Está en la página 1de 92

La generacin de cualquier variable aleatoria se va a basar en la

generacin previa de una distribucin uniforme U(0,1), Luego vamos a


estudiar ciertas transformaciones o algoritmos que nos van a transformar
dichos nmeros generados en valores de otras distribuciones.

La funcin de distribucin (tambin llamada funcin de distribucin


acumulativa), F(x), de una variable aleatoria X es definida para cada
nmero real x como sigue:
F(x)=P(Xx) para -<x<

Una funcin de distribucin F(x) tiene las siguientes propiedades:


0F(x) 1.
F(x) es no decreciente (es decir, si x1<x2, entonces F(x1)<F(x2)).
lim F(x)=1 y lim F(x)=0 (ya que X slo toma valores finitos).
Entonces sea U una variable aleatoria con distribucin uniforme en
(0,1). Entonces, la Variable aleatoria
tiene funcin de
distribucin F.

Este mtodo sugiere que para muestrear una variable aleatoria X de la


que se conoce
, se pueden generar nmeros U uniformes en (0,1) y
hacer luego
. Tenemos entonces el siguiente algoritmo:

Generar UU(0,1).
Hacer
Salir X.

1.

2.
3.

4.

Definir la funcin de densidad f(x) que


represente la variable a modelar.
Calcular la funcin acumulada F(x)
Despejar la variable aleatoria x y obtener la
funcin acumulada inversa F(x)-1
Generar las variables aleatorias x,
sustituyendo valores con nmeros
pseudoaleatorios riU(0,1) en la funcin
acumulada inversa.

Para simular v.a. de tipo discreto:


1. Calcular todos los valores de la distribucin
de probabilidad p(x) de la variable a
modelar.
2. Calcular todos los valores de la distribucin
acumulada P(x).
3. Generar nmeros pseudoaleatorios riU(0,1)
4. Comparar con el valor de P(x) y determinar
qu valor de x corresponde a P(x)

Distribucin uniforme

1
f ( x)
ba

a xb

Se obtiene la funcin acumulada

Distribucin uniforme
1
f ( x)
a xb
ba
Se obtiene la funcin acumulada
x

1
1
xa
x
xa
F ( x)
dx
ba
ba
ba
a

a xb

Distribucin uniforme
1
f ( x)
a xb
ba
Se obtiene la funcin acumulada
x

1
1
xa
x
xa
F ( x)
dx
ba
ba
ba
a

a xb

Igualando la funcin acumulada con ri y


despejando x se obtiene:

xi a (b a )ri

Ejemplo
La demanda X de un articulo tiene una
distribucin uniforme entre 25000 y 30000
unidades. Genere 5 variables aleatorias que
simularan la demanda del producto X.

ri

Demanda

0.52

27600

0.01

25050

0.77

28850

0.39

26950

0.73

28650

ri

Demanda

0.52

27600

0.01

25050

0.77

28850

0.39

26950

0.73

28650

xi 25000 (30000 25000)ri 25000 5000ri

Ejemplo
El tiempo de reparacin de unas mquinas de
escribir tiene una distribucin
aproximadamente exponencial, con media 22
minutos. Simule el comportamiento de la
variable aleatoria.

F ( x) 1 e
ri 1 e
e

1 ri

aplicanado ln a ambos lados


x

ln(1 ri )

Maquina

ri

0.77

0.69

0.63

0.06

0.81

Tiempo de reparacin

Maquina

ri

Tiempo de reparacin

0.77

32.33

0.69

25.77

0.63

21.87

0.06

1.36

0.81

36.54

xi 22 ln(1 ri )

El gerente de un restaurante que slo da


servicio mediante reservas sabe, por
experiencia, que el 20% de las personas que
reservan una mesa no asistirn en un da
determinado. Generar una secuencia aleatoria
que simule este comportamiento.

