Métodos para Generar Variables aleatorias Hay cuatro métodos generales de generación de variables aleatorias y una serie de métodos

Particulares de las distintas distribuciones. La facilidad de aplicación de dichos métodos, así como el coste computacional asociado a los Mismos, varía mucho según la familia de variables aleatorias a las que se apliquen. Normalmente existen varios algoritmos que se pueden utilizar para generar valores de una Determinada distribución, y diferentes factores que se pueden considerar para determinar qué 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 solución de compromiso. Algunos de estos factores son los siguientes: Exactitud: se han de obtener valores de una variable con una precisión dada. A veces se tiene suficiente con obtener una aproximación y otras no. Eficiencia: el algoritmo que implementa el método de generación tiene asociado un tiempo de ejecución y un gasto de memoria. Elegiremos un método que sea eficiente en cuando al tiempo y a la cantidad de memoria requeridos. Complejidad: Buscamos métodos que tengan complejidad mínima, siempre y cuando se garantice cierta exactitud. Robusted: el método tiene que ser eficiente para cualquier valor que tomen los parámetros de la distribución que siga la variable aleatoria. Facilidad de implementación.

Métodos generales

Los métodos generales para la generación de variables aleatorias son: Método de Inversión, de Aceptación-Rechazo, de Composición y de Convolución. A continuación pasamos a estudiarlos. Método De Los Cuadrados Consiste en que cada número de una sucesión es producido tomando los dígitos medios de un número obtenido mediante la elevación al cuadrado. P1: Obtener semilla (valores iniciales 445) P2: Aplicación de Algoritmos recursivos (elevar al cuadrado) P3: Validación del conjunto de datos generados Ejemplo: Consideremos la semilla 445 X X2 N° Aleatorio 445 1| 9802 | 5 0,9802 9802 96| 0792 | 04 0,0792 792 6 | 2726 | 4 0,2726 2726 …………… ……………

Métodos para Generar Variables aleatorias

 Método de Inversión La función de distribución (también llamada función de distribución acumulativa), F(x), de una variable aleatoria X es definida para cada número real x como sigue:
F(x)=P(X≤x) para -∞<x<∞ Donde P(X≤x) es la probabilidad asociada con el suceso {X≤x}. Así F(x) es la probabilidad, cuando se ha realizado el experimento, de que la variable X tome un valor menor o igual que x. Una función de distribución F(x) tiene las siguientes propiedades:

Una variable aleatoria X se dice que es discreta si puede tomar unos valores determinados, no pudiendo tomar ningún valor comprendido entre dos consecutivos. Así la variable sólo puede tomar un conjunto finito de valores x1, x2,...,xn. La probabilidad de que la variable aleatoria X tome el valor xi es dado por:

Donde la sumatoria significa la suma de todas las probabilidades p(x1), p(x2),... Todas las probabilidades acerca de X se pueden calcular desde p(x), a la cual se le llama función de probabilidad para la variable discreta X. Si I=[a,b], donde a y b son números reales tales que a≤b, entonces

El método de inversión va a aprovechar las propiedades de la función de distribución para obtener un valor de la variable aleatoria a partir de un número aleatorio uniformemente distribuido en el intervalo (0,1).

Vamos a ver en qué consiste dicho método tanto para el caso en el que la variable aleatoria sea continua como para cuando es discreta. En este caso la función de distribución es discontinua y tiene una forma escalonada. .1) y vamos a suponer que es el valor que toma la función de distribución en un punto x. composición y convolución son métodos de generación directos. Vamos a utilizar un número aleatorio u. y e Y (con función de Demostración: . vamos a encontrar un valor de x para cualquier u. Los métodos de inversión. sino que este valor esté entre dos valores posibles. h(x) una función de densidad en I.  Caso discreto Al ser discreta no hay fórmula de su inversa y puede ocurrir que dado un u no se encuentre imagen x de la función.  Método de Aceptación Rechazo Este método es más probabilístico que el anterior.  Caso continuo En este caso la función de distribución es continua. Si densidad h) son independientes. uniformemente distribuido en (0. El método de aceptaciónrechazo es menos directo en su aproximación Es a X una variable aleatoria con función de densidad Supóngase que f(x)=Cg(x)h(x) con C una constante. en el sentido en que tratan directamente con la función de distribución. entonces . Al ser la función de distribución continua. Tal punto va a ser el valor de la variable que queremos generar.

Ahora interesa conocer cuál es la probabilidad de que en una iteración concreta se rechace el valor generado: y un valor y de la variable Y (de forma Como el número de iteraciones del método hasta aceptar un valor sigue una distribución geométrica de parámetro (cuya esperanza es C). 3. 2. entonces se hace x=y. Algoritmo de aceptación y rechazo: 1. entonces si queremos optimizar el método habrá que intentaar que C sea próxima a uno y que h sea sencilla de generar. Si hacemos tendrá .Q. Si . Se .D. Si u>g(y). se va al paso 1. entonces buscamos que sea . Se genera independiente).E.

