GENERACION DE MUESTRAS DE VARIABLES ALEATORIAS

Se estudiaran procedimientos para la generación de “muestras” de diversas

variables aleatorias, mediante el empleo de números seudo- aleatorios en el
intervalo [0,1].

1.-METODO DE LA TRANSFORMACION INVERSA:

Dada la FDA de la variable aleatoria cuyas muestras se desea obtener:

Como r =F(x)  x = F-1 (r ) . Luego de existir una expresión analítica para la

FDA y de ser posible su inversión, las muestras de una distribución uniforme en
[0,1] (seudo-aleatorios), permitirán la generación de muestras de la variable
aleatoria.

Ej: Para una distribución exponencial definida en (0 , ∞ ) tenemos que:

FDA : F(t)= 1 – e- t / μ

Como r = F(t) , despejando obtenemos:

t = -μ ln(1 – r)
Esta ultima expresión nos permite obtener muestras de una distribución
exponencial con media  , a partir de muestras de una distribución uniforme
( r ) en el intervalo [0,1]

Ej: Para una distribución Uniforme definida en (a , b ) tenemos que:

FDA : F(x)= (x –a) / ( b – a)

Como r = F(x) , despejando obtenemos:

X = a + r (b – a )

Esta última expresión nos permite obtener muestras de una distribución

uniforme entre a y b , a partir de muestras de una distribución uniforme
( r ) en el intervalo [0,1]

En el caso de una distribución discreta, el método de la transforma inversa

puede ser igualmente aplicado, aun cuando no exista una expresión analítica
para la FDA.

Ej: Dada la VA que representa las ventas diarias de un equipo electrónico, cuya
FDP y FDA se indican

x p(x) F(x)
2 0.3 0.3
4 0.5 0.8
6 0.2 1

Podemos escribir una grafica de su FDA

Con ella es claro que el método de la transformada inversa nos permite

encontrar el generador de muestras de la VA:
2.-METODO DE BOX-MULLER PARA GENERAR MUESTRAS NORMALES:

Al no disponer de una expresión analítica para la FDA, este método permite la

generación de muestras de una variable aleatoria normal tipificada ( = 0 , 
=1) , a partir de números seudo-aleatorios en [0,1] , mediante las expresiones:

Donde :
r1 , r2 : aleatorios en [0,1].
z1, z2: muestras de normal tipificada.

La transformación x =  + z permitirá determinar muestras de una normal

con media  y desviación estándar  , a partir de las muestras obtenidas para
la normal tipificada (z).

3.-GENERADORES DISPONIBLES EN EXCEL

EXCEL dispone en la opción HERRAMIENTAS – ANALISIS DE DATOS , de

algunos generadores de muestras de variables aleatorias:

a)UNIFORME ( a ; b)
b)NORMAL (  ;  )
C)POISSON ( )
D)BINOMIAL (probabilidad ; Nº de pruebas)
E)DISCRETA(Columna de valores ; Columna de probabilidades)

4.-MUESTRAS CORRELACIONADAS

Las variables aleatorias consideradas hasta ahora fueron consideradas

independientes de cualquier otra variable en el contexto del problema. Sin
embargo algunas de las variables aleatorias en estudio pueden estar
relacionadas y su generación no es independiente, y ese hecho debe ser
tomado en cuenta en la simulación.

En la figura vemos graficas de dispersión de datos con diferentes niveles de

correlación lineal reflejado en la forma de la nube de puntos:
5.-GENERACIÓN DE MUESTRAS NORMALES CORRELACIONADAS

El denominado algoritmo de Scheuer permite la generación de muestras

aleatoria normales correlacionadas:

Dados Z1 y Z2 muestras normales tipificadas e independientes, 1 , 1 , 2 ,

2 , medias y desviaciones estándar de las muestras normales que se desea
generar y  su correspondiente coeficiente de correlación , entonces las
muestras normales simuladas están dadas por :

X1= 1 + 1 Z1 y X2 = 2 +2 (Z1 + Z2 )

EJERCICIOS

1.-Generar muestras de 100 tiempos entre llegadas, distribuidos en forma

exponencial con media 5 min, determinando los tiempos de llegada de los 8
primeros clientes en recibir atención. Suponga que el primer cliente llega luego
de 2min de iniciado el proceso de atención. Construir un histograma de los
tiempos entre llegadas que confirme la forma de la distribución.

