Está en la página 1de 13

INSTITUTO TECNOLGICO SUPERIOR DE CALKINI EN EL ESTADO DE

CAMPECHE

TAREA: INVESTIGACIN METODOS PARA GENERAR VARIABLES


ALEATORIAS

MATERIA: SIMULACIN

MAESTRO: JOS ALFONSO CUEVAS BACAB

ALUMNO: MAURICIO GUDIO MOO

MATRICULA: 4095

CARRERA: IIND 6B

INDICE

OBJETIVO
Identificar los mtodos para la generacin de variables aleatorias.

DESARROLLO
Mtodos para generar variables aleatorias
Los mtodos ms empleados para la generacin de variables aleatorias son:
o Mtodo de la transformada inversa: Consiste en emplear la
distribucin acumulada F(x) de la distribucin de probabilidad a
simular por medio de integracin; como el rango de F(x) se encuentra
en el intervalo de cero (0) a uno (1), se debe generar un nmero
aleatorio ri para luego determinar el valor de la variable aleatoria
cuya distribucin acumulada es igual a ri. El problema de este
mtodo radica en el hecho que algunas veces se dificulta demasiado
la consecucin de la transformada inversa.
o Mtodo de convolucin: Permite generar una distribucin a partir de
la suma de distribuciones ms elementales o mediante la
transformada z.
o Mtodo de aceptacin y rechazo: Cuando f(x) es una funcin acotada
y x tiene un rango finito, como a

b, se utiliza este mtodo

para encontrar los valores de


las variables aleatorias. El mtodo consiste en normalizar el rango de
f mediante un factor de escala c, luego definir a x como una funcin
lineal de r, despus se generan parejas de nmeros aleatorios r1, r2
y por ltimo si el nmero encontrado se elige al azar dentro del rango
(a,b) y r b, se utiliza este mtodo para encontrar los valores de las
variables aleatorias. El mtodo consiste en normalizar el rango de f
mediante un factor de escala c, luego definir a x como una funcin
lineal de r, despus se generan parejas de nmeros aleatorios r1, r2
y por ltimo si el nmero encontrado se elige al azar dentro del rango
(a, b) y r c f(x) se acepta, en caso contrario se rechaza. El

problema de este mtodo es la cantidad de intentos que se realizan


antes de encontrar una pareja exitosa.
o Mtodo de composicin: Con este mtodo la distribucin de
probabilidad f(x) se expresa como una mezcla o composicin de
varias
distribuciones
de
probabilidad
fi(x)
seleccionadas
adecuadamente.
Procedimientos especiales: Existen algunas distribuciones estadsticas de
probabilidad en las cuales es posible emplear sus propiedades para obtener
expresiones matemticas para la generacin de variables aleatorias en
forma eficiente. En varios casos se aplica el Teorema Central del Lmite y en
otros se utiliza el mtodo directo para encontrar las variables aleatorias.
Generacin variables aleatorias discretas : distribuciones Poisson, Binomial,
y geomtrica
DISTRIBUCIN DE POISSON.
Distribucin de Poisson
Funcin de probabilidad

El eje horizontal es el ndice k. La funcin solamente est


definida en valores enteros de k. Las lneas que conectan
los puntos son solo guas para el ojo y no indican
continuidad.

Funcin de distribucin de probabilidad

El eje horizontal es el ndice k.


Parmetros
Dominio
Funcin de
probabilidad
(fp)
Funcin de
distribucin
(cdf)
Media
Mediana
Moda
Varianza
Coeficiente
de simetra
Curtosis
Entropa

(dnd
e Funcin gamma incompleta)
(x,y) es la

Funcin
generadora
de
momentos
(mgf)
Funcin
caracterstica
En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de probabilidad discreta. Expresa la probabilidad de un nmero k de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el ltimo evento.
La distribucin fue descubierta por Simen-Denis Poisson (17811840) que
public, junto con su teora de probabilidad, en 1838 en su trabajo Re cherches
sur la probabilit des jugements en matires criminelles et matire civile
("Investigacin sobre la probabilidad de los juicios en materias criminales y
civiles"). El trabajo estaba enfocado en ciertas variables aleatorias N que
cuentan, entre otras cosas, un nmero de ocurrencias discretas (muchas veces
llamadas "arribos") que tienen lugar durante un intervalo de tiempo de duracin
determinada. Si el nmero esperado de ocurrencias en este intervalo es ,
entonces la probabilidad de que haya exactamente k ocurrencias (siendo k un
entero no negativo, k = 0, 1, 2, ...) es igual a:

Dnde:

e es el base del logaritmo natural (e = 2.71828...),


k! es el factorial de k,
k es el nmero de ocurrencias de un evento,
es un nmero real positivo, equivalente al nmero esperado de
ocurrencias durante un intervalo dado. Por ejemplo, si los eventos ocurren
de media cada 4 minutos, y se est interesado en el nmero de eventos
ocurriendo en un intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con = 2.5.

Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene


encuadernacin defectuosa, obtener la probabilidad de que 5 de 400 libros
encuadernados en este taller tengan

Encuadernaciones defectuosas.

Su media y su varianza son:

Como una funcin de k, sta es la funcin probabilidad de masa. La distribucin


de Poisson puede ser vista como un caso limitante de la distribucin binomial, es
decir, que una distribucin binomial
se puede
en la que

aproximar por una distribucin de Poisson de valor


La distribucin de Poisson es tambin llamada Poissoniana, anlogamente al
trmino Gaussiana para una distribucin de Gauss o distribucin normal.
Procesos de Poisson
La distribucin de Poisson, se aplica a varios fenmenos discretos de la
naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante
un periodo definido de tiempo o en una rea determinada) cuando la probabilidad
de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de
estos eventos que pueden ser modelados por la distribucin de Poisson incluyen:

El nmero de autos que pasan a travs de un cierto punto en una ruta


(suficientemente distantes de los semforos) durante un periodo definido
de tiempo).
El nmero de errores de ortografa que uno comete al escribir una nica
pgina.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de servidores web accedidos por minuto.
El nmero de animales muertos encontrados por unidad de longitud de
ruta.
El nmero de mutaciones de determinada cadena de ADN despus de
cierta cantidad de radiacin.
El nmero de ncleos atmicos inestables que decayeron en un
determinado periodo de tiempo en una porcin de sustancia radiactiva. La

radiactividad de la sustancia se debilitar con el tiempo, por lo tanto el


tiempo total del intervalo usado en el modelo debe ser significativamente
menor que la vida media de la sustancia.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a travs de su carrera.

Propiedades
El valor esperado de una variable aleatoria con distribucin de Poisson es igual a
y tambin lo es su varianza. Los momentos ms altos de la distribucin de
Poisson son polinomios de Touchard en cuyos coeficientes tienen un sentido
combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson
es 1, entonces la frmula de Dobinski dice que el ensimo momento iguala al
nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero
es igual a (o suelo de ), el cual es el nmero entero ms grande menor o igual
a . Esto tambin es expresado como la funcin parte entera de . Cuando es
un entero positivo, las modas son y 1. Sumas de las variables aleatorias de
distribucin de Poisson:
Si
sigue una distribucin de Poisson
con parmetro y Xi son
independientes
entonces

Tambin sigue una distribucin de Poisson cuyo


Parmetro es la suma de los parmetros del componente.
La funcin generadora de momentos de la distribucin de Poisson con valor
esperado es:

Todas las acumulaciones de la distribucin de Poisson son iguales al valor


esperado . El ensimo momento factorial de la distribucin de Poisson es n.
La distribuciones de Poisson son funciones probabilsticas infinitamente
divisibles.
La divergencia Kullback-Leibler dirigida entre Poi(0) y Poi() est dada por:

Cuando tiende a infinito, podemos aproximar a una distribucin normal. Por ello,
podemos tipificar ya que conocemos cual es la media y varianza de una Poisson.
XPo()N(,)
Tipificando:

YN (0,1)
DISTRIBUCIN BINOMIAL
Distribucin binomial
Funcin de probabilidad

Funcin de distribucin de probabilidad

Parmetros

nmero de ensayos

probabilidad de

xito (real)
Dominio
Funcin de
probabilidad
(fp)
Funcin de
distribucin
(cdf)
Media
Mediana

Uno de

Moda
Varianza
Coeficiente
de simetra
Curtosis
Entropa
Funcin
generadora
de
momentos
(mgf)
Funcin
caracterstic
a
En estadstica, la distribucin binomial es una distribucin de probabilidad
discreta que
Mide el nmero de xitos en una secuencia de n ensayos independientes de
Bernoulli, con una probabilidad fija p de ocurrencia del xito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son
posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En
la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado nmero
de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli. Para representar que una variable aleatoria X sigue una distribucin
binomial de parmetros n y p, se escribe:

La distribucin Binomial es la base del test binomial de significacin estadstica.