En varios casos se aplica el Teorema Central del Límite y en otros se utiliza el método directo para encontrar las variables aleatorias. El método de composición consiste en lo siguiente: 1. erlang. se pueden expresar de forma exacta o aproximada mediante la suma lineal de otras variables aleatorias.  Procedimientos especiales Existen algunas distribuciones estadísticas de probabilidad en las cuales es posible emplear sus propiedades para obtener expresiones matemáticas para la generación de variables aleatorias en forma eficiente. . . con fi función de densidad. descompone . etc. El valor de la variable obtenida es el valor buscado. Sea f(x) la función de densidad de una variable aleatoria X.Como coincide con h salvo la constante y h es una función de sea densidad en I.  Método de convolución Muchas variables aleatorias incluyendo la normal.. Se elige la i-ésima función con probabilidad pi y se genera un valor para la función de densidad fi. binomial. poisson. f como . .  Método de composición El método consiste en generar dos números aleatorios. entonces también se tiene que cumplir que finita. 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 Permite generar una distribución a partir de la suma de distribuciones más elementales o mediante la transformada z. gamma. 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. Se 2.

El método de la transformada inversa: Suponga que queremos generar el valor de una variable aleatorio discreta X con función de masa de probabilidad (Transformada Inversa de La place) La Transformada Inversa de La place de una función F (s) es una función única L−1 {F } (t) = f (t).Transformada inversa. En otras palabras. ∞).}. que es continua en [0. convolución. tal que satisface F (s) = L{f} (s). directos. A la transformada inversa de una función se le denota con la letra minúscula correspondiente a la de su transformada o utilizando el operador transformada inversa L−1 {. la transformada inversa de La place de una función F (s) es una función f (t) cuya TL sea F (s). En las siguientes propiedades se asume que las funciones f(t) y g(t) con funciones que poseen transformada de La place. . aceptación-rechazo.

.Podemos escribir lo anterior en forma algorítmica. como Generar un número aleatorio U Si U<p0 hacer X = x0 y terminar Si U<p0+ p1 hacer X = x1 y terminar Si U<p0+ p1 + p2 hacer X = x2 y terminar .Observaciones: 1.

Si u>s. i=1. entonces k=A(y). .Generación de variables aleatorias discretas: distribuciones poisson. s=s+pi y se repite el paso 2. que es escalonada. entonces k=y. Si z>Q(y). Se genera 2. se tiene el siguiente algoritmo: 1. entonces se hace i=i+1. z=frac(ku). Método del alias (Este método sólo es válido para variables cuya probabilidad está concentrada en un número finito de puntos) Sea X tal que P(X=xi)=pi. Método de la transformación inversa Sea X una variable aleatoria discreta con función de distribución F y probabilidades puntuales Considerando la función F. Se toma x=xk. Si . entonces x=xi es el valor que se genera y finaliza el algoritmo.Binomial. Se genera . y geométrica. Sean y=1+[ku]. Tras una fase de preprocesamiento que se detalla más adelante. . 2. Se hace s=p1. se tiene el siguiente algoritmo: 1. Si . Falta determinar los valores Q(i) y los alias A(i) de modo que se tenga .

2. finaliza el preprocesamiento. Ejemplo: Sea vector de probabilidades es ( ) con x=0. . I(4)=False.   Hágase Ii=false. j=1. j=2. . El i=4.1. Ii=true. Si esto no es posible. Selecciónese j tal que . Q(i)=kai. I(3)=False. . Ij=true. Se repiten las siguientes operaciones (a lo sumo) k-1 veces:  Selecciónese i tal que . A(4)=1. A(3)=2.3. Para cada se define 2. . i=3.Fase de preprocesamiento: 1. A(i)=j.

j=2. con lo cual cuando apliquemos la segunda parte del algoritmo del alias nos dará los valores que buscamos. el 2 al 1. A(1)=2. Ahora asignamos el 1 al valor 0. el 3 al 2 y el 4 al 3. . La variable geométrica se puede relacionar fácilmente con la variable exponencial: Sea Sea x>0.i=1. . Distribuciones concretas Distribución geométrica Representa el número de fracasos hasta que se produce el primer éxito en un experimento de Bernouilli de parámetro p. .

tomemos tal que para conseguir la expresión de probabilidad puntual de una distribución G(p). . Sean (Poisson) y . por lo que se concluye que Distribución binomial negativa Representa el número de fracasos antes del r-ésimo éxito en un experimento de Bernouilli de parámetro p. Veamos también un algoritmo directo basado en el método de composición. Otro modo consiste en observar que una variable BN(p. Tras esto se toma un valor y generado según y se toma x=[y].r) es suma de r variables geométricas G(p) independientes. con . Existen varias formas de simular variables con distribución binomial negativa: la más inmediata es ir simulando experimentos de Bernouilli de parámetro p y contabilizar los fracasos hasta que se obtiene el éxito résimo. Basta tomar una hacer . Ya se vio que para ello hay que .Como . por lo que basta simular r veces una geométrica con parámetro p y sumar los valores obtenidos.

resultando el una BN(p. . entonces el número de sucesos por . Como nosotros queremos simular . Este valor x está distribuido según una distribución binomial negativa BN(p. En unidad de tiempo sigue una distribución de Poisson de parámetro consecuencia. podemos proceder del tales que . Se genera 2.Luego esta composición es . Distribución de Poisson En la primera parte de la asignatura se vio que si los tiempos entre sucesos consecutivos son . .r). por lo que . . Ese valor x corresponderá a una variable Como los valores Tj son exponenciales de parámetro tiene que .r). Se genera . con . entonces debemos tomar siguiente algoritmo: 1. entonces se . para generar una variable siguiente modo: se generan valores .

