Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones Conocidas
Distribuciones Conocidas
si x = 0
1 p
f (x ) = p
si x = 1
0
en otro caso
Media: p
Varianza: p(1-p)
Bernoulli(0.6)
0.8
0.6
0.4
0.2
0
0
Generacin:
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.
f (x ) =
x a 1 (1 x )b 1
(a ,b)
0 x 1, a > 0, b > 0
( a , b ) = x a 1 (1 x )b 1 dx =
0
( a ) (b )
(a + b)
Media: a / ( a + b )
Varianza: ab / [( a + b ) 2 ( a + b + 1)]
2.5
beta(4,2)
beta(2,4)
beta(2,2)
1.5
1
0.5
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Generacin:
beta( a , b ) =
(1, a )
(1, a ) + (1, b )
2. Si a y b son enteros:
Simulacin
VII-2
Haga x = u11/ a y y = u21/ b . 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
binomial(0.6,20)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
Simulacin
20
18
16
14
12
10
VII-3
Generacin:
ln( ui )
Si para el momento
m
i =1
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 =
p (1 p ) x
f ( x ) =
( m) ( x )
m1
x = 0,1,2,..., ;
0 < p < 1;
0.18
0.16
NB(0.6,6)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
Simulacin
20
18
16
14
12
10
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
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) = e x x b 1dx ,
(1 / 2) = ,
(b + 1) = b (b),
(b + 1) = b! si b = 0,1,2,...
Media: v
Varianza: 2v
0.2
v=4
0.18
0.16
0.14
0.12
v=8
0.1
0.08
0.06
0.04
0.02
Simulacin
24
22
20
18
16
14
12
10
VII-5
Generacin:
Para v par:
1
2
v/2
2 ( v ) = ln ui
i =1
Para v impar:
2 ( v ) = 2 ( v 1) + [ N ( 0,1)]
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
Erlang(4,2)
0.08
0.07
0.06
0.05
0.04
Erlang(10,4)
0.03
0.02
0.01
Simulacin
96
90
84
78
72
66
60
54
48
42
36
30
24
18
12
VII-6
Generacin:
1 x/a
e
a
0 x < ,
a > 0.
F ( x ) = 1 e x / a
Media: a
Varianza: a2
1
0.9
0.8
a=1
0.7
0.6
0.5
0.4
0.3
0.2
a=5
0.1
24
22.5
21
19.5
18
16.5
15
13.5
12
10.5
7.5
4.5
1.5
Generacin:
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
(n / 2, m / 2)
m
Media:
( n + m )/ 2
0 x < ,
n y m enteros positivos.
m
y m> 2
m 2
2 m2 ( n + m 2 )
Varianza:
y m> 4
n(m 2) 2 (m 4 )
0.7
0.6
F(4,8)
0.5
0.4
0.3
F(4,4)
0.2
0.1
15
14
13
12
11
10
Generacin:
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.
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
(2,2)
0.16
0.14
0.12
0.1
(6,2)
0.08
(6,6)
0.06
0.04
0.02
49
45.5
42
38.5
35
31.5
28
24.5
21
17.5
14
10.5
3.5
Generacin:
( 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
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 perdida de memoria: recordar el
pasado no ayuda a predecir el futuro.
Se usa para modelar el nmero de intentos entre fallas (o xitos) sucesivas:
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.
f ( x ) = (1 p ) x 1 p
x = 1,2,...,
0< p<1
F ( x ) = 1 (1 p ) x
Media: 1/p
Varianza:
1 p
p2
1
0.9
0.8
G(0.6)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
15
14
13
12
11
10
Generacin:
ln(1 p )
11. LOGNORMAL
Simulacin
VII-10
f ( x) =
2
2
1
e (ln x ) / 2
x 2
0 < x < ,
y > 0.
