MÉTODO DE ACEPTACIÓN Y RECHAZO

JULIETH ALEJANDRA OSPINA CALDERÓN

UNIVERSIDAD ANTONIO NARIÑO

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
MODELOS MATEMÁTICOS
BOGOTÁ D.C.
2015
MÉTODO DE ACEPTACIÓN Y RECHAZO

JULIETH ALEJANDRA OSPINA CALDERÓN

CÓDIGO: 10411311062

Presentado a:
LUIS CARLOS FORERO

UNIVERSIDAD ANTONIO NARIÑO

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
MODELOS MATEMÁTICOS
BOGOTÁ D.C.
2015
 TABLA DE CONTENIDO

PÁ
G.

Introducción...........................................................................................................................................4
1. Variable aleatoria...............................................................................................................................5
1.1. Variable aleatoria discreta............................................................................................................5
1.2. Variable aleatoria continua...........................................................................................................5
2. Generacion de variables aleatorias....................................................................................................5
2.1. Métodos más empleados para la generación de variables aleatorias........................................6
2.2. Tipos de generadores de variables aleatorias...............................................................................7
3. Método de aceptación y rechazo......................................................................................................10
3.1. Demostración...................................................................................................................................10
3.2. Algoritmo de aceptación y rechazo...............................................................................................10
4. Simulación del método de aceptación y rechazo............................................................................14
conclusiones.............................................................................................................................................17
bibliografía................................................................................................................................................18
 INTRODUCCIÓN

Una variable aleatoria es una función que asocia un número a cada elemento del
espacio muestral, en donde el recorrido o rango de la variable es el conjunto de valores
que toma.

El proceso de simulación necesita la generación de datos semejantes a los que se

producen en la realidad, lo que precisa la posibilidad de generar variables aleatorias de
varias distribuciones, por ejemplo la exponencial.

El método de aceptación y rechazo consiste en generar un valor de la variable aleatoria

e inmediatamente probar que dicho valor simulado proviene de la distribución de
probabilidad que se está analizando.
 1. VARIABLE ALEATORIA

Se llama variable aleatoria a toda función que asocia a cada elemento del espacio
muestral E un número real.

Se utilizan letras mayúsculas X, Y,... para designar variables aleatorias, y las

respectivas minúsculas (x, y,...) para designar valores concretos de las mismas.

1.1. VARIABLE ALEATORIA DISCRETA

Una variable aleatoria discreta es aquella que sólo puede tomar valores enteros.

Ejemplo: El número de hijos de una familia, la puntuación obtenida al lanzar un dado.

1.2. VARIABLE ALEATORIA CONTINUA

Una variable aleatoria continua es aquella que puede tomar todos los valores posibles
dentro de un cierto intervalo de la recta real.

Ejemplo: La altura de los alumnos de una clase, las horas de duración de una pila 1 .

2. GENERACION DE VARIABLES ALEATORIAS

Luego de introducir al sistema los datos, es necesario transformarlos en información, la

cual puede ser determinística y/o probabilística. La determinística ingresa directamente
al sistema con su valor respectivo. Para la probabilística se requiere generar modelos
que emulen el comportamiento de la variable correspondiente. Los números
pseudoaleatorios son la base para realizar simulaciones donde hay variables
estocásticas, porque estos números generan eventos probabilísticos; inicialmente se
parte de la generación de números pseudoaleatorios uniformes entre cero (0) y uno (1). 

1
(VITUTOR, Variables Aleatorias (En línea))
2.1. MÉTODOS MÁS EMPLEADOS PARA LA GENERACIÓN DE VARIABLES
ALEATORIAS
  
2.1.1. Método de la transformada inversa.

Consiste en emplear la distribución acumulada F(x) de la distribución de probabilidad a

simular por medio de integración; como el rango de F(x) se encuentra en el intervalo de
cero (0) a uno (1), se debe generar un número aleatorio ripara luego determinar el valor
de la variable aleatoria cuya distribución acumulada es igual a ri. El problema de este
método radica en el hecho que algunas veces se dificulta demasiado la consecución de
la transformada inversa.

2.1.2. Método de convolución.

Permite generar una distribución a partir de la suma de distribuciones más elementales

o mediante la transformada z.

2.1.3. Método de aceptación y rechazo.

Cuando f(x) es una función acotada y x tiene un rango finito, como a   x   b, se utiliza
este método para encontrar los valores de las variables aleatorias. El método consiste
en normalizar el rango de f mediante un factor de escala c, luego definir a x como una
función lineal de r, después se generan parejas de números aleatorios r1 , r2 y por
último si el número encontrado se elige al azar dentro del rango (a,b) y r b, se utiliza
este método para encontrar los valores de las variables aleatorias. El método consiste
en normalizar el rango de f mediante un factor de escala c, luego definir a x como una
función lineal de r, después se generan parejas de números aleatorios r1 , r2 y por
último si el número encontrado se elige al azar dentro del rango (a,b) y r   cf (x) se
acepta, en caso contrario se rechaza. El problema de este método es la cantidad de
intentos que se realizan antes de encontrar una pareja exitosa.

