DISTRIBUCIONES COMUNMENTE USADAS

A continuacin se presentan algoritmos de generacin de variables aleatorias de distribuciones comnmente usadas. 1. BERNOULLI Esta es la ms simple de las distribuciones discretas. Toma solo dos valores que se denotan como fracaso (x = 0) o xito (x = 1), con probabilidades 1-p y p respectivamente. Se usa para modelar la probabilidad de que un resultado sea de una clase especifica o tenga una caracterstica especifica. Un sistema de computacin esta funcionando o no. Un paquete en una red llego a su destino o no. Esta distribucin junto con sus derivadas, se puede usar solo si los ensayos son independientes e idnticamente distribuidos de forma tal que la probabilidad de xito en cada ensayo sea p y no sea afectada por el resultado en ensayos anteriores.
si x = 0 1 p si x = 1 f (x ) = p en otro caso 0

Media: p Varianza: p(1-p)

1 0.8 0.6 0.4 0.2 0 0 1

Bernoulli(0.6)

Generacin: Use transformacin inversa. Genere u U(0,1). Si u p retorne 1, de otra forma retorne 0.

Prof. Herbert Hoeger

Simulacin

VII-1

2. BETA Se usa para representar variables que estn acotadas, por ejemplo, entre 0 y 1. El rango de la variable puede ser cambiado por otro rango [xmin , xmax ] sustituyendo x en la ecuacin siguiente por (x - xmin ) / (xmax - xmin ). Se usa para modelar: La fraccin de paquetes que requieren retransmisin La fraccin de llamadas a procedimientos remotos que tardan ms de cierto tiempo.
x a 1 (1 x )b 1 (a ,b)
1 0

f (x ) =

0 x 1, a > 0, b > 0 ( a ) (b ) (a + b)

( a , b ) = x a 1 (1 x )b 1 dx =
Media: a / ( a + b) Varianza: ab / [( a + b) 2 ( a + b + 1)]

2.5

beta(2,4)
2 1.5 1 0.5 0 0 0.1 0.2 0.3 0.4 0.5 0.6

beta(4,2)

beta(2,2)

0.7

0.8

Generacin: 1. Genere dos gamas y tome la razn:

beta( a , b ) =

(1, a ) (1, a ) + (1, b )

2. Si a y b son enteros: Genere a + b + 1 nmeros uniformes U(0,1). Retorne el a-esimo menor nmero como beta(a , b). Simulacin VII-2

Prof. Herbert Hoeger

0.9

3. Si a y b son ambos menores que 1: Genere u1 y u2 ambos U(0,1).

1/ a 1/ b Haga x = u1 y y = u2 . Si x + y > 1 vaya al paso previo, de lo contrario retorne x/(x + y)

como el valor de beta(a, b). 4. Si a y b son ambos mayores que 1, un algoritmo basado en el mtodo del rechazo puede ser fcilmente implementado.

3. BINOMIAL Se usa para modelar el nmero de xitos en una secuencia de n ensayos Bernoulli, por ejemplo: El nmero de procesadores que estn funcionando en un sistema multiprocesador. El nmero de paquetes que alcanzaron su destino sin errores. El nmero de elementos en una cola que tienen determinada caracterstica. La varianza de la binomial es siempre menor que la media. Si en las aplicaciones anteriores la varianza es mayor o igual a la media, se pueden usar distribuciones binomial negativa o Poisson.
n f ( x ) = p x (1 p ) n x x

x = 0,1,..., n

Media: np Varianza: np(1-p)

0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 8 10 12 14 16 18 20

binomial(0.6,20)

Prof. Herbert Hoeger

Simulacin

VII-3

Generacin: 1. Genere n U(0,1). El cantidad de nmeros aleatorios menor que p es binomial(n , p ).Este es el mtodo de composicin basado en que la binomial es suma de variables Bernoulli. 2. Si p es pequeo, una tcnica ms rpida es: Genere nmeros aleatorios geomtricos Gi ( p ) = ln( ui ) ln(1 p ) . Si para el momento

m i =1

Gi ( p ) > n , retorne m - 1, de lo contrario regrese al paso anterior.

