Está en la página 1de 11

Introducción

La simulación de variables en esta materia es de suma importancia ya que


debido a la simulación de diversas variables podremos hacer cálculos para
algunos trabajos de simulación.
Ejemplos de este tema son las variables aleatorias que nos pueden ser útiles
para cálculos de diversas simulaciones empleados en la manipulación de
trabajos profesionales hasta los más sencillos.
2.1 Producción de números con comportamiento estadístico aleatorio y
uniforme (0,1).
Las variables aleatorias son aquellas que tiene un comportamiento en la
realidad. Por ejemplo el número de clientes que llegan cada hora a un banco
depende del momento del día, de la semana y de otros factores.
La generación de variables aleatorias o estocásticas significa la obtención de
variables que siguen una distribución de probabilidad determinada. Requiere
de dos etapas: Generar números aleatorios distribuidos uniformemente (R)
Generar con R y con las distribuciones de probabilidad las variables
aleatorias o estocásticas.
La generación de estadísticas simuladas, o sea de los valores de las
variables aleatorias, tienen una naturaleza enteramente numérica y debe
soportarse por números aleatorios, generados por algún método.
Una secuencia de números aleatorios R1, R2,... debe tener dos importantes
propiedades estadísticas: uniformidad e independencia. Cada número
aleatorio Ri es una muestra independiente tomada de una distribución

1
continua uniforme entre cero y uno. Esto es, la función de densidad de
probabilidad es:
1
f ( x )= , a>0 , b>0
( b−a)

Si el intervalo (0, 1) es dividido en n clases, o sub-intervalos de longitudes


iguales, el número esperado de observaciones en cada intervalo es N/n,
donde N es el número total de observaciones.
La probabilidad de observar un valor en un intervalo en particular es
independiente de los valores previamente observados.
Números “elegidos al azar” son útiles en diversas aplicaciones, entre las
cuáles podemos mencionar:
 Simulación o métodos de Monte Carlo: se simula un proceso
natural en forma computacional. Estas aplicaciones se realizan en muy
variados campos con el fin de emular distintos comportamientos: física (por
ejemplo, para simular colisiones entre partículas), ingeniería (diseño de obras
hidráulicas, puentes, etc.), inversiones de capital, redes, servicios a clientes,
call centers, etc. La simulación a través de la computadora es una
herramienta poderosa para comprender la naturaleza de sistemas complejos.
 Muestreo: con el fin de seleccionar una sub-muestra de una
población.
 Análisis Numérico: algunas técnicas para resolver problemas de
análisis numérico complejos han sido desarrolladas usando números
aleatorios.

2
 Programación: la generación de valores aleatorios puede ser útil
para poner a prueba la efectividad de un algoritmo. También son útiles en
criptología.
2.2 Simulación de otras variables aleatorias.
Método de la transformada inversa
Es el método más directo para generar una variable aleatoria. Sea
F ( z ) , a≤ z ≤ b
Una función de distribución cuya función de distribución inversa es:
F−1 ( u ) ≔∈f { z ∈ [ a , b ] : F ( z ) ≥ u , 0 ≤u ≤ 1 }
Sea U una variable aleatoria de   
u ( 0,1 )
Se verifica que
z=F−1 (U )
Tiene la función de distribución F. La prueba se sigue de la observación de
que
pr ( Z ≤ z )= pr [ F −1 ( U ) ≤ z ]= pr [ U ≤ F (z) ] =F (z)
Esto sugiere inmediatamente el siguiente esquema de generación:
Algoritmo del método de la transformada inversa
Propósito: Generar Z aleatoriamente de
F ( z ) , a≤ z ≤ b
Entrada: Capacidad para evaluar
F−1 ( u ) , 0 ≤u ≤ 1
Salida: Z
Método: Generar aleatoriamente U de
U ( 0,1 )
Z ← F −1 (U )
Devolver Z.
Ejemplo. La distribución exponencial
Supongamos que tiene una distribución exponencial de media beta. La
función densidad de probabilidad es:
3
La función de distribución (acumulativa) es:

Método de aceptación rechazo


Este método es más probabilístico que el anterior. Los métodos de inversión,
composición y convolución son métodos de generación directos, en el sentido
en que tratan directamente con la función de distribución. El método de
aceptación-rechazo es menos directo en su aproximación.
Se va aplicar este método en el caso de que la variable aleatoria sea
continua, el caso discreto es análogo y está tratado en Prob. 8.9
En este caso tenemos la función de densidad f(x) de la variable y
necesitamos una función t(x) que la acote, es decir t(x) ³f(x) "x. Hay que notar
que t(x) no es, en general, una función de densidad

Pero la función r(x)=t(x)/c, si es claramente una función de densidad.