2.1.4. Método de composición.

Con este método la distribución de probabilidad f(x) se expresa como una mezcla o

composición de varias distribuciones de probabilidad fi(x) seleccionadas
adecuadamente.

2.1.5. Procedimientos especiales.

Existen algunas distribuciones estadísticas de probabilidad en las cuales es posible

emplear sus propiedades para obtener expresiones matemáticas para la generación de
variables aleatorias en forma eficiente. En varios casos se aplica el Teorema Central del
Límite y en otros se utiliza el método directo para encontrar las variables aleatorias 2.
2
(Lozano, Generación de Variables Aleatorias, Universidad Nacional de Colombia- Sede Manizales (En línea))
2.2. TIPOS DE GENERADORES DE VARIABLES ALEATORIAS

2.2.1. Generador congruencial lineal (más utilizado).

 Produce una secuencia de enteros x1, x2, …; entre 0 y m-1 de acuerdo a la

siguiente relación recursiva:

 Esto da el residuo de la división de (a x 1+ c) entre m.

 Los números aleatorios se entregan por medio de la relación:

 Técnicamente, un número aleatorio, ri , se define como una muestra aleatoria

independiente extraída de una distribución uniforme continua, cuya función de
densidad de probabilidad (fdp) está dada por:

 Así cada número aleatorio estará distribuido de manera uniforme en el intervalo

entre 0 y 1.

 Debido a esto, a estos números aleatorios se les conoce como números

aleatorios U (0,1), o simplemente como números aleatorios uniformes 3.

Gráfica 1. Distribución Uniforme

3
(Benavides, ECCI, Investigación de Operaciones (En línea))
 Fuente: Investigación de Operaciones - ECCI

2.2.2. Generador multiplicativo.

Este método tiene la ecuación congruencial de recurrencia, donde:

a = es la constante multiplicativa.

m = es la magnitud del módulo.
X0 = es la semilla.

Los requisitos mínimos que deben satisfacer los parámetros son

X0, a, m > 0; enteros y m > a, m >X0.

Ejemplo. Desarrollar cinco iteraciones del generador X n+1 = 3Xn mod 100, con X0=51.

Xn RND
51 0.51
53 0.53
59 0.59
77 0.77
31 0.31
 
2.2.2.1. Selección de los parámetros del generador congruencial multiplicativo.

 Selección de a. Debe seleccionarse el valor de a de la forma siguiente:

a = 8t +- 3 donde t es cualquier entero positivo.

 Selección de m. Este valor se selecciona de tal manera que: m =2d, 

donde d es el número de bits de la palabra de la computadora.
  Selección de X0. Tómese X0 impar, relativamente primo a m.

A continuación damos los parámetros para dos casos especiales que ya han sido
probados para este generador (Varela, Kelton respectivamente).

2.2.3. Generador mixto.

El método mixto tiene la siguiente ecuación de recurrencia, donde:

a = es la constante multiplicativa.
c = es la constante aditiva.
m = es la magnitud del módulo.
X0 = es la semilla.

Los requisitos mínimos que estos parámetros deben satisfacer son:

X0, a, c, m >= 0; enteros y m > a, m > c, m > X0

Aquí mod representa a la operación aritmética módulo entre los enteros a y b tal que el
resultado de (a mod b) es el residuo entero de la división a entre b.

2.2.3.1. Selección de los parámetros del generador congruencial mixto.

 Selección de m. Seleccionar m de modo que sea el número primo más grande

posible y que a su vez sea menor que p, donde:

p es la base del sistema binario y d es el número de bits de la palabra de la

computadora. Por ejemplo 231.

 Selección de a. Preferentemente selecciónese a a de tal manera que:

I) (a-1) mod 4 = 0, si 4 es un factor de m.

II) (a-1) mod b = 0, si b es un factor primo de m.
Usualmente, el valor de a se toma como a = 2k +1; k>=2

 Selección de c. Es recomendable escoger c tal que c mod 8 = 5.

 Selección de X0. La selección de X0 es irrelevante.

