetro a es:
( )
a
n
x
i
i
n
=
=

1
1
1
ln


f x ax x a
F x x
a
a
( ) ,
( )
( )
= <
=
+

1
1 0
1
>

Media:
a
a
a

>
1
1 , para
Varianza:
a
a a
a
( ) ( )
,

>
1 2
2
2
para
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
1
1
.
2
1
.
4
1
.
6
1
.
8 2
2
.
2
2
.
4
2
.
6
2
.
8 3
3
.
2
3
.
4
3
.
6
3
.
8

Pareto(5)
Prof. Herbert Hoeger Simulacin VII-13
Generacin:
Por transformacin inversa: Genere u ~ U(0,1) y retorne
1
1
u
a /
.
14. PASCAL
Es una extensin de la geomtrica. En una secuencia de ensayos Bernoulli, el nmero de ensayos hasta e
incluyendo el m-esimo xito tiene distribucin de Pascal.
Es til para modelar el nmero de intentos para obtener cierto nmero de xitos:
Nmero de intentos para transmitir un mensaje de m paquetes.
Nmero de bits a enviar para recibir exitosamente una seal de m bits.

f x
x
m
p p x m m p m
m x m
( ) ( ) , , ,..., ; ; =

|
\

|
.
|
|
= + < <

1
1
1 1 0 1 entero positivo.
Media: m/p.
Varianza: m(1-p)/p
2
.
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
2 3 4 5 6 7 8 9 10 11 12

Pascal(0.6,2)
Generacin:
Genere m geomtricas G(p) y retorne la suma como una Pascal(p , m ).
Prof. Herbert Hoeger Simulacin VII-14
15. POISSON
Se usa extensivamente en modelos de colas para modelar el nmero de llegadas en cierto intervalo:
Nmero de consultas a un servidor en un intervalo t.
Nmero de fallas en componentes por unidad de tiempo.
Nmero de consultas a una base de datos en t segundos.
Nmero de errores de tipeo por forma.

f x
e
x
x
x
( )
!
, , ,..., ; = =

> 0. 0 1
Media: .
Varianza: .
0
0.05
0.1
0.15
0.2
0.25
0.3
0 1 2 3 4 5 6 7 8 9
1
0
1
1
1
2

Poisson(5)
Generacin:
1. Transformacin inversa. Calcule la FDA F(x) para x = 0,1,... hasta un nmero adecuadamente
grande y gurdela en un arreglo. Para cada variable Poisson, genere u ~ U(0,1) y encuentre el
x tal que F(x) u < F(x + 1); retorne x.
2. Comenzando con n = 0, genere u
n
~ U(0,1) y calcule el producto

. A lo que no ms el
producto se vuelva menor que e
-
, retorne n como la variable Poisson(). Note que n es tal
que u
0
u
1
...u
n-1
> e
-
u
0
u
1
...u
n
. En promedio se requieren +1 variable uniformes para generar
una Poisson.
=
n
i
i
u
0
Prof. Herbert Hoeger Simulacin VII-15
3. t DE STUDENT
Se aplica cundo se tiene la razn entre una normal y la raz de una chi-cuadrado y comnmente se usa en
el calculo de intervalos de confianza. Si x ~ N(0,1) y y ~
2
(v), entonces x y / / v tiene distribucin t con v
grados de libertad.
N
v v
t v
( , )
( ) /
~ ( )
0 1
2

La f(x) de la t es muy similar a la de la normal estndar: tiene forma de campana y es simtrica respecto a
cero. Para grados de libertad grandes (v>30), la t se puede aproximar por la normal estndar.

| |
| |
f x
v x v
v v
x v
v
( )
( ) / ( / )
( ) ( / )
, ,
( )/
/
=
+ +
< <
+

1 2 1
2
2
1 2
1 2

entero positivo.
Varianza: v/(v-2), para v > 2.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
-
1
0
-
8
.
5 -
7
-
5
.
5 -
4
-
2
.
5 -
1
0
.
5 2
3
.
5 5
6
.
5 8
9
.
5

t(4)
Generacin:
Por caracterizaron. Genere x ~ N(0,1), y ~
2
(v), y retorne x y / / v como t(v).
17. UNIFORME (CONTINUA)
Es comnmente usada cuando una variable esta acotada y no se tiene ms informacin de ella:
Distancia entre origen y destinos de mensajes en una red.
Tiempo de acceso en un disco.
Prof. Herbert Hoeger Simulacin VII-16
f x
b a
a x b b a
F x
x a
b a
x a
a x b
b x
( ) , , .
( )
=

>
=

<
<

1
0

1
si
si
si

Media:
a b +
2

Varianza: ( ) / b a
2
12
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0
.
6
1
.
2
1
.
8
2
.
4 3
3
.
6
4
.
2
4
.
8
5
.
2
5
.
8
6
.
4 7
7
.
6 8
8
.
6
9
.
2

U (5,8.5)
Generacin:
Genere u ~ U(0,1) y retorne a + (b - a)u.
18. UNIFORME (DISCRETA)
Toma un nmero finito de valores, todos con la misma probabilidad. Se usa cuando se cree que los
valores sobre un intervalo son equiprobables:
Nmero de pistas a accesar en un disco.
El nmero del dispositivo de entrada/salida seleccionado para la prxima operacin.
El nodo de origen y destino del prximo paquete en una red.

Prof. Herbert Hoeger Simulacin VII-17
f x
n m
x m m n m n n m
F x
x m
n m
x m
m x n
n x
( ) , , ,..., ; .
( )
=
+
= + >
=
+
+
<
<

1
1
1
0
1
1
1
y enteros y
si
si
si

Media: (n + m)/2
Varianza:
( ) n m + 1 1
12
2

0
0.1
0.2
0.3
0.4
0.5
1 3 5 7 9
1
1
1
3
1
5
1
7
1
9

UD(6,15)
Generacin:
Genere u ~ U(0,1) y retorne m + (n - m + 1)u.
19. WEIBULL
Es usada comnmente en anlisis de confiabilidad. Se usa para modelar tiempo de vida de componentes.
Si b < 1, la tasa de fallas incrementa con el tiempo. Si b > 1, la tasa de fallas decrementa con el tiempo. Si b
= 1, la tasa de falla es constante y los tiempos de vida son exponenciales.
Si a = 3.602, la Weibull se aproxima a la normal. Para a > 3.602, tiene una larga cola a la izquierda. Para
a < 3.602, la cola es para la derecha. Para b 1, tiene forma de L. Para b > 1, tiene forma de campana.
Prof. Herbert Hoeger Simulacin VII-18

f x
bx
a
e x a
F x e
b
b
x a
x a
b
b
( ) , , , .
( )
( / )
( / )
= < >
=

1
0 0
1
0 b >

Media:
a
b
b ( / ) 1
Varianza:
| |
{ }
a
b
b b b
2
2
2
2 2 1 ( / ) ( / )
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0
2
.
4
4
.
8
7
.
2
9
.
6
1
2
1
4
.
4
1
6
.
8
1
9
.
2
2
1
.
6
2
4
2
6
.
4
2
8
.
8
3
1
.
2
3
3
.
6
3
6
3
8
.
4
4
0
.
8
4
3
.
2
4
5
.
6

Weibull(20,10)
Weibull(20,1.5)
Weibull(20,3.602)
Generacin:
Por transformacin inversa. Genere u ~ U(0,1) y retorne a(-ln u)
1/b
como la Weibull(a , b ).
Prof. Herbert Hoeger Simulacin VII-19