PONTIFICIA UNIVERSIDAD CATOLICA DEL PERU

FACULTAD DE CIENCIAS E INGENIERA

SIMULACION DE SISTEMAS

GENERACION VARIABLES ALEATORIAS

Hay mtodos generales de generacin de variables aleatorias y una serie de mtodos

particulares de las distintas distribuciones.

Los mtodos generales para la generacin de variables aleatorias son: Mtodo de

Inversin, de Aceptacin-Rechazo y de Convolucin.

1. METODO DE INVERSION O DE LA TRANSFORMADA INVERSA:

La funcin de distribucin (tambin llamada funcin de distribucin acumulativa), F(x),

de una variable aleatoria X es definida para cada nmero real x como sigue:

F(x)=P(X x)

donde P(X x)) es la probabilidad asociada con el suceso {X x}; es decir, la

probabilidad de que la variable X tome valores menores o iguales que el nmero x.

Una funcin de distribucin F(x) tiene las siguientes propiedades:

0 F(x) 1 , para todo x.

F(x) es no decreciente (es decir, si x1<x2, entonces F(x1)<F(x2)).
lim ( x +) F(x)= 1, lmite por la derecha.
lim ( x -) F(x)= 0, lmite por la izquierda.

La figura siguiente muestra en forma grfica el principio de este mtodo.

Primero, se obtiene la funcin de distribucin acumulada F(X) correspondiente a la

distribucin deseada.

Luego, se genera un nmero aleatorio R entre [0,1], con el cual se ingresa por la ordenada
(eje y) y se intercepta la curva F(X).

El nmero X correspondiente a la abscisa (eje x) del punto interceptado es un

nmero aleatorio que tiene la distribucin deseada.
Analticamente, el mtodo se representa como:

F(x) = f(t) dt

X = F-1( R )

donde f(x) es la funcin de densidad de probabilidad de la distribucin deseada.

En el caso de distribuciones discretas, la funcin de distribucin es discontinua y tiene

una forma escalonada.

Su frmula es:

F(x) = (xi x) pi

Al ser discreta no hay frmula de su inversa y puede ocurrir que dado un R (nmero
aleatorio entre [0,1]), no se encuentre imagen x de la funcin, sino que este valor est
entre dos valores posibles.

Lo que hace en este caso es, dado un R, se obtiene como salida un xi tal que:

Pi-1 R Pi , donde Pi es la probabilidad acumulada del intervalo i.

A continuacin, se muestra el principio para distribuciones de probabilidad discretas, en

el grfico siguiente.
2. METODO DE ACEPTACION Y RECHAZO:

En este caso, se tiene la funcin de densidad f(x) de la variable.

Se necesita obtener tres valores que acoten dicha funcin:

C, que la acote superiormente, es decir C f(x) para todo x
A que la acote por la izquierda , es decir A x, para todo x,
B que la acote por la derecha, es decir x B para todo x.

Los pasos a seguir son los siguientes:

Paso 1: Generar un valor de x distribuido entre A y B.

Paso 2: Generar un nmero aleatorio R entre [0,1].

Paso 3: Si R cumple con la siguiente regla de transformacin,

R f(x) / C
entonces el valor de x sigue la distribucin requerida, de lo contrario, se rechaza
dicho nmero y se repite el algoritmo.
3. METODO DE CONVOLUCION:

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.

Se expresa de esta manera:

y=b1*x1+ b2*x2 ++bk*xk

donde bi es una constante, y xi son variables aleatorias ms simples o componentes.

Los pasos a seguir son los siguientes:

Paso 1: Se genera k nmeros aleatorios (R1,R2,...,Rk)

Paso 2: Con uno (o mas, dependiendo del mtodo a utilizar) de los nmeros aleatorios, se
genera una variable aleatoria componente (x1,x2,...xk) usando alguno de los mtodos
anteriores.