Ejemplos.
Las siguientes situaciones son ejemplos de experimentos que pueden
modelizarse por esta distribucin:
- Se lanza un dado diez veces y se cuenta el nmero de treses obtenidos: X ~
B(10, 1/6) Experimento Binomial
Existen muchas situaciones en las que se presenta una experiencia binomial.
Este tipo de experiencias se caracteriza por estar formada por un nmero
predeterminado n de experimentos iguales. Cada uno de los experimentos es
independiente de los restantes (la probabilidad del resultado de un experimento
no depende del resultado del resto). El resultado de cada experimento ha de
admitir slo dos categoras (a las que se denomina xito y fracaso). Las
probabilidades de ambas posibilidades han de ser constantes en todos los
experimentos (se denotan como p y q o p y 1-p).
Se designa por X a la variable que mide el nmero de xitos que se han
producido en los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribucin de probabilidad binomial, y se nota B(n,p).
Caractersticas analticas:
Su funcin de probabilidad est dada por:

Donde:

Siendo

elementos tomados de
Propiedades caractersticas.

las combinaciones de
en
)

Relaciones con otras variables aleatorias

en

Se verifica que si
Bernouilli de

son tales que cada una sigue una distribucin

Parmetro , y todas ellas son independientes entre s, entonces


ser una variable aleatoria con distribucin binomial de parmetros

resulta
.

Adems, si n es grande y es pequeo, de modo que el producto entre ambos


parmetros tiende a , entonces la distribucin de la variable aleatoria binomial
tiende a una distribucin de Poisson de parmetro
Por ltimo, se cumple que cuando n es muy grande (n>=30) la distribucin
binomial se aproxima a la distribucin normal.
Propiedades reproductivas.
Dadas n variables aleatorias

, tales que:

todas tienen una distribucin binomial;


todas tienen el mismo parmetro
;
cada una tiene su propio parmetro (es decir, los n no necesariamente
tienen que ser iguales);
NO son TOTALMENTE independientes entre s;

se toma la variable aleatoria

se toma
Entonces:

La variable aleatoria Y tiene una distribucin Binomial, con parmetros

Por lo tanto, dadas n variables binomiales independientes, de parmetros ni, i =


1,..., n y , su suma es tambin una variable binomial, de parmetros n1+ ... + nn y
.
DISTRIBUCIN GEOMTRICA
En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera
de las dos distribuciones de probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria


para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o
la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer
xito, contenido en el conjunto {0, 1, 2, 3,...}.

Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de
convencin y conveniencia.
Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que
n ensayos sean necesarios para obtener un xito es
Para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos antes
del primer xito es
Para n = 0,1, 2, 3,....
En ambos casos, la secuencia de probabilidades es una secuencia geomtrica.
Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente hasta
que aparece "1" por primera vez. La distribucin de probabilidad del nmero de
veces que el dado es lanzado se encuentra en el conjunto infinito {1, 2, 3,...} y es
una distribucin geomtrica con p=1/6.
El valor esperado de una variable aleatoria X distribuida geomtricamente es 1/'p
y su varianza es (1 p)/p2;

Equivalentemente, el valor esperado de una variable aleatoria distribuida


geomtricamente Y es (1 p)/p, y su varianza es (1 p)/p2.

La funcin generatriz de probabilidad de X y la de Y son, respectivamente,

Como su continua anloga (la distribucin exponencial), la distribucin


geomtrica es sin memoria. Esto significa que si intentamos repetir el
experimento hasta el primer xito, entonces, dado que el primer xito todava no
ha ocurrido, la distribucin de probabilidad condicional del nmero de ensayos
adicionales no depende de cuantos fallos se hayan observado. El dado o la
moneda que uno lanza no tiene "memoria" de estos fallos. La distribucin
geomtrica es de hecho la nica distribucin discreta sin memoria.
De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,...} con un
valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es la
de mayor entropa

La distribucin geomtrica del nmero y de fallos antes del primer xito es


infinitamente divisible, esto es, para cualquier entero positivo n, existen variables
aleatorias independientes Y 1,..., Yn distribuidas idnticamente la suma de las
cuales tiene la misma distribucin que tiene Y. Estas no sern geomtricamente
distribuidas a menos que n = 1.
CONCLUSIN
La generacin de variables aleatorias las podemos realizar con distintos mtodos
como son la transformada inversa, el mtodo de convolucin y por medio de
distribuciones.
BIBLIOGRAFIA
http://alexrosete.orgfree.com/materiales_2004/06-Simulacion/Manual_AsignaturaSimulacion_b.pdf