INSTITUTO TECNOLOGICO

SUPERIOR DE
TEPOSCOLULA

MATERIA:
Simulacion
ACTIVIDAD:
Reporte de Investigacion
PRESENTA:
Elioena Garca Garca
MATRICULA:
13ISC215
DOCENTE:
Ing. Antonio Garca Cruz
SAN PEDRO Y SAN PABLO TEPOSCOLULA, OAXACA. 06 DE
NOVIEMBRE DE 2015.


INTRODUCCION
Para generar variables aleatorias discretas actualmente existen metodos diferentes que podemos utlizar, pero ademas exiten otras que nos facilitan todo el procemiento, en este documento se explica como se origina cada uno de estos metodosy cuales son los paso a seguir.
PROCEDIMIENTOS ESPECIALES:
Existen algunas distribuciones como la distribucion de erlang, la distribucion normal,etc.,
cuya simulacion a traves del metodo de la transformada inversa sera demasiado complicado.
Para estas y algunas otras distribuciones, es posible utilizar algunas de sus propiedades para
facilitar y agilizar el proceso de generacion de n
umeros al azar.
Ejemplo: Distribuci
on Normal
Se desea generar n
umeros al azar que sigan la siguiente distribucion de probabilidad.
1 x
1
e2(
)2 para < x <
(1)
e
2
Puesto que no es posible expresar la distribucion acumulada de la distribucion normal
en forma explcita, entonces no es posible utilizar para la generacion de n
umeros al azar,
el metodo de la transformada inversa. En lugar de este metodo, se puede hacer uso del
teorema del limmite central, el cual estable que la n variable aleatorias independientes se
aproxima al infinito. Lo anterior expresado en forma de teorema sera: Si x1 , x2 ,. . . ,x, es
una secuencia de n variables aleatorias independientes con E(x)=, y var (x)=i2 (ambas
infinitas) y Y=a1 x1 + a2 x2 + . . . + a., x.,,entonces bajo ciertas condiciones generales:
P
Y ni=1 ai i
Z = pPn 2 2
(2)
ai i

f (x) =

tiene una distribucion normal estandar a medida que n se aproxima a infinito. Si las variables
que se estan sumando son uniformes en el intervalo (0;1), entonces:
Pn
n
i=1 Ri 2
pn
(3)
Z=
12

tiene una distribucion normal estandar. Puesto que la normal estandar de una variable
aleatoria x distribuida normalmente se obtiene como:
Z=

(4)

entonces la simuclacion de la variable aleatoria x se haria de acuerdo a la siguiente expresion.

!
Ri n2
pn
x=+
(5)
12

Finalmente, se ha comprobado que utilizando un valor de n = 12, la confiabilidad de los

valores simulados es bastante aceptable. Ademas es muy poco probable obtener valores
simulados en la region + 6 < x < 6.Tambien, es obvio que utilizando un valor de
n=12, la expresion (5) se simplifica a:
!
12
X
x=+
Ri 6
(6)
i=1

Ejemplo: Distribuci
on erlang
Se desea generar n
umeros al azar que sigan la siguiente distribucion de probabilidad:
f (x) =

(n)2
X n1 enx , para n0
(n 1)!

(7)

donde n y son parametros positivos, ademas, el valor de n esta restringido a ser entero.
Ha sido demostrado por algunos matematicos que esta distribucion es justamente la suma
de n variables aleatorias exponenciales cada una con valor esperado 1 . Por consiguiente,
para generar n
umeros al azar que sigan una distribucion erlang, se necesita solamente sumar
los valores simulados de n variable aleatorias exponenciales con media 1 , es decir:
x=

n
X
i=1

1X
1
LnRi = Lnni=1 Ri
xi =
i=1

(8)

donde las xi s siguen un distribucion exponencial y han sido generadas por el metodo de la
transformada inversa (ver ecuacion (8))

Ejemplo: Distribuci
on Binomial
Se desea generar n
umeros al azar que siga la siguiente distribucion de probabilidad:
 
x x
f (x) =
(1 )nx , para x=0,1,. . . ,n
n

(9)

Puesto que la distribucion binomial es justamente la suma de n variables aleatorias Bernoulli,

entonces la generacion de n
umeros al azar que sigan una distribucion binomial, implica sumar
los valores simulados de n variables aleatorias Bernoulli. El procedimiento para generar esta
distribucion puede ser descrita en los siguientes pasos:

1. Generar n
umeros uniformes R.
2. Contar cuantos de estos numeros son menores que .
3. La cantidad encontrada en el paso 2, es el valor simulado de la variable x.

4. Repetir los paso ateriores tantas veces como se desee.

Ejemplo: Distribuci
on Poisson
La distribucion de poisson se puede simular por el metodo de la transformada inversa.
Sin embargo, la distribucion de poisson se puede simular de otra manera si se hace uso de la
relacion existente entre esta distribucion y la distribucion exponencial. Se puede demostrar
que si:
1. El n
umero total de eventos que ocurren durante un intervalo de tiempo dado es independiente del n
umero de eventos que han ocurrido previamente al inicio del intervalo
y
2. La probabilidad de que un evento ocurra en el intervalo de t a t + t es aproximadamente t para todos los valores de t, entonces:
1. La distribucion de probabilidad del tiempo entre eventos es f(t)=et y
2. la probabilidad de que ocurran x eventos durante el tiempo T es:
e x
x!
es el n
umero promedio que ocurre durante el tiempo T.
f (x) =

(10)

Por consiguiente, la simulacion de una distribucion poisson haciendo uso de la relacion

anterior, se hara de acuerdo a los siguientes pasos:
1. Definir el tiempo T.
2. Simular mediante el metodo de la transformada inversa, n
umeros al azar que sigan
1
una distribucion exponencial con media .
3. Sumar los tiempos entre eventos simulados en el paso anterior de modo que esta suma
no sea mayor que T.
4. Contar de acuerdo al paso anterior, el n
umero de eventos que ocurrieron durante el
tiempo T.
5. Repetir los pasos anteriores tantas veces como se desee.

CONCLUSION
Conociendo estos metodos podemos resolver problemas complejos de variables aleatorias
discretas.Asi mismo el conocimiento de estos temas hace mas amplio el campo de estudio
en la materia de simulacion.
REFERENCIA
UN ENFOQUE PRACTICO.M

Coss,Ra
ul.(2010). SIMULACION
exico.LIMUSA.Pags. 156.
4