UNIDAD 3

GENERACIN DE VARIABLES ALEATORIAS

LUIS GILBERTO CUEVAS SALAS

Conceptos bsicos
Las variables aleatorias son aquellas que tiene un comportamiento
probabilstico en la realidad. Por ejemplo, el nmero de clientes que
llegan cada hora a un banco depende del momento del da, del da
de la semana y de otros factores.

La generacin de variables aleatorias o estocsticas

significa la obtencin de variables que siguen una
distribucin de probabilidad determinada. Requiere
de dos etapas:

Generar nmeros aleatorios

distribuidos uniformemente (R)

Generar con R y con las

distribuciones de probabilidad
las variables aleatorias o
estocsticas.
La generacin de estadsticas simuladas, o sea de los valores de las variables aleatorias, tienen una
naturaleza enteramente numrica y debe soportarse por nmeros aleatorios, generados por algn
mtodo

Una secuencia de nmeros aleatorios R1, R2,... debe tener dos importantes propiedades
estadsticas: uniformidad e independencia.
Cada nmero aleatorio Ri es una muestra independiente tomada de una distribucin continua
uniforme entre cero y uno. Esto es, la funcin de densidad de probabilidad es:

o Si el intervalo (0, 1) es dividido en n clases, o sub-intervalos de longitudes iguales, el nmero

esperado de observaciones en cada intervalo es N/n, donde N es el nmero total de
observaciones.
o La probabilidad de observar un valor en un intervalo en particular es independiente de los valores
previamente observados.

Entidad que puede tomar un valor cualesquiera durante la

duracin de un proceso dado.

Tipos de variables:
o Discreta
o Continua
o independiente

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.

VARIABLES ALEATORIAS DISCRETAS

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.

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.

Mtodos para generar variables aleatorias

Existen varios mtodos para generar variables aleatorias siendo los
ms importantes: transformada inversa, convolucin y aceptacinrechazo. Mediante estos mtodos es posible generar variables
aleatorias discretas (binomial, poisson, etc.) y continuas (uniforme,
exponencial, normal, etc.).

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.

o Generar dos nmeros uniformes U(0,1) llamados U1 y U2.

o Determinar el valor de la variable aleatoria X de acuerdo a la siguiente relacin lineal de
U1:
o Evaluar la funcin de probabilidad en X = a+(b-a)U1.
o Determinar si la siguiente desigualdad se cumple:
o 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.

El mtodo consiste en:

o Definir la funcin de Densidad f(x) que representa la

variable a modelar.
o Calcular la funcin acumulada f(x).

o Despejar la variable aleatoria x y obtener la funcin

acumulada inversa f(x)-1.
o Generar las variables aleatorias x, sustituyendo
valores con nmeros pdeudoaleatorios ri ~U (0,1)
en la funcin acumulada inversa.

EJEMPLO:

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.

Ejemplos de esta tcnica:

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.

o Una variable Erlang-k es la suma de k exponenciales.

o Una variable Binomial de parmetros n y p es la suma de n
variable Bernoulli con probabilidad de xito p.
o La chi-cuadrado con v grados de libertad es la suma de
cuadrados de v normales N (0,1).

Mediante este mtodo la distribucin de probabilidad F(x) se expresa como una mezcla de varias
distribuciones de probabilidad F(x) seleccionadas adecuadamente.
El procedimiento para la seleccin de las F(x) se basa en el objetivo se minimizar el tiempo de
computacin requerido para la generacin de valores de la variable aleatoria analizada.

1. Dividir la distribucin de probabilidad original en sub-reas, tal como se muestra en la figura

2. Definir la distribucin de probabilidad

para cada sub-rea.

3.- Expresar la distribucin de

probabilidad original en la forma
siguiente:
F(x)=A1F1(x) +
AnFn(x) y Ai = 1

A2F2(x)

4.- Obtener la distribucin

acumulada de las reas:

5. Generar dos nmeros uniformes R1, R2

6. Seleccionar la distribucin de probabilidad
F(x) con la cual se va simular el valor de x. La
seleccin de esta distribucin se obtiene al
aplicar el mtodo de la transformada inversa, en
la cuel el eje Y est representado por la
distribucin acumulada de las areas, y el eje X
por las distribuciones F(x). Para esta seleccin se
utiliza el numero uniforme R1.

7. Utilizar el numero uniforme R2 para simular por

el mtodo de la transformada inversa o algn otro
procedimiento especial, nmeros al azar que sigan
la distribucin de probabilidad F(x) seleccionada en
el paso anterior.

Existen algunas distribuciones como la distribucion erlang, la distribucion

normal, etc., Cuya simulacion A travs del metodo de la transformada
inversa sera demasiado compliacado. Para estas Y algunas otras
distribuciones, es posible utilizar algunas de sus propiedades para facilicitar
Y agilizar el proceso de generacin de numeros al azar.

Muchas variables aleatorias discretas corresponden a conteos de objetos con una caracterstica,
relativamente rara, dentro de un conjunto grande de objetos: tomos de un istopo, molculas de un
elemento qumico, bacterias, virus, individuos que poseen un gen especial... Con frecuencia se emplea
una ley de Poisson como modelo para estos conteos. Una variable aleatorio sigue una ley de Poisson de
parmetro si ella toma sus valores en y si para todo :

Es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos
de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A
uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p.

En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata

de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de
hecho, en una distribucin de Bernoulli.

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.

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.

Es la prueba estadstica de eleccin cuando

la prueba de Chi-cuadrada no puede ser
empleada por tamao muestral insufiente.

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.

Esta 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 practica: si Ho = 0 no existe diferencia
significativa es la distribucin de la frecuencia
observada y la distribucin terica especficamente
los mismos parmetros.