3. Mtodo de la transformacin inversa: calcule la FDA F(x) para x = 0, 1, ..., n y almacnela en un arreglo. Para cada variable binomial genere u U(0,1) y cheque el arreglo hasta encontrar x tal que F(x) u < F(x + 1) y retorne x. 4. BINOMIAL NEGATIVA El nmero de fracasos x antes del m-esimo xito en una secuencia Bernoulli es binomial negativa: por ejemplo: Nmero de consultas locales a una base de datos antes de la m-esima consulta remota. Nmero de retransmisiones de un mensaje de m paquetes. m + x 1 m (m + x ) m p (1 p ) x = f (x ) = p (1 p ) x ( m) ( x ) m1

x = 0,1,2,..., ;

0 < p < 1;

m entero positivo para la primera expersion y m > 0 en la segunda. Media: m(1-p)/p Varianza: m(1-p)/p2

0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 8 10 12 14 16 18 20

NB(0.6,6)

Prof. Herbert Hoeger

Simulacin

VII-4

Generacin: 1. Genere ui ~ U(0,1) hasta que m de los ui sean menor o igual a p. Retorne el nmero de los ui que fueron mayores que p como BN(p,m). 2. La suma de m geomtricas G(p) da el nmero total de ensayos para m xitos, por lo tanto: m BN( p , m) ~ G ( p ) m i =1 3. El siguiente mtodo puede ser usado para valores de m enteros o no-enteros: a) Genere y ~ (p/(1-p),m). b) Genere x ~ Poisson(y). c) Retorne x como BN(p,m).

5. CHI-CUADRADO Se usa cuando tenemos una suma de cuadrados de normales estndar, por ejemplo, para modelar varianzas mustrales.

f ( x) =

x (v 2) / 2e x / 2 2 v / 2 ( v / 2)

0 x< (b + 1) = b (b), (1 / 2) = , (b + 1) = b! si b = 0,1,2,...

(b) = e x x b 1dx ,
0

Media: v Varianza: 2v

0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2

v=4

v=8

10

12

14

16

18

20

22

Prof. Herbert Hoeger

Simulacin

24

VII-5

Generacin:

1. El siguiente mtodo se basa en el hecho de que la 2(v) es una (2, v/2). Para v par:

2 ( v ) = ln ui
i =1

1 2

v/2

Para v impar:

2 ( v ) = 2 ( v 1) + [ N ( 0,1)]
2. Genere v N(0,1) y retorne la suma de sus cuadrados.

6. ERLANG

Es generalmente usada en modelos de cola como una extensin de la exponencial cuando el coeficiente de variacin (razn entre la desviacin estndar y la media) es menor que 1, por ejemplo: Modelar tiempos de servicio: una taquilla con tiempo de servicios Erlang(a , m ) puede ser representada como m taquillas con tiempos de servicio exponenciales. Modelar el tiempo de reparacin y el tiempo entre fallas.

f (x ) =

x m 1 e x / a ( m 1)! a m

0 x < ,

a > 0,

m entero positivo.

m 1( x / a ) i F ( x ) = 1 e x / a i = 0 i!
Media: am Varianza: a2m

0.1 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84 90 96

Erlang(4,2)

Erlang(10,4)

Prof. Herbert Hoeger

Simulacin

VII-6

Generacin:

Por convolucin. Genere m U(0,1) y calcule: m Erlang(a, m) ~ -a ln ui i =1

7. EXPONENCIAL

Es usada extensivamente en modelos de cola. Es la nica distribucin continua con la propiedad de prdida de memoria: recordar el tiempo desde el ltimo evento no ayuda a predecir el tiempo hasta el prximo evento. Es usada para modelar el tiempo entre eventos sucesivos, por ejemplo: El tiempo entre llegadas. El tiempo entre fallas.
f (x ) = 1 x/a e a 0 x < , a > 0.

F ( x ) = 1 e x / a
Media: a Varianza: a2

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 3 6 9 12 15 18 21 1.5 4.5 7.5 10.5 13.5 16.5 19.5 22.5 24

a=1

a=5

Generacin:

Por transformacin inversa. Genere u ~ U(0,1) y retorne - a ln(u).

