INSTITUTO TECNOLOGICO DE VERACRUZ

INGENIERIA EN SISTEMAS COMPUTACIONALES

GENERACION DE VARIABLES ALEATORIAS

PARA ACREDITAR LA MATERIA

SIMULACION
PRESENTAN EL ALUMNO:
BAHENA JAVIER JOSE FRANCISCO
NUMERO DE CONTROL:
E14021182

PROFESOR DE LA MATERIA:
ARMANDO BRAVO BAUTISTA

VERACRUZ, VER.
OCTUBRE 2016

UNIDAD

GENERACIN

DE

VARIABLES

ALEATORIAS.
3.1. Introduccin
Buscamos mtodos que nos permitan obtener valores de variables aleatorias que
sigan determinadas distribuciones de probabilidad a partir de los nmeros
aleatorios generados, que siguen la distribucin Uniforme en el intervalo (0,1). Hay
cuatro mtodos generales de generacin de variables aleatorias y una serie de
mtodos particulares de las distintas distribuciones. La facilidad de aplicacin de
dichos mtodos, as como el coste computacional asociado a los mismos, vara
mucho segn la familia de variables aleatorias a las que se apliquen. Normalmente
existen varios algoritmos que se pueden utilizar para generar valores de una
determinada distribucin, y diferentes factores que se pueden considerar para
determinar qu algoritmo utilizar en un caso particular. Desafortunadamente
dichos factores suelen entrar en conflicto unos con otros y a veces se ha de llegar
a una solucin de compromiso. Algunos de estos factores son los siguientes:
Exactitud: se han de obtener valores de una variable con una precisin dada. A
veces se tiene suficiente con obtener una aproximacin y otras no. Eficiencia: el
algoritmo que implementa el mtodo de generacin tiene asociado un tiempo de
ejecucin y un gasto de memoria. Elegiremos un mtodo que sea eficiente en
cuando al tiempo y a la cantidad de memoria requeridos. Complejidad: Buscamos
mtodos que tengan complejidad mnima, siempre y cuando se garantice cierta
exactitud.

Variable aleatoria.
Se llama variable aleatoria a toda funcin que asocia a cada elemento
del espacio muestral E un nmero real.
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y
las respectivas minsculas (x, y, ...) para designar valores concretos de las
mismas.
3.3 Variable aleatoria discreta

Una variable discreta es aquella que solo puede tomar un nmero finito de
valores entre dos valores cualesquiera de una caraterstica.
Ejemplos:

El nmero de hijos de una familia, la puntuacin obtenida al lanzar un dado.

3.2 Variable aleatoria continua

Una variable continua es aquella que puede tomar un nmero infinito de
valores entre dos valores cualesquiera de una caraterstica.
Ejemplos:

La altura de los alumnos de una clase, las horas de duracin de una pila.
3.4 Mtodos para generar variables aleatorias.
Mtodo de la transformada inversa: Consiste en emplear la distribucin
acumulada F(x) de la distribucin de probabilidad a simular por medio de
integracin; como el rango de F(x) se encuentra en el intervalo de cero (0) a
uno (1), se debe generar un nmero aleatorio ripara luego determinar el valor
de la variable aleatoria cuya distribucin acumulada es igual a ri. El problema
de este mtodo radica en el hecho que algunas veces se dificulta demasiado
la consecucin de la transformada inversa. Mtodo de convolucin: Permite
generar una distribucin a partir de la suma de distribuciones ms
elementales o mediante la transformada z. Mtodo de aceptacin y rechazo:
Cuando f(x) es una funcin acotada y x tiene un rango finito, como a x b, se
utiliza este mtodo para encontrar los valores de las variables aleatorias. El
mtodo consiste en normalizar el rango de f mediante un factor de escala c,
luego definir a x como una funcin lineal de r, despus se generan parejas de
nmeros aleatorios r1 , r2 y por ltimo si el nmero encontrado se elige al
azar dentro del rango (a,b) y r b, se utiliza este mtodo para encontrar los

valores de las variables aleatorias. El mtodo consiste en normalizar el rango

de f mediante un factor de escala c, luego definir a x como una funcin lineal
de r, despus se generan parejas de nmeros aleatorios r1 , r2 y por ltimo si
el nmero encontrado se elige al azar dentro del rango (a,b) y r cf (x) se
acepta, en caso contrario se rechaza. El problema de este mtodo es la
cantidad de intentos que se realizan antes de encontrar una pareja exitosa.
Mtodo de composicin: Con este mtodo la distribucin de probabilidad
f(x)se expresa como una mezcla o composicin de varias distribuciones de
probabilidad fi(x) seleccionadas adecuadamente.

3.5 Procedimientos especiales.

Existen algunas distribuciones estadsticas de probabilidad en las cuales es
posible emplear sus propiedades para obtener expresiones matemticas para
la generacin de variables aleatorias en forma eficiente. En varios casos se
aplica el Teorema Central del Lmite y en otros se utiliza el mtodo directo
para encontrar las variables aleatorias.

El Teorema del Lmite Central o Teorema Central del Lmite indica que, bajo
condiciones muy generales, la distribucin de la suma de variables aleatorias
tiende a una distribucin gaussiana cuando la cantidad de variables es muy
grande. Existen diferentes versiones del teorema, en funcin de las
condiciones utilizadas para asegurar la convergencia. Una de las ms
simples establece que es suficiente que las variables que se suman sean
independientes, idnticamente distribuidas, con valor esperado y varianza
finitas.

La aproximacin entre las dos distribuciones es en general mayor en el centro

de las mismas que en sus extremos o colas, motivo por el cual se prefiere el
nombre Teorema del Lmite Central (central califica al lmite, ms que al
teorema).

Esta relacin entre la forma de la distribucin de la poblacin y la forma de la

distribucin de muestreo se denomina teorema del lmite central, que es tal
vez el ms importante de toda la inferencia estadstica. Nos asegura que la
distribucin de muestreo de la media se aproxima a la normal al
incrementarse el tamao de la muestra. Hay situaciones tericas en las que
el teorema del lmite central no se cumple, pero casi nunca se encuentran en
la toma de decisiones prctica. Una muestra no tiene que ser muy grande
para que la distribucin de muestreo de la media se acerque a la normal. Los
estadsticos utilizan la distribucin normal como una aproximacin a la
distribucin de muestreo siempre que el tamao de la muestra sea al menos
de 30, pero la distribucin de muestreo de la media puede ser casi normal
con muestras incluso de la mitad de ese tamao. La importancia del teorema
del lmite central es que nos permite usar estadsticas de muestra para hacer
inferencias con respecto a los parmetros de poblacin sin saber nada sobre
la forma de la distribucin de frecuencias de esa poblacin ms que lo que
podamos obtener de la muestra.