Paso 3: Se obtiene un valor de la variable y por convolucin o suma lineal de las

variables aleatorias componentes.
 PONTIFICIA UNIVERSIDAD CATOLICA DEL PERU
FACULTAD DE CIENCIAS E INGENIERA
SIMULACION DE SISTEMAS

EJEMPLOS DE GENERACION DE VARIABLES DISCRETAS

1. DISTRIBUCION DE BERNOULLI:

Una Bernoulli de parmetro p es una variable aleatoria que resulta cuando tenemos un
experimento con dos posibles resultados (xito y fracaso), siendo p la probabilidad de
xito.

Dicho parmetro p ha de estar en el intervalo (0,1).

Su distribucin de probabilidad es:

P(x) = px ( 1-p)1-x , x = 0,1

es decir,

P(x) = 1-p , si x=0

P(x) = p , si x=1

La media de la distribucin es E(x)=p y su varianza Var(x)=p(1-p).

Para generar una variable de Bernoulli, se genera un nmero aleatorio R entre [0,1].
Si R p, entonces x=1 (xito), de lo contrario x=0 (fracaso).

2. DISTRIBUCION BINOMIAL:

La distribucin binomial mide el nmero de xitos en n pruebas independientes.

Ejemplos de variables que siguen esta distribucin son el nmero de miembros de un

conjunto que cumplen cierta caracterstica tal como el nmero de piezas defectuosas en
una caja de 200, el nmero de veces que se obtiene cara si se lanza 10 veces una moneda,
etc...

Esta distribucin tiene dos parmetros:

n que es el nmero de experimentos y
p que indica la probabilidad de xito.

La funcin de probabilidad es la siguiente:

P(x) = (n,x) px (1-p)n-x, x = 0,1,,n

La media de la distribucin es E(x) = np y su varianza Var(x) = np(1-p)

Se pueden obtener valores de una distribucin binomial(n,p) mediante los siguientes

mtodos:

Si n es pequeo, se pueden utilizar Convolucin de Bernoulli.

Si Yi es Bernoulli(p), entonces se puede expresar a X = Y 1 + Y2 + .. + Yn ,
donde X es Binomial(n,p)
Si n es grande, se pueden hacer aproximaciones de la binomial mediante otras
distribuciones:

o Cuando p es pequeo se puede aproximar mediante una Poisson. Si p0 y

n de forma tal que la media =np permanece constante, entonces se
puede aproximar una B(n,p) por una P().
o Cuando p no es pequeo se puede aproximar mediante una Normal. Si X
representa el nmero de xitos en n experimentos independientes, donde p
es la probabilidad de xito, entonces la proporcin de xitos X/n sigue una
distribucin aproximadamente normal con media =p y desviacin
estndar = ( p (1-p) / n )1/2 , si n es lo suficientemente grande. Esto
equivale a considerar que una B(n,p) puede aproximarse mediante una
N(np, ( p (1-p) / n )1/2 ) . La aproximacin es aceptable si np>5.

3. DISTRIBUCION POISSON:

La distribucin de poisson P() surge cuando estamos interesados en medir el nmero de

sucesos aleatorios que suceden en un intervalo fijo.

Por ejemplo el nmero de llamadas recibidas en una centralita telefnica en un periodo

de 30 segundos, el nmero de defectos en una fibra de vidrio de 1 Km de longitud, el
nmero de meteoritos encontrados en una hectrea de tierra desierta, etc...

Son problemas en los que la variable aleatoria se distribuye a lo largo del tiempo o del
espacio.

En todos los casos, las condiciones para que se trate de una distribucin de Poisson son:
Los eventos de inters deben ocurrir independientemente unos de otros.
La probabilidad de que suceda un evento en un intervalo depende de la longitud
del intervalo y no de su posicin.

Su distribucin de probabilidad es:

 p(x)=e- * x / x! , si x {0,1,..}

y su distribucin de probabilidad acumulada es:

F(x)= e- * (i / i! ), i = [0,x]

La media de la distribucin es E(x)= y su varianza Var(x)=.