1 x

p ( x) (0.2) (0.8)
p=0.2 probabilidad de que no asista cliente (x=1)
q=1-p=0.8 probabilidad de q asista cliente (x=0)
Probabilidades acumuladas:

X
0
1

p(x)

P(x)

1 x

p ( x) (0.2) (0.8)
p=0.2 probabilidad de que no asista cliente (x=1)
q=1-p=0.8 probabilidad de q asista cliente (x=0)
Probabilidades acumuladas:

p(x)

0.8

0.2

P(x)

1 x

p ( x) (0.2) (0.8)
p=0.2 probabilidad de que no asista cliente (x=1)
q=1-p=0.8 probabilidad de q asista cliente (x=0)
Probabilidades acumuladas:

p(x)

P(x)

0.8

0.8

0.2

1 x

p ( x) (0.2) (0.8)
p=0.2 probabilidad de que no asista cliente (x=1)
q=1-p=0.8 probabilidad de q asista cliente (x=0)
Probabilidades acumuladas:

p(x)

P(x)

0.8

0.8

0.2

p(x)

P(x)

0.8

0.8

0.2

0
xi
1

si
si

ri (0 0.8)
ri (0.8 1)

Simulacin de la asistencia de los clientes q


reservaron:
Cliente

ri

0.937

0.368

0.104

0.761

0.566

xi

Evento: el
cliente

Simulacin de la asistencia de los clientes q


reservaron:
Cliente

ri

xi

0.937

0.368

0.104

0.761

0.566

Evento: el
cliente

Simulacin de la asistencia de los clientes q


reservaron:
Cliente

ri

xi

0.937

0.368

0.104

0.761

0.566

Evento: el
cliente

Simulacin de la asistencia de los clientes q


reservaron:
Cliente

ri

xi

Evento: el
cliente

0.937

No asiste

0.368

0.104

0.761

0.566

Simulacin de la asistencia de los clientes q


reservaron:
Cliente

ri

xi

Evento: el
cliente

0.937

No asiste

0.368

Asiste

0.104

Asiste

0.761

Asiste

0.566

Asiste

La contaminacin constituye un problema en la


fabricacin de discos de almacenamiento
ptico. El nmero de partculas de
contaminacin que ocurre en un disco ptico
tiene una distribucin de Poisson y el nmero
promedio de partculas por centmetro
cuadrado de superficie del disco es 0.1. El rea
de un disco bajo estudio es de 100 centmetros
cuadrados. Simular la ocurrencia de partculas
en el rea de los discos fabricados.

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?....

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?..................

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?..................
100cm2.

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?..................
100cm2.
E(x)=

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?..................
100cm2.
E(x)= 100cm2*0.1partculas/cm2=

Sea x:N de partculas en el rea de un disco


bajo estudio
N promedio de partculas es 0.1 partculas
por cm2.
Cunto de rea tiene cada disco?..................
100cm2.
E(x)= 100cm2*0.1partculas/cm2

E(x)=10 particulas

Se calculan las probabilidades puntuales y


acumuladas para x=0,1,2,3,4,5,

Se calculan las probabilidades puntuales y


acumuladas para x=0,1,2,3,4,5,

p( x)

x!

Se calculan las probabilidades puntuales y


acumuladas para x=0,1,2,3,4,5,

10

10 e
p ( x)
x!

Probabilidades puntuales y acumuladas:


x

p(x)

0.00005

P(x)

Probabilidades puntuales y acumuladas:


x

p(x)

0.00005

P(x)

100 e 10
p ( 0)
e 10
0!
p(0) 0.00005

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

101 e 10
p(1)
10e 10
1!
p(1) 0.00045

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

2
3
4
5
6
7
8
9
10

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

0.00227

0.00277

3
4
5
6
7
8
9
10

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

0.00227

0.00277

0.00757

0.01034

4
5
6
7
8
9
10

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

0.00227

0.00277

0.00757

0.01034

0.01892

0.02925

5
6
7
8
9
10

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

0.00227

0.00277

0.00757

0.01034

0.01892

0.02925

0.03783

0.06709

6
7
8
9
10

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

0.00005

0.00005

0.00045

0.00050

0.00227

0.00277

0.00757

0.01034

0.01892

0.02925

0.03783

0.06709

0.06306

0.13014

0.09008

0.22022

0.11260

0.33282

0.12511

0.45793

10

0,12511

0.58304

Probabilidades puntuales y acumuladas:


x

p(x)

P(x)

p(x)

P(x)