Prof. Herbert Hoeger

Simulacin

VII-7

8. F

La F es la razn entre dos chi-cuadrado. Se usa para modelar la razn entre varianzas mustrales como por ejemplo en la prueba-F en regresin y anlisis de varianza.

( n / m) n / 2 n f (x ) = x ( n 2 ) / 2 1 + x m ( n / 2, m / 2)
Media:
m y m> 2 m 2

( n + m)/ 2

0 x < ,

n y m enteros positivos.

2 m2 ( n + m 2) y m> 4 Varianza: n(m 2)2 (m 4)

0.7 0.6 0.5 0.4 0.3

F(4,8)

F(4,4)
0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Generacin:

Por caracterizaron. Genere dos chi-cuadrados 2(n) y 2(m) y calcule:

2 (n) / n F ( n, m) = 2 ( m) / m

9. GAMMA

Es una generalizacin de la Erlang y tiene parmetros no enteros. Se usa en modelos de colas para modelar tiempos de servicio y tiempos de reparacin.

Prof. Herbert Hoeger

Simulacin

VII-8

f (x ) =

( x / a ) b 1 e x / a a (b )

0 x < ,

a > 0,

b > 0.

Media: ab Varianza: a2b

0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 7 14 21 28 35 42 3.5 10.5 17.5 24.5 31.5 38.5 45.5 49

(2,2)

(6,2) (6,6)

Generacin:

1. Si b es un entero, la suma de b exponenciales es una gamma. Si ui ~ U(0,1):

( a , b ) ~ a ln ui
i =1 2. Para b < 1, genere una beta x ~ beta(b, 1-b) y una exponencial y ~ exp(1). El producto axy es (a,b). 3. Para otros valores de b, se generan dos gamma y se suman como se muestra a continuacin:

( a , b ) ~ ( a , b ) + ( a , b b )
10. GEOMTRICA

donde b es el mayor entero menor o igual a b.

El nmero de ensayos hasta e incluyendo el primer xito en una secuencia Bernoulli es una geomtrica. Es la equivalente discreta de la exponencial en cuanto a la propiedad de prdida de memoria: recordar el pasado no ayuda a predecir el futuro. Se usa para modelar el nmero de intentos entre fallas (o xitos) sucesivas:

Prof. Herbert Hoeger

Simulacin

VII-9

El nmero de consultas locales a una base de datos entre accesos sucesivos a una base de datos remota. El nmero de paquetes trasmitidos exitosamente entre aquellos que requieren retransmisin. x = 1,2,..., 0< p<1

f ( x ) = (1 p ) x 1 p F ( x ) = 1 (1 p ) x Media: 1/p Varianza: 1 p p2

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

G(0.6)

Generacin:

Por transformacin inversa. Genere u ~ U(0,1) y calcule:

ln( u ) G ( p) = ln(1 p ) donde x denota el menor entero mayor o igual a x.

11. LOGNORMAL

Es el logaritmo de una normal. Se usa frecuentemente en modelos de regresin y anlisis de experimentos cuando donde se aplican transformaciones logartmicas. El producto de un gran nmero de variables aleatorias positivas tiende a la lognormal. Por lo tanto, tambin se usa para modelar errores que son el producto de efectos de un gran nmero de factores.

Prof. Herbert Hoeger

Simulacin

VII-10

f ( x) =

2 2 1 e (ln x ) / 2 x 2

0 < x < ,

y > 0.

y son la media y la desviacion de log( x ) y NO de x.

Media: e +
2

/2

Varianza: e2 + ( e 1)
2 2

0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 1 0.1 1.9 2.8 3.7 4.6 5.5 6.4 7.3 8.2 9.1 10 10.9 11.8

LN(0,100)

Generacin:

Genere x ~ N(0,1) y retorne e + x .

