Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos Específicos de Generación de Diversas Distribuciones Continuas
Métodos Específicos de Generación de Diversas Distribuciones Continuas
M
etodos especficos de generaci
on
de diversas distribuciones continuas
4.1.
Distribuci
on uniforme
0
x<a
F (x) = xa a x < b
ba
1
xb
Aplicando el metodo de inversion de la funcion de distribucion se obtiene el siguiente
esquema:
1. Generar un n
umero aleatorio u
2. Tomar x = a + u(b a).
51
52
4.2.
Distribuci
on exponencial
x0
1 ex
x>0
1. Generar un n
umero aleatorio u
2. Tomar x = 1 ln(1 u)
4.3.
Distribuci
on Erlang
1. Generar n n
umeros aleatorios u1 , u2 , . . . , un
2. Tomar x = 1
Pn
i=1
Q
ln(1 ui ) (o bien, X = 1 ( ni=1 (1 ui ))).
53
4.4. Distribuci
on Gamma
4.4.
Distribuci
on Gamma
t>0
t0
ap p1 at
t e
0 (p)
z>0
4.4.1.
Aproximaci
on de la Gamma por variables Erlang
1. Generar un n
umero aleatorios u
54
2. Si u > p [p], generar un valor y Erlang ([p], a). En caso contrario, generar un
valor y Erlang ([p] + 1, a).
3. Tomar x = y.
4.4.2.
M
etodo de aceptaci
on y rechazo de Ahrens y Dieter
para p < 1
p
e
g1 (x) +
g2 (x),
p+e
p+e
x>0
1. Generar dos n
umeros aleatorios u, v
2. Si u >
e
,
p+e
3. Tomar y =
ir al paso 4.
p1
p+e
u
e
4. Tomar y = ln
p+e
(1
pe
u) . Si v > y p1 , ir al paso 1. En caso contrario, ir al
paso 5.
5. Tomar x = a1 y.
El esquema anterior genera entre los pasos 1 y 4 un valor de una distribucion (1, p).
En el paso 5, el valor generado es transformado al de una distribucion (a, p).
55
4.4. Distribuci
on Gamma
Proposici
on 4.1. El metodo de Ahrens y Dieter genera valores de una distribucion
(a, p) con 0 < p < 1.
Demostraci
on.
La funcion de densidad de una variable X (1, p) viene dada por:
1 xp1 ex x > 0
(p)
f (x) =
0
x0
Consideremos la siguiente funcion de densidad como la envolvente para aplicar el
metodo de aceptacion y rechazo:
g(x) =
p x+1
e
pxp1 I(0,1) (x) +
e
I(1,) (x).
p+e
p+e
f (x) M g(x)
Si x (0, 1) ex
es
M1 =
p+e 1
.
e p(p)
Si x > 1, entonces
f (x) M g(x)
1 p1 x
pe
e
x e M
pex xp1 M
p(p)
(p)
p+e
p+e
p+e 1
.
e p(p)
56
Por tanto, M = M1 = M2 .
2- Criterio de rechazo
Se rechaza el valor generado si v >
f (y)
.
M g(y)
Si y (0, 1),
f (y)
v>
v>
M g(y)
1
y p1 ey
(p)
p+e
e
py p1
ep(p) p+e
v > ey
1
y p1 ey
(p)
p+e
e
ey+1
ep(p) p+e
v > y p1
Si y > 1,
f (y)
v>
v>
M g(y)
FY1 (y) = y p
por:
y0
0<y<1
y1
0
FY2 (y) =
1 ey+1
y1
y>1
57
4.4. Distribuci
on Gamma
la siguiente transformacion:
u = FY2 (y) = 1 ey+1 1 u = ey+1 ln(1 u) = y + 1
y = ln(1 u) + 1 = (ln(1 u) ln(e))
1u
y = ln
e
5.- Generar valores de Y
Aplicando los resultados obtenidos en los pasos 3 y 4, podemos aplicar el siguiente
esquema:
1. Generar n
umeros aleatorios u1 , u2 .