Propiedades de la distribucin:
Si X1~P( 1) y X2~P( 2) entonces X1+X2~P( 1+ 2).
El parmetro de la distribucin de Poisson, que es su media, es el inverso de la
media de una distribucin exponencial.

Formas de generar valores de una P(T):

a) Se puede utilizar el mtodo de inversin para variables discretas.

b) Apoyndonos en que la media de la Poisson, es la inversa de la media de la
exponencial, se pueden generar valores de la Poisson mediante el siguiente
algoritmo:
o Se inicializa x=0 y t=0.
o Se genera una variable aleatoria Y~ exp(1/ ).
o Se actualiza t = t + Y
o Si t T entonces x = x+1
o Se repite el algoritmo a partir del 2do punto, hasta que t > T.

4. DISTRIBUCION DISCRETA EMPIRICA:

Cuando la distribucin de probabilidad de una variable aleatoria discreta viene dada por
un conjunto de probabilidades, el mtodo ms comn para generar valores de la misma es
el mtodo de la transformada inversa para distribuciones discretas.
 PONTIFICIA UNIVERSIDAD CATOLICA DEL PERU
FACULTAD DE CIENCIAS E INGENIERA
SIMULACION DE SISTEMAS

EJEMPLOS DE GENERACION DE VARIABLES CONTINUAS

1. DISTRIBUCION UNIFORME:

La distribucin uniforme en el intervalo (a,b) tiene como funcin de densidad y de

distribucin las siguientes:

f(x)= 1 / (b-a) , si x [a,b]

F(x) = 0 ,si x < a

(x-a)/(b-a) , si x [a,b]
1 , si x > b

La media de la distribucin es u(x)=(a+b)/2 y la varianza 2=(b-a)12 / 12

Como los nmeros aleatorios que generamos siguen la distribucin uniforme en el

intervalo (0,1), para generar valores de una distribucin uniforme en cualquier intervalo
(a,b) slo tenemos que hacer un cambio de intervalo:

X = a + (b-a)*R , donde R es U(0,1)

2. DISTRIBUCION EXPONENCIAL:

La distribucin exponencial de parmetro b>0, tiene como funcin de densidad y de

distribucin:

f(x)=b*e-bx , x 0

F(x)= 1 e-bx , x 0

La media de la distribucin es 1/b, y su varianza es b2.

La distribucin exponencial se usa para modelar intervalos de tiempo entre sucesos.

Ejemplos de procesos que han sido modelados mediante distribuciones exponenciales: La

duracin de conversaciones telefnicas, el tiempo entre fallos en ciertos elementos,
tiempo entre interrupciones en la CPU de un ordenador.
Es muy usada para simular el tiempo entre llegadas cuando las llegadas son
completamente aleatorias y para modelar tiempo de servicio, en los sistemas de colas. En
estos casos b es el nmero de arribos por unidad de tiempo y 1/b es el tiempo medio entre
arribos.

Para obtener valores de esta distribucin se puede utilizar el mtodo de inversin.

Aplicando el mtodo de la transformada inversa, se tiene:

F(x) = 1 e-bx = R donde R~U(0,1)

De donde se obtiene que:

x=(-1/b)*ln(1 R)

3. DISTRIBUCION WEIBULL:

Esta distribucin se utiliza para modelar el tiempo entre fallas de maquinarias o

componentes electrnicos.

Cuando el parmetro de localizacin es nulo (n = 0), la funcin de densidad de

probabilidad es:

f(x)=( / )* x-1*e-(x/)^ para x 0

El mtodo de la transformada inversa plantea que:

F(x) = 1 e-(x/)^

Resolviendo, se tiene el generador correspondiente:

x=(- ln( 1 R))^(1/)

4. DISTRIBUCION TRIANGULAR:

La frmula general para una distribucin triangular es:

f(x)= 2(x-a) / [(b-a)(c-a)] para axb

2(c-x) / [(c-b)(c-a)] para bxc

Una funcin con parmetros (a,b,c), con extremos en a y c y moda b.