12. NORMAL

La N(0,1) es llamada normal unitaria o normal estndar. Se usa cuando la aleatoriedad es causada por varias fuentes independientes actuando en forma aditiva: Errores de medicin Medias mustrales de un gran nmero de observaciones independientes de una distribucin dada.
2 2 1 e ( x ) / 2 2

f (x ) =

- < x < , > 0

Media: Varianza: 2

Prof. Herbert Hoeger

Simulacin

VII-11

0.04 0.035 0.03 0.025 0.02 0.015 0.01 0.005 0 -2 12 26 40 54 68 82 -86 -72 -58 -44 -30 -100 -16 96
1 2

N(0,10)

N(0,25)

Generacin:

1. Convolucin. Genere un nmero de ui ~ U(0,1) y calcule:

u ) n2 ( N ( , ) ~ +
n i =1 i

( 12)
n

Generalmente se usa n = 12. 2. Mtodo de Box-Muller. Genere dos uniformes u1 y u2 y calcule dos variables N(,) independientes usando:

x1 = + cos( 2 u1 ) 2 ln( u2 ) x2 = + sin ( 2 u1 ) 2 ln( u2 )

3. Mtodo Polar. a) Genere dos uniformes u1 y u2 U(0,1).
2 . b) Haga v1 = 2 u1 - 1, v2 = 2 u2 - 1, y r = v12 + v2

( 2 ln r) c) Si r 1, vaya a al paso 3a; de lo contrario haga s = r

x1 = + v1 s x2 = + v2 s como dos N(,) independientes.

y retorne:

Prof. Herbert Hoeger

Simulacin

VII-12

4. Mtodo del rechazo. a) Genere dos uniformes u1 y u2 U(0,1). b) Haga x = -ln u1. c) Si u2 > e ( x 1) d) Genere u3. e) Si u3 > 0.5, retorne + x; de lo contrario retorne - x.
2

/2

, regrese a 4a.

13. PARETO

La F(x) de Pareto es una curva que fcilmente ajusta las observaciones. Dada una muestra de tamao n x1 , ..., xn , el estimador mximo verosmil del parmetro a es:
a=

( 1 n)

1
n i =1

ln xi

f ( x ) = ax ( a +1) F (x) = 1 x a
Media:

1 x < ,

a>0

a , para a > 1 a 1

Varianza:

a , ( a 1) ( a 2 )
2

para a > 2

5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 1 2 1.2 1.4 1.6 1.8 2.2 2.4 2.6 2.8 3 3.2 3.4 3.6 3.8

Pareto(5)

Prof. Herbert Hoeger

Simulacin

VII-13

Generacin:

Por transformacin inversa: Genere u ~ U(0,1) y retorne 1

u1 / a

14. PASCAL

Es una extensin de la geomtrica. En una secuencia de ensayos Bernoulli, el nmero de ensayos hasta e incluyendo el m-esimo xito tiene distribucin de Pascal. Es til para modelar el nmero de intentos para obtener cierto nmero de xitos: Nmero de intentos para transmitir un mensaje de m paquetes. Nmero de bits a enviar para recibir exitosamente una seal de m bits.
x 1 m p (1 p ) x m , f (x ) = m 1

x = m, m + 1,..., ;

0 < p < 1;

m entero positivo.

Media: m/p. Varianza: m(1-p)/p2.

0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 2 3 4 5 6 7 8 9 10 11 12

Pascal(0.6,2)

Generacin:

Genere m geomtricas G(p) y retorne la suma como una Pascal(p , m ).

Prof. Herbert Hoeger

Simulacin

VII-14

15. POISSON

Se usa extensivamente en modelos de colas para modelar el nmero de llegadas en cierto intervalo: Nmero de consultas a un servidor en un intervalo t. Nmero de fallas en componentes por unidad de tiempo. Nmero de consultas a una base de datos en t segundos. Nmero de errores de tipeo por forma. e , x!

f ( x ) = x Media: .

x = 0,1,..., ;

> 0.

Varianza: .

0.3 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 4 5 6 7 8 9 10 11 12

n i =0

Poisson(5)

Generacin:

1. Transformacin inversa. Calcule la FDA F(x) para x = 0,1,... hasta un nmero adecuadamente grande y gurdela en un arreglo. Para cada variable Poisson, genere u ~ U(0,1) y encuentre el x tal que F(x) u < F(x + 1); retorne x. 2. Comenzando con n = 0, genere un ~ U(0,1) y calcule el producto

u i . A lo que no ms el

producto se vuelva menor que e-, retorne n como la variable Poisson(). Note que n es tal que u0u1...un-1 > e- u0u1...un. En promedio se requieren +1 variable uniformes para generar una Poisson.

