Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Numero Sale A To Rios
Numero Sale A To Rios
x2
1
E ( R) = x dx =
=
0
2 0 2
1
(2)
V ( R ) = x 2 dx [E ( R )]2 =
0
x3
1 1 1 1
= =
3 0 2 3 4 12
(3)
f(x)
1
0
27
---
2
0.02
77
0.77
52
0.52
Como puede deducirse de este ejemplo, debido a que Xi es un entero del conjunto {0, 1, 2, ...,
(m-1)}, los nmeros aleatorios Ri generados con este mtodo slo pueden asumir valores del
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
conjunto finito I = {0, 1/m, 2/m, ..., (m-1)/m}. Esto significa que se tiene una distribucin
discreta en lugar de una continua. sta ser una buena aproximacin cuando el mdulo sea
grande. Cuando esto ocurra, no existirn grandes huecos (gaps) entre los nmeros generados,
y se tendr una mxima densidad.
Para obtener la mxima densidad y evitar los ciclos (recurrencia de la misma secuencia de
nmeros ya generados) el generador debera tener el periodo ms grande posible. El mximo
periodo puede lograrse eligiendo apropiadamente los valores de los parmetros del generador,
por ejemplo (Banks et al., 1996):
Para m = 2b y c 0, el mximo periodo es P = m, y puede lograrse con un valor de c
que sea un nmero primo relativo a m (esto es, que el mximo factor comn entre
ambos sea 1), y a = 1+4k. k y b son enteros.
Para m = 2b y c = 0, el mximo periodo es P = m/4, y puede lograrse con un valor
impar para la semilla X0, y a = 3+8k, o a = 5+8k. k y b son enteros.
Para m nmero primo y c = 0, el mximo periodo es P = m-1, y puede lograrse con un
valor de a tal que el menor entero k que hace que a k-1sea divisible por m es k = m-1.
La Tabla 1 muestra la determinacin del periodo de un generador congruencial multiplicativo
para a = 13, m = 26 = 64, X0 = 1, 2, 3, 4. Se puede ver que el mximo periodo, 16, se alcanza
para las semillas impares, y ste es igual al mximo terico P = m/4 ya que a = 5+8k con
k = 1.
Tabla 1: Periodo de un generador.
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
X i Xi X i X i
1
2
3
4
13 26 39 52
41 18 59 36
21 42 63 20
17 34 51
4
29 58 23
57 50 43
37 10 47
33
2 35
45
7
9
27
53
31
49
19
61
55
25
11
5
15
1
3
Cuando la semilla es 1, la secuencia generada asume valores del conjunto {1, 5, 9, 13, ..., 53,
57, 61}. Los huecos entre los nmeros aleatorios Ri son grandes (5/64-1/64 = 0.0625,
densidad insuficiente), el periodo es demasiado corto; por lo tanto, no se recomienda la
utilizacin de este generador.
Un generador bastante utilizado en la prctica tiene los siguientes parmetros a = 75 = 16807,
m = 231-1 = 2147483647 (un nmero primo) y c = 0. Estos valores aseguran un periodo
P = m-1. Para una semilla igual a 123457, los valores generados son:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
i
X
R
0
123457
---
1
2074941799
0.9662
2
559872160
0.2607
3
1645535613
0.7662
Generadores combinados
Cuando la aplicacin requiere de un periodo mayor al que se puede alcanzar con un generador
simple, se recurre a los generadores combinados de congruencia lineal. Para generar la
secuencia de Xi y Ri requerida, este generador necesita las salidas Xi,j, j = 1..k, de k diferentes
generadores de congruencia multiplicativa cuyos parmetros tienen los valores apropiados
para asegurar un periodo mj-1. El generador j produce la salida Xi,j entera uniformemente
distribuida de 1 a mj-1. La combinacin se calcula mediante las siguientes frmulas:
k
X i = ( 1) j 1 X i , j mod ( m1 1)
(6)
j =1
Xi
m
Ri = 1
m 1
1
m1
El periodo mximo posible es:
P=
Xi > 0
Xi = 0
( m1 1) ( m2 1)K ( mk 1)
2 k 1
(7)
(8)
0
A
f (t ) dt
X = F 1 ( R )
(9)
(10)
Distribucin exponencial
Utilizando el mtodo de la transformada inversa a continuacin se desarrolla un generador de
variables aleatorias con distribucin exponencial. La funcin de densidad de probabilidad es:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
e x
f ( x) =
0
x0
(12)
x<0
x0
x<0
(13)
Esta distribucin generalmente se utiliza para modelar los tiempos entre llegadas de clientes.