(Suponemos que t es tal que c<¥). Debemos de poder generar (esperamos
que de forma fácil y rápida) un valor de la variable aleatoria que sigue la
función r(x). El algoritmo general queda como sigue:
Generar x que siga la distribución r(x)
Generar u ~ U (0,1), independiente de x

4
Entonces devolver x si no volver a repetir el algoritmo
El algoritmo continúa repitiéndose hasta que se genera un valor que es
aceptado.
Para hacer que se rechacen el menor número de puntos posibles la función
t(x) debe ser la mínima función que acote a f(x).
Método de composición
Este método va a poder ser aplicado cuando la función de densidad es fácil

de
Siendo n el número de trozos en los que se ha dividido la función.
Cada uno de los fragmentos se puede expresar como producto de una
función de distribución y un peso

Y la función de distribución global la podemos obtener como

El método consiste en generar dos números aleatorios, uno sirve para


seleccionar un trozo y el otro se utiliza para generar un valor de una variable
que sigue la distribución de dicho trozo. El valor de la variable obtenida es el
valor buscado.
El algoritmo general queda como sigue:
Generar u1, u2~U (0,1)
5
Si u1=w1 entonces generar x~f1(x)
Si no
Si u1=w1+w2 entonces generar x~f2(x)
Método de convolución
Muchas variables aleatorias incluyendo la normal, binomial, poisson, gamma,
erlang, etc., se pueden expresar de forma exacta o aproximada mediante la
suma lineal de otras variables aleatorias.
El método de convolución se puede usar siempre y cuando la variable
aleatoria x se pueda expresar como una combinación lineal de k variables
aleatorias:

En este método se necesita generar k números aleatorios (u1, u2,..., uk) para
generar (x1, x2,...xk) variables aleatorias usando alguno de los métodos
anteriores y así poder obtener un valor de la variable que se desea obtener
por convolución.
2.2.1 Teoría: transformación inversa, composición convolución y otros
procedimientos.
Método de la transformada inversa
El método de la transformada inversa puede utilizarse para simular variables
aleatorias continuas, lo cual se logra mediante la función acumulada f(x) y la
generación de números pseudoaleatorios  ri ~U (0,1). 
El método consiste en:

6
   Definir la función de Densidad f(x) que representa la variable a
modelar.
   Calcular la función acumulada f(x).
   Despejar la variable aleatoria x y obtener la función acumulada
inversa f (x)−1.

   Generar las variables aleatorias x, sustituyendo valores con


números pdeudoaleatorios ri ~U (0,1) en la función acumulada inversa.
El método de la transformada inversa también puede  emplearse para simular
variables aleatorias de tipo discreto, como en las distribuciones de Poisson,
de Bernoulli, binomial, geométrica, discreta general, etc. La generación se
lleva a cabo a través de la probabilidad acumulada P(x) y la generación de
números pseudoaleatorios ri ~U (0,1).

7
Método de convolución
La distribución de probabilidad de la suma de dos o más variables aleatorias
independientes es llamada la convolución de las distribuciones de las
variables originales. El método de convolución es entonces la suma de dos o
más variables aleatorias para obtener una variable aleatoria con la
distribución de probabilidad deseada. Puede ser usada para obtener variables
con distribuciones Erlang y binominales
Metodología
 Se generan números aleatorios (Y1, Y2, Y3…….Yn)

8
 Con uno (o más dependiendo del método a utilizar) de los
números aleatorios, se generan las variables aleatorias componentes
(X1,X2,X3,…..Xn)
 Se obtiene un valor de la variable por suma lineal de las
variables aleatorias componentes
Distribución Uniforme
A partir de la función de la densidad de las variables aleatorias uniformes
entre a y b.

 Se obtiene la función acumulada

 Igualando la función acumulada F(x) con el número


pseudoaleatorio ri ~U (0,1), y despejando x se obtiene:
Xi=a + (b - a) F(x)I Xi=a + (b - a) r
Distribución de Bernoulli
A partir de la distribución de probabilidad de las variables aleatorias de
Bernoulli con media  p(x) = px (1 – p)1 – x           para     x=0,1
Se calculan las probabilidades para x=0 y x=1, para obtener

 Acumulando los valores de p(x) se obtiene:

9
Generando números pseudoaleatorios ri ~U (0,1) se aplica la regla: 

La tabla siguiente muestra la demanda diaria de cepillos dentales en un


supermercado.

Simular el comportamiento de la demanda mediante el método de la


transformada inversa.
A partir de la información histórica se calculan las probabilidades puntuales y
las acumuladas para x=0, 1, 2, 3

La regla para generar esta variable aleatoria estaría dada por:

Con la lista de números pseudoaleatorios r i ~U (0,1) y la regla anterior es


posibles simular la demanda diaria de cepillos dentales, tal como se muestra
10
Conclusión
Como conclusión tenemos que en la simulación las variables aleatorias se
utilizan en algunos trabajos para poder calcular si el trabajo realizado
funcionara o no funcionara.
Las variables aleatorias en la simulación de trabajos realizados por ejemplo
en promodel es necesario tener en cuenta los resultados obtenidos en el
trabajo realizado en el programa.

11

También podría gustarte