11

0.11374

0.69678

21

0.00089

0.99930

12

0.09478

0.79156

22

0.00040

0.99970

13

0.07291

0.86446

23

0.00018

0.99988

14

0.05208

0.91654

24

0.00007

0.99995

15

0.03472

0.95126

25

0.00003

0,99998

16

0.02170

0.97296

26

0.00001

0.99999

17

0.01276

0.98572

18

0.00709

0.99281

19

0.00373

0.99655

20

0.00187

0.99841

Regla para generar esta v.a. esta dada por:


0
1

3
4

5
6

7
8

9
xi
10
11

12
13

14
15

16

17
18

19

si ri (0.00000 0.00005)
si ri (0.00005 0.00050)
si

ri (0.00050 0.00277)

si
si

ri (0.00277 0.01034)
ri (0.01034 0.02925)

si

ri (0.02925 0.06709)

si

ri (0.06709 0.13014)

si
si

ri (0.13014 0.22022)
ri (0.22022 0.33282)

si

ri (0.33282 0.45793)

si
si

ri (0.45793 0.58304)
ri (0.58304 0.69678)

si

ri (0.69678 0.79156)

si
si

ri (0.79156 0.86446)
ri (0.86446 0.91654)

si

ri (0.91654 0.95126)

si

ri (0.95126 0.97296)

si
si

ri (0.97296 0.98572)
ri (0.98572 0.99281)

si

ri (0.99281 0.99655)

Disco

0.62214

0.95442

0.81099

0.12627

0.72563

0.38724

0.30733

0.85956

0.10116

10

0.47681

N particulas

Disco

N particulas

0.62214

11

0.95442

0.81099

0.12627

0.72563

0.38724

0.30733

0.85956

0.10116

10

0.47681

Disco

N partculas

0.62214

11

0.95442

16

0.81099

13

0.12627

0.72563

12

0.38724

0.30733

0.85956

13

0.10116

10

0.47681

10

Y=X1+X2+X3++Xk

Las variables aleatorias de cuatro de las


distribuciones ms conocidas (de Erlang,
normal, binomial y de Poisson) pueden ser
generadas a travs de este mtodo.

Distribucin k-Erlang
La v.a Erlang con media 1/ puede producirse
a partir de la generacin de k variables
exponenciales con media 1/k.
k

1
Y ERi
ln (1 ri )

k i 1

Distribucin Normal
La variable aleatoria normal con media y
desviacin estndar puede generarse
mediante:
12

x N i (ri ) 6
i1

Los pesos de los soldados presentan una


distribucin normal de media 65 kg y
desviacin de 8 Kg. Genere 5 variables
aleatorias con esta distribucin para simular
el proceso de pesaje.

12

N i (ri ) 6
i 1

12

N i (ri ) 68 65
i 1

Soldado

12

(ri )
i 1

1
2
3
4
5

12

(r ) 6
i

i 1

Peso (Kg)

Soldado

12

(ri )
i 1

6.34

4.66

4.69

6.54

5.22

12

(r ) 6
i

i 1

Peso (Kg)

Soldado

12

(ri )
i 1

12

(r ) 6
i

i 1

6.34

0.34

4.66

-1.34

4.69

-1.31

6.54

0.54

5.22

-0.78

Peso (Kg)

Soldado

12

(ri )
i 1

12

(r ) 6
i

Peso (Kg)

i 1

6.34

0.34

67.72

4.66

-1.34

54.28

4.69

-1.31

54.52

6.54

0.54

69.32

5.22

-0.78

58.76

Distribucin Binomial
La v.a. Binomial con parmetro N y p puede ser
generado a travs de la suma de N variables
aleatorias con distribucin de Bernoulli con
parmetro p.

Y Bi BE1 BE2 BEN ~ BI ( N , p )

El departamento de control de calidad de una


empresa que fabrica pauelos sabe que el 5%
de su produccin tiene algn tipo de defectoLos pauelos se empaquetan en cajas con 15
elementos. Simule el proceso de fabricacin
de pauelos para determinar el nmero de
pauelos defectuosos por empaque.

