Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables Aleatorias
UCR – ECCI
CI-1453 Investigación de Operaciones
Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Introducción
Las variables aleatorias se representan por medio de
distribuciones de probabilidad.
El procedimiento para generar variables aleatorias a partir de
distribuciones de probabilidad se conoce como generación de
variables aleatorias o muestreo de Monte Carlo.
El principio del muestreo se basa en la interpretación de
frecuencia de la probabilidad y requiere un flujo permanente
de números aleatorios.
f(x)=y f(x)
1
F(x)
1 x
F ( x ) = ∫ f (t )dt
x
−∞
λe − λx x ≥ 0, λ > 0
f (x ) =
0 en caso contrario
Se calcula fda:
0 x<0
F (x ) = ∫ λe dt = 1 − e F (x ) =
x
− λt − λx
− λx
0
1 − e x≥0
1 x>b
F (x ) = r
x−a x = a + r (b − a )
=r
b−a x = a + 0.5(b − a ) = 0.5a + 0.5b
x − a = r (b − a )
F2 ( x ) = r 0.25 ≤ r ≤ 1
−
12
(
1 2
)
x − 12 x + 24 = r
UCR-ECCI CI-1453 Investigación de Operaciones
Generación de Variables Aleatorias 20
Método de Transformación Inversa (ITM)
Distribución Triangular (cont.)
Se genera un número aleatorio r, por ejemplo, r = 0 y r = 2/3.
Se establece F(x) = r y se determina el valor de x:
F1 ( x ) = r F2 ( x ) = r
1
4
(x − 2)2 = r −
1 2
12
( )
x − 12 x + 24 = r
x − 2 = ± 4r x 2 − 12 x = −24 − 12r
x 2 − 12 x + 36 = 36 − 24 − 12r
(x − 6)2 = 12 − 12r
x − 6 = ± 12 − 12r
x = 2 + 4r x = 6 − 2 3 − 3r
x = 2 + 4 × 0 = 2 x = 6 − 2 3 − 3× 2 3 = 4
UCR-ECCI CI-1453 Investigación de Operaciones
Generación de Variables Aleatorias 21
Método de Aceptación-Rechazo (ARM)
Este método requiere una función de distribución acumulada
(fda) F(x) esté definida en un intervalo finito.
Como ejemplos se tienen la función rampa, las distribuciones
triangular, beta y la de Erlang.
f ( x *) = f1 ( x *) = − +
1 x*
2 ≤ x* ≤ 6
6 12
f ( x *) = f 2 ( x *) = −
4 x*
6 ≤ x* ≤ 8
3 6
f ( x *) = f1 ( x *) = − +
1 x* 1 2
=− + =0
6 12 6 12
Se comprueba r2 ≤ f(x*) / M; 1 ≥ 0/(1/3), por lo que se rechaza
y se vuelve al paso 2.
∑ i
x
i =1
⇒ n n µ , n σ 2
∑x i
X= i =1
n
UCR-ECCI CI-1453 Investigación de Operaciones
Generación de Variables Aleatorias 31
Distribución Normal
Algoritmo de Convolución (cont.)
Sea X con distribución n(μ, σ2), se va a generar un valor Z con
distribución n(0, 1).
Si esto se aplica a R(0, 1) variables aleatorias; r1, r2, …, rn ,
con media μ y varianza finita σ2, se deduce que:
n
∑ r − nµ
i
z= i =1
⇒ n (0,1)
(nσ ) 2 12
∑ r − nµ
i
z= i =1
⇒ n (0,1)
(nσ ) 2 12
z 2 = (− 2 ln r1 ) cos(2πr2 )
12