Algunos parámetros que se utilizaron en diferentes máquinas son 4:

3. MÉTODO DE ACEPTACIÓN Y RECHAZO

Sea X una variable aleatoria con función de densidad . Supóngase que

f(x)=Cg(x)h(x) con C una constante,   y h(x) una función de
densidad en I. Si  e Y (con función de densidad h) son independientes, entonces 

3.1. DEMOSTRACIÓN

3.2. ALGORITMO DE ACEPTACIÓN Y RECHAZO

4
(Poli Libros Mexico, (En línea))
  Se genera   y un valor y de la variable Y (de forma
independiente).

 Si u>g(y), se va al paso 1.

 Si  , entonces se hace x=y.

Ahora interesa conocer cuál es la probabilidad de que en una iteración concreta se

rechace el valor generado: 

Como el número de iteraciones del método hasta aceptar un valor sigue una
distribución geométrica de parámetro (cuya esperanza es C), entonces si queremos
optimizar el método habrá que intentar que C sea próxima a uno y que h sea sencilla de
generar. 

Si hacemos, entonces buscamos que sea . Se tendrá 

Como   coincide con h salvo la constante y h es una función de densidad en I,

entonces también se tiene que cumplir que   sea finita. 

 Caso particular: f acotada, definida en un intervalo [a,b] acotado 

Sea en I=[a,b]. En este caso tomamos . Así:

 H-1(u)= a + (b-a)u.

Además, 

El algoritmo resultante es:

 Genérese u1,   de forma independiente.

 Si M u1 > f(a+(b-a)u2), entonces se vuelve al paso 1. En caso contrario, se

hace x=a+(b-a)u2.

Ejemplo:  

En este caso [a,b]=[-R,R], por lo que  , pues f alcanza su máximo en x=0.

Tratemos de simplificar el test de aceptación  . 

Si y sólo si:

Si y sólo si:

Si y sólo si 

La probabilidad de aceptación es:

Ejemplo:

La función   es función de densidad en (0,1). Así 

Tomamos  . De este modo se tiene que 

Y el criterio de aceptación es:

Tomándose:

Ejemplo:  

Para que se cumplan todas las condiciones que necesitamos, tomamos 

Es inmediato que  . Veamos que   integra un valor finito: 

Ahora, 
Como  , entonces,

El algoritmo para simular la variable X es:

 Se genera u1, u2 según una distribución U (0,1).

 Si  , entonces se toma x=H-1(u1). En caso contrario, se repite

el paso 1.

4. SIMULACIÓN DEL MÉTODO DE ACEPTACIÓN Y RECHAZO

Consideremos X una variable aleatoria cuyo soporte es un intervalo finito [a, b] sobre el
que la función de densidad es acotada y no nula. Sea c = máx. x ∈ [a , b] f(x). Los
métodos generales de generación de variables aleatorias procedimiento es el siguiente:

1. Generar dos números aleatorios u, v independientes.

2. Hacer x = a + (b – a) u, x es un valor de una variable aleatoria U(a, b). Hacer

y=cv, y es un valor de una variable aleatoria U (0, c).

3. Calcular f(x). Si y ≤ f(x), entonces se acepta x como valor generado de la variable

aleatoria X. En caso contrario, volver al paso 1.

La siguiente figura muestra el funcionamiento del método:

 Gráfica 2. Método de aceptación y rechazo por envolvente

Los pasos 1 y 2 generan puntos (X, Y) uniformemente distribuidos sobre el rectángulo

con dimensiones c × (b − a). Si el punto (x, y) cae bajo la curva f(x), entonces en el
paso 4 se acepta x; en caso contrario el método rechaza x y realiza otro intento. La
región entre el rectángulo y la curva es la que determina el rechazo de la observación.

La probabilidad de rechazo será el cociente entre el área de esta zona y el área del
rectángulo. La región de aceptación tiene área 1 por ser f(x) una función de densidad.

4.1. Ejemplo de la Simulación Si se Rechaza

 Simulación por el método de aceptación-rechazo b(4,3)
Nueva
2,5
Etapas:
1º Simulamos Y~U(0,1) 0,070170
2
2º Calculamos f(y)=60x3(1-x)2= 0,017923
2º Simulamos U~U(0,1) 0,324331
3º Hacemos el
0,008643
cociente
1,5 4º ¿Es U menor o
mayor que el NO, rechazo
cociente?
Probabilidad aceptar 0,482253
1
Histograma con 2000 simulaciones
0,25

0,5 0,20

0,15

0
0 0,2 0,4 0,6 0,8 1 0,10

f(x)=60x3(1-x)2 t(x)=2.0736 U·t(Y)

0,05

0,00 [0 - 0.1] (0.1 - 0.2] (0.2 - 0.3] (0.3 - 0.4] (0.4 - 0.5] (0.5 - 0.6] (0.6 - 0.7] (0.7 - 0.8] (0.8 - 0.9] (0.9 - 1.0]