F(x)= (x-a)^2 / [(b-a)(c-a)] para axb

1 - (x-c)^2/[(c-b)(c-a)] para bxc

Aplicando el mtodo de la transformada inversa se obtiene el siguiente generador:

x= a + {(b-a)(c-a)R}^(1/2) para 0 R (b-a)/(c-a)

c {(c-b)(c-a)(1-R)}^(1/2) para (b-a)/(c-a) R 1

5. DISTRIBUCION NORMAL:

La funcin de densidad normal (o gaussiana) fue propuesta por C.F. Gauss (1977-1855)
como modelo para la distribucin de frecuencia relativa de errores, como los errores de
medicin.

Esta curva con forma de campana es un modelo adecuado para las distribuciones de
frecuencia relativa de datos recabados de muchas reas cientficas diferentes y modela las
distribuciones de probabilidad de muchas estadsticas que utilizaremos para hacer
inferencias.

La variable aleatoria normal posee una funcin de densidad caracterizada por dos
parmetros, su media y su varianza y 2 respectivamente. La media mide la ubicacin
de la distribucin y la desviacin estndar mide su dispersin.

La distribucin Normal tiene como funcin de densidad la siguiente:

En este caso, para generar variables aleatorias normales, la inversa no es fcil de calcular,
por ello se recurre a mtodos alternativos, entre ellos tenemos:

a) Mtodo Polar

Se usa para generar valores de la distribucin N(0,1), hay dos aproximaciones

diferentes de dicho mtodo:

1) Propuesta de Marsaglia y Brax:

 Se inscribe un crculo de radio 1 en un cuadrado de lado 2.
Se generan nmeros aleatorios aceptando como salidas aquellos que caen dentro
del crculo y rechazando los que caen dentro del cuadrado pero fuera del crculo.

El algoritmo es el siguiente:

Se generan dos nmeros aleatorios R1 y R2.

Se calcula v1= 2R1 1 y v2=2R2 1

Se calcula s = v12 + v22

Si s1, entonces se calcula Zi = vi * [ -2 ln(s) / s]^(1/2)

2) Propuesta de Box y Muller:

Se utiliza dos variables con distribucin normal estndar Z1 y Z2 ~ N(0,1),

expresadas en coordenadas polares.

Z1 = B cos()
Z2 = B sen()

Z12 + Z22 = B2
(cos2 + sen2 ) = B2,
donde B2 tiene una distribucin chi-cuadrado con grado de libertad 2, por tanto se
puede aproximar a una exponencial con media 2.

Por tanto, generamos un aleatorio B2~exp(1/2)

B2 = (-2)ln(1-R)
Por lo tanto, B = [(-2)ln(1-R)]^(1/2)

Debido a la simetra de la normal, est uniformemente distribuido en el

intervalo [0,2].

Se genera = 2R

Se hallan las variables aleatorias

Z1 = B cos
Z2 = B sen

b) Convolucin:

Vamos a ver una serie de propiedades de la distribucin normal y un teorema que

nos van a servir para generar valores mediante este mtodo.

Teorema del Lmite Central :

Si X es una variable aleatoria con media y varianza 2, entonces la media de X,
para una muestra de tamao n (si n es lo suficientemente grande), sigue una
distribucin Normal de media y varianza 2/n.

Apoyndonos en este teorema por convolucin de variables uniformes (U(0,1)),

podemos obtener valores de una N(0,1), mediante el siguiente algoritmo:

Se generan doce nmeros aleatorios con distribucin U(0,1).

Z = ( R1 + R2 + + R12) 6

Por propiedad de variable uniforme, Ri tiene varianza igual a 1/12, por lo tanto Z
tiene varianza 1, ya que la constante no posee varianza.

La media de Z es 0, ya que Ri tiene media .