INSTITUTO TECNOLOGICO DE VILLAHERMOSA

Alumnos:
Carlos Augusto Flores Rivera
Luis Fernando García Guzmán

Catedrático:
M.C Javier Zinath Geronimo

Materia:
Simulación

“GENERACION DE VARIABLES ALEATORIAS”

Unidad 3

1
 INDICE
INDICE………………………………………………………………………………… 2
3.1 INTRODUCCION………………………………………………………………… 3
3.2 GENERACION DE VARIABLES ALEATORIAS DISCRETAS Y CONTINÚAS
UTILIZANDO PAQUETES COMPUTACIONALES COMO EXCEL Y PROMODEL……4
3.2.1 GENERACION DE VARIABLES ALEATORIAS DISCRETAS ……………………..8
3.2.2 GENERACION DE VARIABLES ALEATORIOS CONTINUAS ……………………10
BIBLIOGRAFIA ………………………………………………………………………………..12

2
 3.1 INTRODUCCION
Introducción.
¿Qué es una variable aleatoria?
Como se ha mencionado en las unidades precedentes, un modelo de simulación
permite lograr un mejor entendimiento de prácticamente cualquier sistema. Para
ello resulta indispensable obtener la mejor aproximación a la realidad, lo cual se
consigue componiendo el modelo a base de variables aleatorias que interactúen
entre sí.
Las variables aleatorias son aquellas que tiene un comportamiento probabilístico
en la realidad. Por ejemplo, el número de clientes que llegan cada hora a un banco
depende del momento del día, del día de la semana y de otros factores.
En muchos experimentos a los resultados del experimento se pueden asignar
valores numéricos. Por ejemplo, si tira un dado, cada resultado tiene un valor de 1
a 6. Si al determinar la puntuación en las pruebas de mitad de período de un
estudiante en su clase, el resultado es nuevamente un número. Una variable
aleatoria es una regla que asigna un número a cada resultado de un experimento.
Estos números se denominan los valores de la variable aleatoria. A menudo se
usan letras como X, Y y Z para denotar una variable aleatoria.

3
 3.2 GENERACION DE VARIABLES ALEATORIAS DISCRETAS Y
CONTINÚAS UTILIZANDO PAQUETES COMPUTACIONALES
COMO EXCEL Y PROMODEL
La generación de cualquier variable aleatoria se va a basar en la generación
previa de una distribución uniforme (0,1). Y las transformaciones de dichos
números generados en valores de otras distribuciones.

La mayoría de las técnicas utilizadas para la generación se pueden agrupar en:

Ø Método de la transformada inversa
Ø Método de aceptación-rechazo
Ø Método de composición
Ø Método de convolución

MÉTODO DE LA TRANSFORMADA INVERSA

Es el método más directo para generar una variable aleatoria. Sea

una función de distribución cuya función de distribución inversa es:

Sea U una variable aleatoria de

se verifica que

tiene la función de distribución F. La prueba se sigue de la observación de que

4
Esto sugiere inmediatamente el siguiente esquema de generación:
Algoritmo del método de la transformada inversa
Propósito: Generar Z aleatoriamente de

Entrada: Capacidad para evaluar

Salida: Z
Método: Generar aleatoriamente U de

Devolver Z.

Ejemplo. La distribución exponencial

Supongamos que tiene una distribución exponencial de media beta. La función
densidad de probabilidad es:

La función de distribución (acumulativa) es:

MÉTODO DE ACEPTACIÓN RECHAZO

Este método es más probabilístico que el anterior. Los métodos de inversión,
composición y convolución son métodos de generación directos, en el sentido en
que tratan directamente con la función de distribución. El método de aceptación-
rechazo es menos directo en su aproximación.

5
Se va aplicar este método en el caso de que la variable aleatoria sea continua, el
caso discreto es análogo y está tratado en Prob. 8.9
En este caso tenemos la función de densidad f(x) de la variable y necesitamos una
función t(x) que la acote, es decir t(x)³f(x) "x. Hay que notar que t(x) no es, en
general, una función de densidad

pero la función r(x)=t(x)/c, si es claramente una función de densidad. (Suponemos

que t es tal que c<¥). Debemos de poder generar (esperamos que de forma fácil y
rápida) un valor de la variable aleatoria que sigue la función r(x). El algoritmo
general queda como sigue:
Generar x que siga la distribución r(x)
Generar u~U(0,1), independiente de x

entonces devolver x si no volver a repetir el algoritmo

El algoritmo continúa repitiéndose hasta que se genera un valor que es aceptado.
Para hacer que se rechacen el menor número de puntos posibles la
función t(x) debe ser la mínima función que acote a f(x).

MÉTODO DE COMPOSICIÓN
Este método va a poder ser aplicado cuando la función de densidad es fácil de

siendo n el número de trozos en los que se ha dividido la función.

Cada uno de los fragmentos se puede expresara como producto de un función de
distribución y un peso

y la función de distribución global la podemos obtener como

6
El método consiste en generar dos números aleatorios, uno sirve para seleccionar
un trozo y el otro se utiliza para generar un valor de una variable que sigue la
distribución de dicho trozo. El valor de la variable obtenida es el valor buscado.
El algoritmo general queda como sigue:
Generar u1,u2~U(0,1)
Si u1=w1 entonces generar x~f1(x)
Si no
Si u1=w1+w2 entonces generar x~f2(x)

MÉTODO DE CONVOLUCIÓN
Muchas variables aleatorias incluyendo la normal, binomial, poisson,
gamma, erlang, etc., se pueden expresar de forma exacta o
aproximada mediante la suma lineal de otras variables aleatorias.
El método de convolución se puede usar siempre y cuando la variable
aleatoria x se pueda expresar como una combinación lineal
de k variables aleatorias:

En este método se necesita generar k números aleatorios (u1,u2,...,uk)

para generar (x1,x2,...xk) variables aleatorias usando alguno de los
métodos anteriores y así poder obtener un valor de la variable que se
desea obtener por convolución.