En ese caso, el parmetro puede ser interpretado como el nmero medio de arribos por
unidad de tiempo, y 1/ sera el tiempo medio entre arribos.
Aplicando el mtodo de la transformada inversa, se tiene:
F ( X ) = 1 e X = R
F 1 ( R) =
1
ln(1 R ) = X
(14)
(15)
Dado que R est uniformemente distribuido en el intervalo [0,1], entonces (1-R) tambin lo
est; por lo tanto se puede hacer la siguiente simplificacin:
1
X=
ln( R)
(16)
Distribucin uniforme
Para generar una variable X con distribucin uniforme en el intervalo [a, b], la funcin de
densidad de probabilidad es:
1
a xb
f ( x) = b a
(17)
0
otherwise
La funcin de probabilidad acumulada es entonces:
0
x<a
x a
F ( x) =
a xb
b a
x>b
1
De acuerdo al mtodo de la trasformada inversa:
X a
F( X ) =
=R
ba
Despejando, se tiene el generador correspondiente:
X = a + (b a ) R
(18)
(19)
(20)
Distribucin de Weibull
Esta distribucin se utiliza para modelar el tiempo entre fallas de maquinarias o componentes
electrnicos. Cuando el parmetro de localizacin es nulo ( = 0), la funcin de densidad de
probabilidad es:
1 ( x / )
x e
x0
f ( x) =
(21)
0
otherwise
F ( X ) = 1 e( X / ) = R
Resolviendo, se tiene el generador correspondiente:
X = [ ln(1 R)]1 /
(22)
(23)
Simplificando, se obtiene:
X = [ ln( R )]1 /
(24)
Distribucin triangular
Considere que la distribucin deseada es una distribucin triangular con la siguiente funcin
de densidad de probabilidad:
0 x 1
x
f ( x) = 2 x 1 < x 2
(25)
0
otherwise
x2
0< x1
2
F ( x) =
(26)
( 2 x) 2
1
1< x 2
2
1
x>2
Aplicando el mtodo de la transformada inversa y operando se tiene el correspondiente
generador:
2R
0 R 12
X =
(27)
2 2 (1 R ) 12 < R 1
La frmula general para una distribucin triangular es:
2 ( x a)
(b a ) (c a )
2 (c x )
f ( x) =
(c b ) (c a )
0
ax<b
bxc
(28)
otherwise
( x a) 2
(b a ) (c a )
F ( x) =
2
b a + ( x b)
c a (c b) (c a )
a x<b
(29)
b x c
a + (b a ) (c a ) R
0R<
ca
X =
ba
b + [(c a ) R (b a )]( c b )
R 1
ca
(30)
Distribucin emprica
Cuando no es posible encontrar una distribucin terica para modelar los datos, entonces se
utiliza una distribucin emprica. Esta puede estar expresada como una tabla de frecuencias o
directamente una tabla de datos sin procesar. En el primer caso se cuenta con intervalos y la
frecuencia de cada uno de ellos. Se calcula la frecuencia relativa y luego la acumulada, como
se muestra en el siguiente ejemplo.
Tabla 2: Tabla de frecuencias.
Intervalo
0.25 x 0.5
0.5 < x 1.0
1.0 < x 1.5
1.5 < x 2.0
Frecuencia
31
10
25
34
Frecuencia relativa
0.31
0.10
0.25
0.34
Frecuencia acumulada
0.31
0.41
0.66
1.00
Entrada
ri
0.00
0.31
0.41
0.66
1.00
Salida
xi
0.25
0.50
1.00
1.50
2.00
Pendiente
ai
0.81
5.00
2.00
1.47
---
(31)
8
Cuando se tienen pocos datos no es posible construir una tabla de frecuencias; en su lugar, se
construye una tabla de datos atribuyendo la misma probabilidad a cada uno de ellos. Suponga
que los siguientes 5 datos son los nicos disponibles: 2.76, 1.83, 0.80, 1.45 y 1.24. Primero, se
los ordena en forma creciente y se asigna la probabilidad 1/5 a cada uno de ellos. Luego, se
calcula la probabilidad acumulada y las pendientes. Como resultado se obtiene las siguientes
tablas:
Tabla 4: Tabla de datos.
