Capitulo 5 - Generacion de Variables Aleatorias

Universidad Andrés Bello
Facultad de Ingenierı́a
Ingenierı́a Civil Industrial
Generación de Variables Aleatorias

ICI3217 - Simulación
Marcel Favereau
Primer Semestre 2022
Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 1 / 52

Contenido
1 Introducción
2 Método de la Transformada Inversa
3 Método de Composición
4 Método de Convolución
5 Método de Aceptación y Rechazo
6 Otros Métodos

Contenido
1 Introducción
6 Otros Métodos

Introducción
Una simulación que tiene algún componente aleatorio debe incluir un

muestreo, o generación, de realizaciones aleatorias a partir de distribuciones
de probabilidades

Introducción

de probabilidades
Estas distribuciones a menudo son especificadas (a través de métodos

estadı́sticos) y en este capı́tulo asumiremos que una distribución ha sido
especificada de algún modo (incluyendo el valor de sus parámetros)

Introducción

de probabilidades

En este capı́tulo también abordaremos el tema de cómo generar realizaciones

aleatorias con esta distribución, lo que desde ahora (por simplificación)
denominaremos generación de (realizaciones de) variables aleatorias

Introducción

de probabilidades


Recordar de nuestro último capı́tulo que el ingrediente básico de cada método

de muestreo de variables aleatorias de cualquier distribución es una fuente
generadora de números aleatorios U (0, 1) iid

Introducción

de probabilidades


Recordar de nuestro último capı́tulo que el ingrediente básico de cada método

de muestreo de variables aleatorias de cualquier distribución es una fuente
generadora de números aleatorios U (0, 1) iid
Por esta razón, es esencial que este disponible un generador de números

aleatorios U (0, 1) estadı́sticamente confiable

Introducción
Objetivo
Usar números U (0, 1) para generar realizaciones (observaciones) de otras
distribuciones de probabilidad, e incluso procesos estocásticos. Intentar que sea
rápido y reproducible
Distribuciones continua como la normal, exponencial y empı́rica
Distribuciones discretas como la binomial, Bernoulli, Poisson y empı́rica
Normal multivariada, N (µ, Σ)
Modelos autorregresivos y sus derivaciones
Movimiento browniano (Brownian motion)

En las siguientes secciones veremos algunos enfoques para generar (realizaciones
de) variables aleatorias

Contenido
1 Introducción
6 Otros Métodos

Método de la Transformada Inversa
Teorema de la transformada inversa

Sea X una variable aleatoria continua con cdf F (x). Luego, F (X) ∼ U (0, 1)
Demostración.
Sea Y = F (X) y supongamos que Y tiene cdf H(y). Luego,
H(y) = P(Y ≤ y) = P(F (X) ≤ y)

= P(X ≤ F −1 (y)) = F (F −1 (y)) = y,
donde podemos definir la cdf inversa F −1 (z) como
F −1 (z) = mı́n{x : F (x) ≥ z} z ∈ [0, 1]
La representación anterior puede ser aplicada a distribuciones continuas o

discretas. Veamos cómo funciona esto en la siguiente figura
Método de la Transformada Inversa: Distribuciones
Continuas
La idea del método de la transformada inversa es generar x a partir de u
1.0
cdf (0, 1)
0.8 u = F(x) = 0.75
0.6
u U(0, 1)
0.4
0.2
x = F 1(u) = 0.68
0.0
4 2 0 2 4
x (0, 1)
Continuas
¿Cómo usamos este resultado?

Sea U ∼ U (0, 1). Luego, F (X) = U significa que la variable aleatoria F −1 (U )
tiene la misma distribución que X
Método de la transformada inversa

El método de la transformada inversa para generar una variable aleatoria X con
cdf F (x) es el siguiente:
1 Muestrear U desde U (0, 1)
2 Retornar X = F −1 (U )
Ejemplo: distribución uniforme

La distribución U (a, b), con F (x) = x−a
b−a , para a ≤ x ≤ b.
Despejando X en F (X) = (X − a)/(b − a) = U nos da X = a + (b − a)U

Continuas
Ejemplo: distribución exponencial

La distribución Exp(λ), con F (x) = 1 − e−λx , para x ∈ R+ .
Despejando X en F (X) = U nos da
1 1
X = − ln(1 − U ) o X = − ln(U )
λ λ
Ejemplo: distribución de Weibull

β
La distribución Weib(λ, β), con F (x) = 1 − e−(λx) , para x ∈ R+ .
Despejando X en F (X) = U nos da
1 1 1 1
X= − ln(1 − U ) β o X= − ln(U ) β
λ λ

Continuas
Ejemplo: distribución triangular

La distribución Tria(0, 1, 2) tiene pdf
(
x si 0 ≤ x < 1
f (x) = .
2 − x si 1 ≤ x ≤ 2
La cdf es
x2
(
2 si 0 ≤ x < 1
F (x) = (x−2)2 .
1− si 1 ≤ x ≤ 2
2
√
Si U < 1/2, resolvemos X 2 /2 = U para obtener X = 2U . p
Si U ≥ 1/2, la única raı́z de 1 − (X − 2)2 /2 = U en [1, 2] es X = 2 − 2(1 − U ).
√ √
Ası́, por ejemplo, si U = 0,3, tomamos X = 2 · 0,3 = 0,6
Observación: ¡No reemplazar U por 1 − U aquı́!