.En resumen. Si . entonces x-1 es el valor buscado. y se hace k=kui. el algoritmo es el siguiente: 1. Sean k=1. Se genera 3. x=1. En caso contrario se hace x=x+1 y se va al paso 2. 2.

basado en los estadísticos ordenados y que permite generar n valores a la vez. Otro método. . y Triangular Distribución exponencial Un método que ya se usado varias veces consiste en tomar con . normal. u(n)=1.Generación de variables aleatorias continuas: distribuciones Uniforme. Gamma. Ahora se hace y Estos valores corresponden a una variable Exp(1) y son independientes. Erlang. es el siguiente: se generan Ordenando obtenemos definimos u(0)=0. Exponencial. Beta.

Como esta distribución es reproductiva respecto . del segundo parámetro y una variable es una consideramos la siguiente descomposición: Es por esto por lo que basta limitarse a simular variables con .Distribución gamma Sea y . Si independientes. El siguiente teorema nos da un método directo para y son simular estas variables. entonces .

Demostración: Sean v>0. 0<w<1. Por la independencia de W y V: Se considera el cambio Así El recinto transformado es La distribución marginal de X es .

D. el método sólo es eficiente si tanto como están próximos a uno. El valor máximo de f se alcanza en Sin embargo. . entonces f está acotada y se puede aplicar aceptación y para una cota de rechazo. .E. En los dos siguientes teoremas veremos dos métodos para simular variables beta de modo eficiente.Luego Q. Si son independientes. entonces e Demostración: . Distribución beta Si .

Se considera el cambio de variable La densidad conjunta es El recinto transformado es La distribución marginal de X1 es .

Luego Q.Y2): Como Y1 e Y2 son independientes. Si . entonces e independientes. . Demostración: Como U1 y U2 son independientes. entonces Distribución de Se considera el cambio de variable : . Distribución de (Y1. Distribución de Y1 (la de Y2 se obtiene de forma análoga pero considerando en lugar de ): El recinto transformado es 0<y1<1.E. Sean U1.D. entonces Y1 e Y2 también lo son.

El recinto transformado es Ahora. entonces: En consecuencia. si . .

Con el fin de generar una variable N(0.1). Las variables Z1. Demostración: e independientes.1) e . Distribución normal Para generar una variable pues .D.y2) en una iteración concreta es Q.Luego Además. la probabilidad de que se acepte el par (y1.E.1) se considera el cambio de coordenadas siguiente (cambio polar): con independientes. Z2 son N(0. basta generar una variable N(0.

En otras palabras. Distribuciones Empíricas de probabilidad La distribución empírica asociada a una muestra es la ley de probabilidad sobre el conjunto de las modalidades.El recinto transformado es . Así Luego y son independientes. La idea es la siguiente. Para los denotamos: el número de veces que el valor valor aparece o sea el efectivo del .1 Sean diferentes valores que toman los una muestra. La forma más simple sería sacar aleatoriamente nuevos valores a partir de los valores ya observados. que afecta a cada observación con el peso . respetando sus frecuencias. tal que: probabilidad . se simularía la distribución empírica. La distribución empírica de la muestra es la ley de sobre el conjunto . . Supongamos que queremos aumentar artificialmente la cantidad de datos. Definición 2.

Definición 2. hablamos de clase modal.2 Sea una muestra numérica. a los valores iguales a los puestos en orden creciente: Aquí tenemos como ejemplo a una muestra de tamaño estadígrafos de orden. Para un carácter discreto. Una distribución empírica se llama unimodal si la frecuencia maximal es significativamente mayor que las otras. la varianza y la desviación estándar pueden ser vistas como carácterísticas probabilistas de la distribución empírica. Para estudiar una distribución empírica. la primera etapa consiste en ordenar los datos en orden creciente. La media de la muestra es la esperanza de su distribución empírica. es decir escribir sus estadígrafos de orden. Puede ser bimodal o multimodal en otros casos. la moda de la distribución empírica es el valor que tiene la frecuencia más alta. Para un carácter continuo agrupado en clases de amplitudes iguales. Llamamos estadígrafos de orden de la muestra. y sus La función de distribución empírica es la función de distribución de la distribución empírica.La media. .

Definición 2. que denotamos por y que toma los valores: En otras palabras. es la proporción de los elementos de la muestra que son menores o iguales a .3 La función de distribución empírica es la función de en . .

Sign up to vote on this title
UsefulNot useful