Act 7 Generación de Variables Aleatorias en Simulación

Judith López Cárdenas

16/6/2020

1. Conceptos fundamentales de Variables Aleatorias Continuas

Variable aleatoria: aquella que cuantifica el resultado de un experimento aleatorio.
Variable aleatoria continua: aquella que cuantifica el resultado de un experimento
aleatorio en el que dicho resultado toma valores en una escala continua.
Distribución de una variable aleatoria continua: la función de distribucióń
acumulada, o función de distribución de una variable aleatoria representa la
probabilidad de que dicha variable aleatoria tome una valor menor o igual a x.
Densidad de una variable aleatoria continua: La función de densidad o función de
distribución de probabilidad es usada para especificar la probabilidad de que una
variable aleatoria continua caiga dentro de un determinado rango de valores. Dicha
probabilidad se obtiene al integrar la función de densidad entre el rango de interés.
Para más detalle revisar: https://www.youtube.com/watch?v=6Tm-_YEphbg
2. Entre las distribuciones continuas más comunes se encuentran:
• La distribución uniforme

• La distribución exponencial

• La distribución Weibull

• La distribución gamma

• La distribución normal

• La distribución x2

• La distribución t

A continuación genreraremos algunas de estas distribuciones

3. Variables aleatorias continuas
-Distribución UNIFORME Si hacemos un experimento en el que el resultado solo
puede obtener valores dentro de un intervalo [a,b] y la probabilidad de obtener
cualquier valor entre a y b solamente depende de la longitud del intervalo y no de la
ubicación del valor, en R simularemos esta distribución mediante la función runif()
# Primero generemos n números aleatorios entre 5 y 10
resultados.del.experimento<-runif(10000000, min = 5, max = 10)
# Echemos un vistazo a los n números generados
grafica<-hist(resultados.del.experimento, xlim = range(0,15))

• Una aplicación de la distribución uniforme

Suponga que una máquina de extrusión expulsa entre 5 y 6 metros de material en
cada descarga y dicho proceso tiene una distribución uniforme
a) simule el proceso n veces

b) ¿cuál es la probabilidad de que expulse 5.2 metros de material?

# Primero generemos n números aleatorios entre 5 y 6
resultados.del.experimento<-runif(10000000, min = 5, max = 6)
# Echemos un vistazo a los n números generados
grafica<-hist(resultados.del.experimento, xlim = range(4,7))
# Calculo la probabilidad de que expulse hasta 5.2 metros de material
punif(5.2, 5, 6)

## [1] 0.2

# Responde ¿Cuál es la esperanza o el valor medio de los

# resultados.del.experimento
mean(resultados.del.experimento)

## [1] 5.500055

# ¿Cuál es su varianza?
var(resultados.del.experimento)

## [1] 0.08337471

• Distribucion NORMAL La importancia de esta distribución procede del Teorema

central del límite, el cual nos dice que, cuando tomamos el promedio de una
muestra suficientemente grande, la distribución de los promedio de la muestra se
comporta como una variable aleatoria normal.
# Para simular números aleatorios bajo una distribución normal
# utilizamos la función rnorm() con los parámetros media
# y desviacion estándar
# Vamos a generar n números aleatorios con base en
# una media y una desviación estándar
# Supongamos que el promedio de calificaciones
# en alguna materia es de 8 y la desviación estándar de 2
resultados.simulacion.normal<-rnorm(1000000, mean = 8, sd=2)
# Echemos un vistazo a los resultados de la simulación normal
grafica_2<-hist(resultados.simulacion.normal)

# ¿Cuál es la probabilidad de que los alumnos saquen entre

# 7 y 10 de calificación?
# Calculo la probabilidad de que el número aleatorio
# caiga entre 7 y 10
prob.inferior<-pnorm(7, mean = 10, sd = 2)
prob.superior<-pnorm(10, mean = 10, sd = 2)
rango.prob<-prob.superior-prob.inferior
rango.prob

## [1] 0.4331928

# La probabilidad de aprobar es del (captura tu resultado)

# Responde ¿Cuál es la esperanza o el valor medio de los

# resultados.simulacion.normal
mean(resultados.simulacion.normal)

## [1] 8.000581

# ¿Cuál es la varianza?
var(resultados.simulacion.normal)

## [1] 3.999418
# ¿Cuál es la desviación estándar?
sd(resultados.simulacion.normal)

## [1] 1.999854