1
2. Si u1 <
e
,
p+e
u2
e
.
1 U p
U
p
X=
Y =
0 U > p
1U
1p
U p
U >p
e
,
p+e
tomar y =
p+e
u
e
p1
p+e 1u
p
e
6.- Transformaci
on de (1, p) a (a, p)
Los pasos 1 a 4 del esquema de generacion principal simulan valores de una variable
58
(1, p). Una propiedad de la distribucion Gamma es que si X (1, p), entonces
1
X
a
(a, p). De este modo, en el paso 5 del esquema principal se transforman los
4.4.3.
M
etodo de aceptaci
on y rechazo de Fishman para p > 1
4.5.
Distribuci
on Beta
( + ) 1
x (1 x)1 I(0,1) (x)
()()
59
4.5. Distribuci
on Beta
Y1
Y1 +Y2
Beta(, ).
y1
.
y1 +y2
y consideramos Y1 = U1 e Y2 = U2 , entonces
Y1
| Y1 + Y2 1 Beta(, ).
Y1 + Y2
60
1. Generar dos n
umeros aleatorios u1 ,u2 .
1
2. Tomar y1 = u1 , y2 = u2
3. Si y1 + y2 > 1, ir al paso 1
4. Tomar x =
4.6.
y1
.
y1 +y2
Distribuci
on normal
4.6.1.
Teorema 4.3. Teorema Central del lmite. Sean X1 , . . . , Xn variables aleatorias independientes e identicamente distribuidas con media y desviacion tpica . Entonces,
la distribucion de
Pn
Xi n
i=1
61
4.6. Distribuci
on normal
1
2
y 2 = V (Xi ) =
1
,
12
luego
12
Pn
uni 2
i=1
12
4.6.2.
Algoritmo de Box-M
uller
Proposici
on 4.4. Sean U1 , U2 variables aleatorias independientes e identicamente dis1
4.6.3.
M
etodo polar de Marsaglia
62
coseno.
Consideremos U1 , U2 variables iid U(0, 1). Entonces, V1 = 2U1 1 y V2 = 2U2 1
siguen una distribucion U(0, 2).
(V1 , V2 ) son las coordenadas cartesianas de un punto aleatorio distribuido uniformemente sobre el cuadrado de centro el origen y area 4. Sean (R, ) sus coordenadas
polares.
63
4.6. Distribuci
on normal
R2 = V12 + V22
tan() =
V1
V2
Proposici
on 4.5. Condicionado a que V12 + V22 1 (el punto esta contenido en el
crculo de centro el origen y radio 1), se verifica que las variables R2 y son independientes, con R2 U(0, 1), U(0, 2).
Seg
un las transformaciones de Box-M
uller, podamos generar valores normales estandar
independientes, tomando U1 , U2 distribuciones uniformes independientes en (0, 1) y haciendo
1
X = (2 ln(U1 )) 2 cos(2U2 )
Y = (2 ln(U1 )) 2 sin(2U2 )
1
Y = 2 ln(R2 ) 2 sin()
V2
V2
=p 2
R
(V1 + V22 )
cos() =
V1
V1
=p 2
,
R
(V1 + V22 )
2 ln R2
R2
12
1
V2
Y = 2 ln(R ) 2 p 2
= V2
V1 + V22
2 ln R2
R2
12
e
2
1. Generar dos n
umeros aleatorios u1 , u2
2. Tomar v1 = 2u1 1, v2 = 2u2 1. Tomar S = V12 + V22
64
,
4
se sigue que la
4.7.
Distribuci
on de Cauchy
,
[ 2 + (x )2 ]
x R,
y la funcion de distribucion es
1 1
F (x) = + arctan
2
4.7.1.
.