Proceso de fabricacin tiene distribucin


Binomial con N=15 y p=0.05
Ser simulado generando v.a. de Bernoulli con
p=0.05
Donde
BEi=0 pauelo en buen estado
BEi=1pauelo defectuoso

0
BEi
1

si

ri (0 0.95)

si

ri (0.95 1)

BEi
N Defectuosas

0.247

0.181

0.916

0.769

0.792

0.922

0.636

0.778

0.905

0.574

0.512

0.486

0.555

0.657

0.739

ri

BEi 0
N Defectuosas

0.247

0.181

0.916

0.769

0.792

0.922

0.636

0.778

0.905

0.574

0.512

0.486

0.555

0.657

0.739

ri

BEi 0
0
N Defectuosas

0.247

0.181

0.916

0.769

0.792

0.922

0.636

0.778

0.905

0.574

0.512

0.486

0.555

0.657

0.739

ri

0.486
0.512
0.574
0.905
0.778
0.636
0.922
0.792
0.769
0.916
0.181
0.247

0
0
0
0
0
0
0
0
0
0
0
0
0
0

N Defectuosas

0.555

BEi 0
0.657

0.739

ri

0.555
0.486
0.512
0.574
0.905
0.778
0.636
0.922
0.792
0.769
0.916
0.181
0.247
N Defectuosas

BEi 0
0.657

0.739

ri

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0.555
0.486
0.512
0.574
0.905
0.778
0.636
0.922
0.792
0.769
0.916
0.181
0.247
N Defectuosas

BEi 0
0.657

0.739

ri

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Empaque 1 tiene 0 pauelos defectuosos

0.004
0.965
0.581
0.352
0.648
0.787
0.275
0.962
0.562
0.299
0.402
0.968
0.712
N Defectuosas

BEi 0
0.006

0.550

ri

0
0
1
0
0
0
0
0
1
0
0
0
1
0
3

Empaque 2 tiene 3 pauelos defectuosos

0,764
0,341
0,976
0,601
0,907
0,683
0,932
0,807
0,812
0,721
0,661
0,830
0,863
N Defectuosas

BEi 0
0,600

0,061

ri

0
0
0
1
0
0
0
0
0
0
0
0
0
0
1

Empaque 3 tiene 1 pauelo defectuoso

0,998
0,396
0,782
0,300
0,622
0,088
0,581
0,997
0,721
0,671
0,388
0,319
0,210
N Defectuosas

BEi 0
0,124

0,645

Ri

0
1
0
0
0
0
0
0
1
0
0
0
0
0
2

Empaque 4 tiene 2 pauelos defectuosos

0,135
0,707
0,174
0,019
0,316
0,502
0,769
0,435
0,817
0,527
0,475
0,550
0,510
N Defectuosas

BEi 0
0,152

0,030

Ri

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Empaque 5 tiene 0 pauelos defectuosos

Genere variables aleatorias con densidad f(x)


mediante los nmeros aleatorios 0.747,
0.687, 0.303, 0.609, 0.587. Use el mtodo de
la transformada inversa.

3 2
x
f ( x) 4
0

-1 x 1
en otro caso

3 2
F ( x) x dx
1 4
x

3 2
F ( x) x dx
1 4
x

3 x
F ( x)
4 3 1

1 3
F ( x) ( x 1)
4

1 3
F ( x) ( x 1)
4
1 3
ri ( x 1)
4

1 3
ri ( x 1)
4
3
4ri ( x 1)

1 3
ri ( x 1)
4
3
4ri ( x 1)
3

x 4ri 1

x 4ri 1
entonces el generador es :
x 3 4ri 1

Si 0 ri 1

ri

v.a.

0.747

1.28

0.687

1.20

0.303

0.60

0.609

1.13

0.587

1.10

Genere variables aleatorias con densidad f(x)


mediante los nmeros aleatorios 0.747,
0.687, 0.303, 0.609, 0.587. Use el mtodo de
la transformada inversa.

1 / 4
f (x)
3 / 4

0 x 1
1 x 2

F ( x)

1
dt
4

F ( x)

1
1 x
dt t 0
4
4

F ( x)

1
1 x 1
dt t 0 x
4
4
4

F ( x)

1
1 x 1
dt t 0 x
4
4
4

ri 1 / 4 x
x 4ri

0 ri 1 / 4

3
F ( x) 1 / 4 dt
4
1
x
1

F ( x) (1 / 4) (3 / 4)[t ]
ri 1 / 4 (3 / 4)[ x 1]

x 2 / 3 (4 / 3)ri 1/4 r 1

También podría gustarte