Intervalo
Probabilidad
0.00 x 0.80
0.80 < x 1.24
1.24 < x 1.45
1.45 < x 1.83
1.83 < x 2.76
0.2
0.2
0.2
0.2
0.2
Probabilidad
acumulada
0.2
0.4
0.6
0.8
1.0
Entrada
ri
0.0
0.2
0.4
0.6
0.8
1.0
Salida
xi
0.00
0.80
1.24
1.45
1.83
2.76
Pendiente
ai
4.00
2.20
1.05
1.90
4.65
---
(32)
Distribuciones discretas
Las distribuciones discretas se pueden generar utilizando la transformada inversa de la misma
manera que se utiliz para las distribuciones empricas, slo que esta vez no es necesario la
interpolacin. Por ejemplo, si se desean generar los nmeros 0, 1 y 2 con las probabilidades
0.50, 0.30 y 0.20 respectivamente, se construye la siguiente tabla donde ya se calcul la
probabilidad acumulada:
Tabla 6: Tabla para una distribucin discreta.
i
1
2
3
Entrada
ri
0.50
0.80
1.00
Salida
xi
0
1
2
X = 1 0 .5 < R 0.8
2 0.8 < R 1 .0
(33)
b a
X = Int R
+ 1 X + a
(34)
1
f ( x) =
e
2
( x ) 2
2 2
(35)
10
X = + Ri 6
(41)
i =1
Este generador utiliza la sumatoria de una serie de nmeros aleatorios para obtener la
distribucin deseada. En la seccin siguiente se estudian otros generadores que utilizan este
mismo principio.
Mtodo de la convolucin
La distribucin de probabilidad de la suma de dos o ms variables aleatorias independientes
se denomina convolucin de las distribuciones correspondientes a las variables sumadas. El
mtodo de la convolucin suma dos o ms variables aleatorias para obtener una nueva con la
distribucin deseada. El centro del estudio ya no es la funcin de probabilidad acumulada de
la distribucin deseada, sino su relacin con otras distribuciones ms fcilmente generables.
Distribucin de Erlang
Una variable aleatoria X con distribucin Erlang con parmetros (K, ) puede ser modelada
con la suma de K variables aleatorias independientes Xi con distribucin exponencial y media
1/(K ); esto es:
K
X = Xi
(42)
i =1
1
1 K
X =
ln( Ri ) =
ln Ri
(43)
K i =1
i =1 K
Como ejemplo, suponga que a un depsito llegan camiones cuyos tiempos entre arribos
siguen una distribucin exponencial con media 0.1 h. A la entrada son desviados
alternativamente hacia el sur y hacia el norte. Se desea modelar el arribo de camiones al sector
sur. Los tiempos de llegada entre los camiones que llegan al sector sur sern iguales a la suma
de dos tiempos de arribos sucesivos al depsito; es decir, seguirn una distribucin Erlang con
K = 2 y 1/ = 0.2 h.
11
Distribucin de Poisson
Una variable N con distribucin Poisson puede ser interpretada como el nmero de arribos por
unidad de tiempo a velocidad en un proceso Poisson. En este proceso, los tiempos entre
arribos A1, A2, ... estn exponencialmente distribuidos con una velocidad (es el nmero
medio de arribos por unidad de tiempo). Por lo tanto, se puede construir un generador que
determine n tal que:
A1 + A2 + ... + An 1 < A1 + ... + An + An +1
(44)
Utilizando el generador exponencial anteriormente presentado, se tiene:
n
n +1
1
1
ln( Ri ) 1 < ln( Ri )
i =1
i =1
(45)
Operando:
n +1
i =1
i =1
(46)
n +1
ln Ri > ln Ri
i =1
i =1
(47)
n +1
Ri e > Ri
i =1
i =1
(48)
donde Z tiene una distribucin normal estndar. Entonces, para cada valor de Z se puede
calcular N con:
N = Round + Z
(50)
12
Distribucin gamma
Si el parmetro de forma tiene un valor entero K, se puede utilizar el mtodo de la
convolucin ya que la distribucin de Erlang es un caso especial de la distribucin gamma.
Por otra parte, el mtodo aceptacin y rechazo que se describir a continuacin puede ser
utilizado para generar variables con distribucin Erlang cuando K es grande. La rutina
siguiente genera variables con distribucin gamma con parmetro de escala y parmetro de
forma ; esto es, con media 1/ y varianza 1/( 2):
1. Hacer a (2 -1)1/2, b 2 - ln(4) + 1/a.
2. Generar R1 y R2.
3. Hacer X (R1/(1-R1))a.
4. Hacer c b - ln(R12 R2).
5. Si X > c, rechazar X y retornar al paso 2.
6. Si X c, hacer X X/( ), aceptar X como la variable deseada.
13