2.-Generar muestras de 100 tiempos de servicio distribuidos uniformemente

entre 20s y 1min.Determinar la media y desviación estándar tanto de la
distribución como de los datos. Construir un histograma para los datos que
confirme visualmente la distribución de origen. Realice una prueba de
uniformidad chi-cuadrado

3.- Generar 100 muestras de tiempos de término de una etapa de un proyecto,

que siguen una distribución triangular, con tiempo pesimista de 90 días, tiempo
optimista de 30 días y tiempo mas probable de 50 días. Determinar la media y
desviación estándar tanto de la distribución como de los datos. Construir un
histograma para los datos que confirme visualmente la distribución de origen.

4.- Generar 100 muestras de tiempos de los tiempos de servicio de un proceso

que siguen una distribución normal con media 20min y desviación estándar de
5min. Construir un histograma para los datos que confirme visualmente la
distribución de origen.
5.- Generar 100 muestras de tiempos de los tiempos de servicio de un proceso
que siguen una distribución Weibull con parámetros k = 2 y λ = 1 . Determinar
la media y desviación estándar tanto de la distribución como de los datos
Construir un histograma para los datos que confirme visualmente la distribución
de origen.

6.-Generar 100 muestras del numero de pedidos mensuales de reposición de

un inventario, sabiendo que estos siguen una distribución Binomial con
parámetros p = 0.1 y t = 10.

7.-Generar 8 muestras del numero semanal de fallas que experimenta una red
de transmisión de datos , sabiendo que estas siguen la distribución de
probabilidad empírica que se indica

p(x=0) = 0.3
p(x=1) = 0.2
p(x=2) = 0.2
p(x) = p(x=3) = 0.1
p(x=4) = 0.1
p(x=0) = 0.05
p(x=0) = 0.05

7.-Generar 100 muestras de la fracción de artículos que pasan un control diario

de calidad sabiendo que esta sigue una distribución Beta con parámetros p  =
1 y  = 2 .Construir un histograma para los datos y graficar la FDP de la
distribución OBS : Γ (n+1 ) = n!

8.- Generar 200 muestras de una distribución de probabilidad Normal con

parámetros = 30 y  = 5.Crear un histograma para las muestras y compararlo
con la forma teórica de la FDP. Comparar la media de la distribución teórica,
con la media muestral.

11.- Generar 400 muestras de una distribución de probabilidad Gamma con

parámetros = 1 y  = 5 .Crear un histograma para las muestras y compararlo
con la forma teórica de la FDP. Comparar la media de la distribución teórica,
con la media muestral.

12.-Generar 100 muestras de una distribución de Poisson, con media = 3,

que representa el numero de pedidos de reposición de inventario, realizados en
forma mensual. Crear un histograma para las muestras y compararlo con la
forma teórica de la FDP. Comparar la media de la distribución teórica, con la
media muestral.

13.- Generar 400 muestras de la siguiente distribución Empírica:

Valor de variable Probabilida

(x) d
1 0.3
2 0.1
3 0.1
4 0.3
5 0.1
6 0.1

Esta distribución que representa la demanda diaria de cierto tipo de artículos.

Crear un histograma para las muestras y compararlo con la forma teórica de la
FDP. Comparar la media de la distribución teórica, con la media muestral.
Indicar si alguna distribución de probabilidad discreta de las conocidas, podria
describir esta distribución.

14.-Generar dos grupos de 100 muestras de precios de productos con las

siguientes características:

a) Normales No correlacionados(ρ = 0)
b) Normales con baja correlación positiva (ρ = 0.3)
c) Normales con alta correlación positiva(ρ =0.9)
d) Normales con baja correlación negativa(ρ = - 0.3)
e) Normales con alta correlación negativa(ρ = 0.9)

Construir en cada caso un diagrama de dispersión que confirme el tipo de

relación existente entre los datos. Determinar en cada caso el coeficiente de
correlación entre los grupos de datos simulados. Suponga μ1= 5 , σ1= 1 , μ2=
7 σ2=2

15.-Generar 100 muestras de la VA que se indica. Construir un histograma

obteniendo la media muestral y la esperanza.

x p(x) F(x)
2 0.3 0.3
4 0.5 0.8
6 0.2 1