Continuas
Ejemplo: distribución normal estándar

Desafortunadamente, la cdf inversa Φ−1 (·) no tiene forma analı́tica. ¡Esto es a
menudo un problema con el método de la transformada inversa!
Solución fácil: Hacer una tabla de búsqueda (lookup table). E.g., si U = 0,975,
entonces Z = Φ−1 (U ) = 1,96.
Aproximación portátil bruta: la siguiente aproximación da al menos un lugar
decimal de precisión para 0,00134 ≤ U ≤ 0,98865:
U 0,135 − (1 − U )0,135
Z = Φ−1 (U ) ≈ .
0,1975
Por ejemplo, si U = 0,975, usando la aproximación previa tenemos Z ≈ 1,9688

Continuas

Aquı́ hay una solución portátil mejor: la siguiente aproximación tiene un error
absoluto ≤ 0,45 · 10−3 :
c0 + c1 t + c2 t2

Z = sign(U − 1/2) t − ,
1 + d1 t + d2 t2 + d3 t3
donde sign(x) ∈ {1, 0, −1} si x ∈ R+ , x = 0 o x ∈ R− , respectivamente,

21
2
t= − ln mı́n(U, 1 − U ) ,
c0 = 2,515517, c1 = 0,802853, c2 = 0,010328,

d1 = 1,432788, d2 = 0,189269, d3 = 0,001308.

Continuas
En cualquier caso, si Z ∼ N (0, 1) y quisiéramos X ∼ N (µ, σ 2 ), sólo tomar

X ← µ + σZ

Suponer que se quiere generar X ∼ N (10, 9), y se comienza con U = 0,85. Luego,
X = µ + σZ
= 10 + 3Φ−1 (0,85)
= 10 + 3 · (1,0364)
= 13,1093

Discretas
Para distribuciones discretas, a menudo es mejor construir una tabla
Ejemplo discreto pequeño: distribución Bernoulli
x P(X = x) F (x) U (0, 1)’s

0 1−p 1−p [0, 1 − p]
1 p 1 (1 − p, 1]
Si U ≤ 1 − p, entonces tomar X = 0; en otro caso, X = 1. Por ejemplo, si p = 0,75 y generamos
U = 0,17, tomamos X = 0.
Alternativamente, podemos construir la siguiente tabla “al revés” (que no es estrictamente transformada
inversa, pero es la que suelo usar)
x P(X = x) U (0, 1)’s

1 p [0, p]
0 1−p (p, 1]
Si U ≤ p, tomar X = 1; en otro caso, X = 0

Discretas
Ejemplo
Suponer que tenemos una pmf discreta un poco menos trivial
x P(X = x) F (x) U (0, 1)’s

−1 0,6 0,6 [0,0, 0,6]
2,5 0,3 0,9 (0,6, 0,9]
4 0,1 1,0 (0,9, 1,0]
Por tanto, si U = 0,63, tomamos X = 2,5
A veces hay una forma fácil de evitar construir una tabla
Ejemplo: distribución uniforme discreta

La distribución uniforme discreta en k ∈ {1, 2, . . . , n} es representada como P(X = k) = 1/n.
Claramente, X = dnU e, donde d·e es la función techo (ceiling ). Ası́ que, si n = 10 y U = 0,376, entonces
X = d3,76e = 4

Discretas
Ejemplo: distribución geométrica

La distribución geométrica con pmf
f (k) = q k−1 p,
y cdf
F (k) = 1 − q k
para k ∈ {1, 2, . . . }, donde q = 1 − p. Por lo tanto, luego de un poco de álgebra

ln(1 − U ) ln(U )
X = mı́n{k : 1 − q k ≥ U } = ∼ .
ln(1 − p) ln(1 − p)
Por ejemplo, si p = 0,3 y U = 0,72, obtenemos

ln(0,28)
X= =4
ln(0,7)

Discretas
Observación: También podemos generar Geom(p) contando experimentos Bern(p)

hasta obtener un éxito
Ejemplo: distribución geométrica
Queremos generar X ∼ Geom(1/6). Esto es lo mismo que contar el número de
lanzamientos de dados hasta que aparezca un 3 (o cualquier número particular),
donde los experimentos Bern(1/6) son los lanzamientos iid de dados.
Por ejemplo, si se lanza 6, 2, 1, 4, 3, entonces se detienen los lanzamientos en el
experimento Bernoulli X = 5, y esa es la respuesta
Pero la vida no siempre consiste en lanzar un dado. Una forma general de generar
una Geom(p) es contar el número de experimentos hasta Ui ≤ p. Por ejemplo, si
p = 0,3, entonces U1 = 0,71, U2 = 0,96 y U3 = 0,12 implican que X = 3