Frecuencias Probabilidades

4.2. Ejemplo de la Simulación Si se Acepta

Simulación por el método de aceptación-rechazo b(4,3)

Nueva
2,5
Etapas:
1º Simulamos Y~U(0,1) 0,338489
2
2º Calculamos f(y)=60x3(1-x)2= 1,018259
2º Simulamos U~U(0,1) 0,128499
3º Hacemos el
0,491059
cociente
1,5 4º ¿Es U menor o
mayor que el SÍ, Acepto
cociente?
Probabilidad aceptar 0,482253
1
Histograma con 2000 simulaciones
0,25

0,5 0,20

0,15

0
0 0,2 0,4 0,6 0,8 1 0,10

f(x)=60x3(1-x)2 t(x)=2.0736 U·t(Y)

0,05

0,00 [0 - 0.1] (0.1 - 0.2] (0.2 - 0.3] (0.3 - 0.4] (0.4 - 0.5] (0.5 - 0.6] (0.6 - 0.7] (0.7 - 0.8] (0.8 - 0.9] (0.9 - 1.0]

Frecuencias Probabilidades

Teniendo en cuenta los siguientes valores, con que se realizó la simulación:

 Prueba con 2000 simulaciones

Frecuencias Rechazos Prob.

Resultados de la simulación
U Y f(Y)/t(Y) Clases Simulaciones válidas (frecuencia)
relativas (%) teóricas
0,27836 0,64659 0,97695 [0 - 0.1] 9,55% 100,00% 0,00% 0,0013
0,70519 0,54876 0,97362 (0.1 - 0.2] 10,10% 96,04% 0,83% 0,0157
0,89257 0,05578 0,00448 (0.2 - 0.3] 9,95% 76,38% 4,87% 0,0535
0,93204 0,74735 0,77097 (0.3 - 0.4] 10,25% 50,73% 10,47% 0,1087
0,66478 0,18476 0,12128 (0.4 - 0.5] 10,10% 18,32% 17,10% 0,1646
0,17960 0,87281 0,31123 (0.5 - 0.6] 9,65% 4,66% 19,07% 0,2006
0,99542 0,50102 0,90605 (0.6 - 0.7] 11,45% 2,62% 23,11% 0,2000
0,89294 0,60799 0,99933 (0.7 - 0.8] 9,20% 22,83% 14,72% 0,1568
0,30003 0,64265 0,98070 (0.8 - 0.9] 9,65% 58,03% 8,39% 0,0830
0,15524 0,13447 0,05270 (0.9 - 1.0] 10,10% 93,07% 1,45% 0,0158
0,42751 0,49771 0,90005 Total 100,00% 51,75% 100,00% 1,0000
0,87500 0,14364 0,06289
0,70247 0,36457 0,56612
0,72045 0,82932 0,48080
0,88721 0,26554 0,29225
0,33205 0,42225 0,72713
0,48143 0,61018 0,99891
0,33882 0,31709 0,43024
0,06519 0,88285 0,27325
0,63818 0,77975 0,66545
0,74429 0,10516 0,02695
0,50432 0,50155 0,90701
0,61945 0,66463 0,95547
0,62156 0,64887 0,97462
0,98747 0,58387 0,99732
0,21515 0,38726 0,63094
0,93043 0,29755 0,37613
0,25327 0,43088 0,74973
0,87994 0,27218 0,30907
0,93493 0,43744 0,76653
0,38620 0,81643 0,53063

.
.
.
CONCLUSIONES

 Las variables aleatorias son la base para el éxito en los procesos de

simulación son los valores que toma el Cierre procesos de simulación, son
los valores que toma el sistema bajo análisis, y con los cuales haremos la
simulación.

 Por lo que al encontrar los números pseudoaleatorios para utilizar en el

sistema, tenemos primero que verificar que sean variables aleatorias que
se ajustan a la distribución de probabilidad el proceso.

 En los planes de muestreo de aceptación y rechazo por variables deben

especificarse el número de artículos que muestrear y los criterios para
juzgar los lotes cuando se obtienen los datos de mediciones respecto a la
característica que se interesa.
 BIBLIOGRAFÍA

 VITUTOR. URL: www.vitutor.com/pro/3/a_1.html

 UNAL. URL:
www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Capitulo
%20VI/valeatorias.htm

 ECCI. URL:
http://www.kramirez.net/ProbaEstad/Material/Presentaciones/GeneracionVariable
sAleatorias.pdf

 UVA. Es. URL:

http://www5.uva.es/estadmed/probvar/simulacion/simulacion2.htm

 POLI LIBROS. URL:

http://www.sites.upiicsa.ipn.mx/polilibros/portal/polilibros/p_terminados/SimSist/
doc/SIMULACI-N-129.htm