Inversi
on de la funci
on de distribuci
on
x
1
= tan u
2
1
x = + tan u
2
x=
tan(u)
lo que nos dara el siguiente esquema de generacion:
65
4.7. Distribuci
on de Cauchy
1. Generar un n
umero aleatorio u
2. Tomar x =
4.7.2.
.
tan(u)
M
etodo de raz
on de uniformes
1. Generar dos n
umeros aleatorios u1 , u2 .
2. Hacer v1 = 2u1 1, v2 = 2u2 1.
3. Si v12 + v22 > 1, ir al paso 1.
4. Tomar x =
v1
,
v2
y=
v2
.
v1
Se observa que los puntos de la forma (V1 , V2 ) con V12 + V22 1 son puntos dentro del
crculo unidad. As que otra forma de leer el resultado anterior es que si generamos
puntos (Z, W ) uniformes dentro del crculo unidad, las variables
Z
W
W
Z
son indepen-
dientes e identicamente distribuidas C(0, 1). Utilizando este hecho, se tiene el siguiente
algoritmo completamente equivalente al anterior
66
1. Generar dos n
umeros aleatorios u1 , u2 .
2. Hacer = 2u2 , z = u1 sin() y w = u1 cos().
3. Tomar x =
4.8.
z
w
w
.
z
ey=
Distribuci
on Log-Normal
(ln(y))2
2 2
, y0
y 2
El esquema para generar valores de esta distribucion sera el siguiente:
FY (y) =
4.9.
4.9.1.
Distribuci
on 2
M
etodo general de generaci
on de valores 2
Pn
2
i=1 zi .
67
4.10. Distribuci
on t de Student
4.9.2.
M
etodo especfico de generaci
on de valores 2n con n par
1 n
,
2 2
1 n
,
2 2
1. Generar
n
2
n
umeros aleatorios u1 , . . . , u n2 .
2. Tomar x = 2
4.9.3.
P n2
i=1 ln ui = 2 ln
Q n
u
.
i
i=1
2
M
etodo especfico de generaci
on de valores 2n con n
impar
1 n1
, 2
2
Z N (0, 1).
Por lo tanto, un posible metodo sera
n
2
n
umeros aleatorios
u1 , . . . , u n2 .
2. Tomar x = z 2 2
4.10.
P n2
2
i=1 ln ui = z 2 ln
Q n
u
i=1 i .
2
Distribuci
on t de Student
68
Y
n
4.11.
Distribuci
on F de Snedecor
4.12.
Distribuci
on de Laplace
1 ( |x|
),
e
2
1 e( )
2
F (x) =
1 1 e( x
)
2
x R.
x<
x
69
4.12. Distribuci
on de Laplace
4.12.1.
Inversi
on de la funci
on de distribuci
on
(u) =
+ ln(2u)
1
2
1
2
El metodo sera
1. Generar un n
umero aleatorio u
2. Si u < 12 , hacer x = + ln(2u). En caso contrario, tomar x = ln (2(1 u)).
4.12.2.
Inversi
on de la funci
on de distribuci
on 2
i
|x|
1h
1 + sgn(x ) 1 e( )
2
1. Generar un n
umero aleatorio u
2. Tomar v = u 21 .
3. Hacer x = sgn(v) ln(1 2|v|).
70
4.13.
Distribuci
on Weibull
La funcion de densidad de una variable aleatoria W(, ), > 0, > 0, viene dada
por:
f (x) = x1 e
x
,
x R+
x0
1. Generar un n
umero aleatorio u
1
2. Tomar x = ( ln(u)) .
4.14.
Distribuci
on de Pareto
La funcion de densidad de una variable aleatoria P(k, ), k > 0, > 0, viene dada
por:
f (x) =
k
I[k,+) (x),
x+1
x k.
4.14. Distribuci
on de Pareto
71
= 1 u = (1 u) x =
1 .
x
x
x
(1 u)
Consecuentemente, un metodo para generar valores de una distribucion P(k, ) es el
siguiente:
1. Generar un n
umero aleatorio u
2. Tomar X =
k
1
(1u)