7
 3.2.1 GENERACION DE VARIABLES ALEATORIAS DISCRETAS
El muestreo de Monte Carlo
Se logra al asignar intervalos de números aleatorios de acuerdo a las
probabilidades en la distribución especificada.
Este método consiste en los siguientes pasos:
1. Se realiza una segmentación, para cada probabilidad de la distribución se le
asigna un rango de valores según su valor.
2. Se genera un número aleatorio entero r entre 00 y 99.
 Cada número aleatorio en una secuencia (en este caso de 00 a 99) tiene una
probabilidad igual (en este caso 0.01) de aparecer, y cada uno es independiente
de los números antes y después de él.
3. Se devuelve la variable aleatoria discreta de la distribución que corresponda con
el rango donde pertenece el número aleatorio generado.

Los dos algoritmos utilizados con más frecuencia son:

Método de transformación inversa (ITM).
Método de aceptación-rechazo (ARM).
Entre estos dos métodos, es posible generar variables aleatorias de casi todas las
distribuciones utilizadas con más frecuencia.
Además, se cuenta con dos métodos para generar variables aleatorias a partir de
la distribución normal:
Algoritmo de convolución.
Método directo.
METODO DE TRANSFORMACION INVERSA (ITM)
Este método consiste en los siguientes pasos:
1. Dada la función de densidad de probabilidad f(x), se elabora la función de
distribución acumulada como: F(x) f (t)dt x ∫−∞ =
2. Se genera un número aleatorio r ∈ [0,1].
3. Se establece F(x) = r y se determina el valor de x. La variable x es entonces una
variable aleatoria continua de la distribución cuya fdp está dada por f(x).

8
METODO DE ACEPTACION- RECHAZO (ARM)
Este método requiere una función de distribución acumulada (fda) F(x) esté
definida en un intervalo finito.
Como ejemplos se tienen la función rampa, las distribuciones triangulares, beta y
la de Erlang.
Este método consiste en los siguientes pasos:
1. Se selecciona una constante M, tal que M es el valor más grande de f(x) en el
intervalo [a, b].
2. Se genera dos números aleatorios r1 y r2, r1, r2 ∈ [0,1].
3. Se calcula x* = a + (b – a)r1. (Esto asegura que cada miembro de [a, b] tiene
una probabilidad igual de ser elegido como x*).
4. Se evalúa la función f(x) en el punto x*; sea f(x*).
5. Si r2 ≤ f(x*) / M, entonces se acepta x* como una variable aleatoria continua. De
lo contrario, se rechaza x* y se vuelve al paso 2.
ALGORITMO DE CONVOLUCION
En este algoritmo se hace uso del teorema del límite central.
Teorema del Límite Central:
La suma X de n variables aleatorias independientes y distribuidas de manera
idéntica (por ejemplo, x1, x2, …, xn, cada una con media μ (E(xi ) = μ) y varianza
finita σ2 (Var(xi ) = σ2)) tiene una distribución aproximadamente normal con media
nμ y varianza nσ2.
Sea X con distribución n(μ, σ2), se va a generar un valor Z con distribución n(0, 1).
Si esto se aplica a R(0, 1) variables aleatorias; r1, r2, …, rn , con media μ y
varianza finita σ2.
METODO DIRECTO
Este método fue creado por Box y Muller (1958).
No es tan eficaz como algunas nuevas técnicas, pero es fácil aplicarlo y
ejecutarlo.
El algoritmo genera dos números aleatorios R(0, 1), r1 y r2, y luego los transforma
en dos v.a. normales, cada una con media 0 y varianza 1.

9
Este método consiste en los siguientes pasos:
Se generan dos números aleatorios r1 y r2, U(0, 1).
Se transforman en dos variables aleatorias normales, cada una con media 0 y
varianza 1, usando las transformaciones directas

3.2.2 GENERACION DE VARIABLES ALEATORIOS CONTINUAS

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 interés de estas probabilidades está en conocer la probabilidad
correspondiente a un intervalo.

Distribución Uniforme

XX tiene una distribución Uniforme(a,b)Uniforme(a,b) si:

Donde a<ba<b. La función de distribución es:

Distribución Normal
XX tiene una distribución normal con parámetros μμ y σσ,
denotado X∼N(μ,σ2)X∼N(μ,σ2) si:

10
Donde μ∈Rμ∈R y σ>0σ>0.
Decimos que XX tiene una distribución Normal estándar si μ=0μ=0 y σ=1σ=1.
Una variable aleatoria Normal estándar se denota tradicionalmente por ZZ, su
función de densidad de probabilidad por ϕ(z)ϕ(z) y la función de probabilidad
acumulada por Φ(z)Φ(z)

11
 BIBLIOGRAFIA
http://simulacion-itstb.blogspot.mx/p/unidad-tres-generacion-de-
variables.html
http://www.tesoem.edu.mx/alumnos/cuadernillos/2009.021.pdf
http://simulacionunilibre.blogspot.mx/2011/04/generacion-de-variables-
aleatorias.html
http://www.kramirez.net/ProbaEstad/Material/Presentaciones/Generaci
onVariablesAleatorias.pdf

12