/2
Varianza: e2 + ( e 1)
0.08
0.07
0.06
0.05
0.04
0.03
LN(0,100)
0.02
0.01
11.8
10.9
10
9.1
8.2
7.3
6.4
5.5
4.6
3.7
2.8
1.9
0.1
Generacin:
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.
f (x ) =
2
2
1
e ( x ) / 2
2
Media:
Varianza: 2
Simulacin
VII-11
0.04
N(0,10)
0.035
0.03
0.025
0.02
0.015
0.01
N(0,25)
0.005
96
82
68
54
40
26
12
-2
-16
-30
-44
-58
-72
-86
-100
Generacin:
u ) n2
(
N ( , ) ~ +
n
i =1 i
( 12)
n
3. Mtodo Polar.
a) Genere dos uniformes u1 y u2 U(0,1).
b) Haga v1 = 2 u1 - 1, v2 = 2 u2 - 1, y r = v12 + v22 .
( 2 ln r )
c) Si r 1, vaya a al paso 3a; de lo contrario haga s =
r
y retorne:
x1 = + v1 s
x2 = + v2 s
como dos N(,) independientes.
Simulacin
VII-12
/2
, regrese a 4a.
d) Genere u3.
e) Si u3 > 0.5, retorne + x; de lo contrario retorne - x.
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=
f ( x ) = ax ( a + 1)
1 x < ,
( 1 n)
n
i =1
ln xi
a>0
F (x ) = 1 x a
Media:
a
, para a > 1
a 1
Varianza:
a
,
( a 1) ( a 2 )
2
para a > 2
5
4.5
4
3.5
3
Pareto(5)
2.5
2
1.5
1
0.5
Simulacin
3.8
3.6
3.4
3.2
2.8
2.6
2.4
2.2
1.8
1.6
1.4
1.2
VII-13
Generacin:
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
Pascal(0.6,2)
0.1
0.08
0.06
0.04
0.02
0
2
10
11
12
Generacin:
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.
f ( x ) = x
e
,
x!
> 0.
x = 0,1,..., ;
Media: .
Varianza: .
0.3
Poisson(5)
0.25
0.2
0.15
0.1
0.05
12
11
10
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
i =0
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.
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.
f (x ) =
[ ( v + 1) / 2] 1 + ( x 2 / v )
( v )1/ 2 ( v / 2 )
( v + 1)/ 2
< x < ,
v entero positivo.
0.4
0.35
0.3
t(4)
0.25
0.2
0.15
0.1
0.05
9.5
6.5
3.5
0.5
-1
-2.
5
-4
-7
-5.
5
-8.
5
-10
Generacin:
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.
Simulacin
VII-16
f (x ) =
1
,
ba
0
x a
F (x ) =
b a
1
Media:
a x b,
b > a.
si x < a
si a x < b
si b x
a+b
2
Varianza: (b a ) 2 / 12
U (5,8.5)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
9.2
8.6
7.6
6.4
5.8
5.2
4.8
4.2
3.6
2.4
1.8
1.2
0.6
Generacin:
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.
Simulacin
VII-17
f (x ) =
1
,
n m+1
x = m, m + 1,..., n;
m y n enteros y n > m.
si x < m
0
x m + 1
si m x < n
F (x ) =
1
+
n
m
si n x
1
Media: (n + m)/2
Varianza:
( n m + 1) 2 1
12
0.5
0.4
UD(6,15)
0.3
0.2
0.1
19
17
15
13
11
Generacin:
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.
Simulacin
VII-18
f (x ) =
bx b 1 ( x / a ) b
e
,
ab
F ( x ) = 1 e ( x / a )
Media:
0 x < ,
a > 0,
b > 0.
a
(1 / b )
b
Varianza:
a2
2
2b ( 2 / b ) [ (1 / b )]
2
b
0.2
0.18
Weibull(20,10)
0.16
0.14
0.12
0.1
Weibull(20,1.5)
0.08
Weibull(20,3.602)
0.06
0.04
0.02
45.6
43.2
40.8
38.4
36
33.6
31.2
28.8
26.4
24
21.6
19.2
16.8
14.4
12
9.6
7.2
4.8
2.4
Generacin:
Por transformacin inversa. Genere u ~ U(0,1) y retorne a(-ln u)1/b como la Weibull(a , b ).
Simulacin
VII-19