Prof. Herbert Hoeger

Simulacin

VII-15

3. t DE STUDENT

Se aplica cundo se tiene la razn entre una normal y la raz de una chi-cuadrado y comnmente se usa en el calculo de intervalos de confianza. Si x ~ N(0,1) y y ~2(v), entonces x / y / v tiene distribucin t con v grados de libertad.
N ( 0,1)

2 (v ) / v

~ t (v )

La f(x) de la t es muy similar a la de la normal estndar: tiene forma de campana y es simtrica respecto a cero. Para grados de libertad grandes (v>30), la t se puede aproximar por la normal estndar.
[ ( v + 1) / 2] 1 + ( x 2 / v ) ( v )1/ 2 ( v / 2 )

f (x ) =

( v + 1)/ 2

< x < ,

v entero positivo.

Varianza: v/(v-2), para v > 2.

0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 2 5 -7 -4 -8. 5 -5. 5 -2. 5 -1 0.5 3.5 6.5 8 -10 9.5

t(4)

Generacin:

Por caracterizaron. Genere x ~ N(0,1), y ~2(v), y retorne x / y / v como t(v).

17. UNIFORME (CONTINUA)

Es comnmente usada cuando una variable esta acotada y no se tiene ms informacin de ella: Distancia entre origen y destinos de mensajes en una red. Tiempo de acceso en un disco.

Prof. Herbert Hoeger

Simulacin

VII-16

f (x ) =

1 , ba

a x b, si x < a si a x < b si b x

b > a.

0 x a F (x ) = b a 1

Media:

a+b 2

Varianza: (b a ) 2 / 12

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 3 7 0.6 1.2 1.8 2.4 3.6 4.2 4.8 5.2 5.8 6.4 7.6 8 8.6 9.2

U (5,8.5)

Generacin:

Genere u ~ U(0,1) y retorne a + (b - a)u.

18. UNIFORME (DISCRETA)

Toma un nmero finito de valores, todos con la misma probabilidad. Se usa cuando se cree que los valores sobre un intervalo son equiprobables: Nmero de pistas a accesar en un disco. El nmero del dispositivo de entrada/salida seleccionado para la prxima operacin. El nodo de origen y destino del prximo paquete en una red.

Prof. Herbert Hoeger

Simulacin

VII-17

f (x) =

1 , n m+1

x = m, m + 1,..., n;

m y n enteros y n > m.

0 si x < m x m+1 F (x ) = si m x < n n m + 1 1 si n x

Media: (n + m)/2 Varianza: ( n m + 1) 2 1 12

0.5 0.4

UD(6,15)
0.3 0.2 0.1 0 1 3 5 7 9 11 13 15 17 19

Generacin:

Genere u ~ U(0,1) y retorne m + (n - m + 1)u.

19. WEIBULL

Es usada comnmente en anlisis de confiabilidad. Se usa para modelar tiempo de vida de componentes. Si b < 1, la tasa de fallas incrementa con el tiempo. Si b > 1, la tasa de fallas decrementa con el tiempo. Si b = 1, la tasa de falla es constante y los tiempos de vida son exponenciales. Si a = 3.602, la Weibull se aproxima a la normal. Para a > 3.602, tiene una larga cola a la izquierda. Para a < 3.602, la cola es para la derecha. Para b 1, tiene forma de L. Para b > 1, tiene forma de campana.

Prof. Herbert Hoeger

Simulacin

VII-18

f (x ) =

bxb 1 ( x / a ) b e , ab
b

0 x < ,

a > 0,

b > 0.

F ( x ) = 1 e ( x / a ) Media:

a (1 / b ) b

Varianza:

a2 2 2b ( 2 / b ) [ (1 / b )] 2 b

}
Weibull(20,10)

0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 12 24 2.4 4.8 7.2 9.6 14.4 16.8 19.2 21.6 26.4 28.8 31.2 33.6 36 38.4 40.8 43.2 45.6

Weibull(20,1.5)

Weibull(20,3.602)

Generacin:

Por transformacin inversa. Genere u ~ U(0,1) y retorne a(-ln u)1/b como la Weibull(a , b ).

Prof. Herbert Hoeger

Simulacin

VII-19