Discretas
Observación: si se tiene una distribución discreta como la Pois(λ) con un número

infinito de valores, se pueden escribir las entradas de la tabla hasta que la cdf sea
cercana a uno, generar exactamente un U , y luego buscar hasta encontrar
X = F −1 (U ), i.e., xi tal que U ∈ (F (xi−1 ), F (xi )]
x P(X = x) F (x) U (0, 1)’s

x1 f (x1 ) F (x1 ) [0, F (x1 )]
x2 f (x2 ) F (x2 ) (F (x1 ), F (x2 )]
x3 f (x3 ) F (x3 ) (F (x2 ), F (x3 )]
.. .. .. ..
. . . .

Discretas
Ejemplo: distribución de Poisson

e−2 2x
Suponer X ∼ Pois(2), tal que f (x) = x! para x ∈ {0, 1, 2, 3, . . . }
x P(X = x) F (x) U (0, 1)’s

0 0,1353 0,1353 [0, 0,1353]
1 0,2707 0,4060 (0,1353, 0,4060]
2 0,2707 0,6767 (0,4060, 0,6767]
3 0,1804 0,8571 (0,6767, 0,8571]
.. .. .. ..
. . . .
Por ejemplo, si U = 0,581, entonces X = 2

Continuas Empı́ricas
Si no se puede encontrar una buena distribución teórica para modelar una cierta
variable aleatoria, se podrı́a utilizar la cdf empı́rica de los datos {Xi }i∈[n] ,
Z(x)
F̂n (x) ≡ ,
n
donde [n] = {1, 2, . . . , n} y Z(x) representa el número de Xi ’s ≤ x. Notar que
F̂n (x) es una función escalonada con saltos de altura 1/n (cada vez que se
produce una observación).
Una ventaja de este método es que incluso aunque X es continua, el lema
Glivenko-Cantelli dice que F̂n (x) → F (x) para todo x cuando n → ∞. Ası́, F̂n (x)
es una buena aproximación a la verdadera cdf, F (x)

Para esto, primero se definen los puntos ordenados, X(1) ≤ X(2) ≤ · · · ≤ X(n) .
E.g., si X1 = 4, X2 = 1 y X3 = 6, entonces X(1) = 1, X(2) = 4 y X(3) = 6
𝐹(𝑥)
cdf empírica 𝐹෠𝑛 (𝑥)
1
cdf verdadera 𝐹(𝑥)

2
3
1
3
1 2 3 4 5 6 7 𝑥

n = 10 observaciones n = 30 observaciones
1.0 cdf (0, 1) cdf (0, 1)
cdf empírica cdf empírica
0.8
0.6
F(x)
0.4
0.2
0.0
n = 50 observaciones n = 500 observaciones
1.0 cdf (0, 1) cdf (0, 1)
cdf empírica cdf empírica
0.8
0.6
F(x)
0.4
0.2
0.0
4 2 0 2 4 4 2 0 2 4
x x

Dado que sólo se tiene un número finito de n observaciones, podemos convertir la

cdf empı́rica en una variable aleatoria continua usando una interpolación lineal
entre los X(i) ’s. Sea


 0 x < X(1)
i−1 x−X(i)
F (x) = + (n−1)(X(i+1) −X(i) ) X(i) ≤ x < X(i+1) , ∀i ∈ [n − 1] ,
 n−1
1 x ≥ X(n)

y
1 Definir F (X) = U ∼ U (0, 1). Sea P = (n − 1)U y I = dP e
2 Resolver para obtener X = X(I) + (P − I + 1)(X(I+1) − X(I) )

Ejemplo
𝐹(𝑥)
cdf empírica 𝐹෠𝑛 (𝑥)
Suponer X(1) = 1, X(2) = 4 y X(3) = 6. 1
Si U = 0,73, entonces 𝑈 = 0.73 cdf verdadera 𝐹(𝑥)
P = (n − 1)U = 1,46 y I = dP e = 2. 2
3
Ası́, cdf interpolada 𝐹(𝑥)
X = X(I) + (P − I + 1)(X(I+1) − X(I) ) 3
= X(2) + (1,46 − 2 + 1)(X(3) − X(2) ) 𝑋 = 4.92
1 2 3 4 5 6 7 𝑥
= 4 + (0,46)(6 − 4) = 4,92

Check (forma un poco distinta):

(
0 + x−1 1 ≤ x < 4 (caso i = 1)
F (x) = 1 2·(4−1)x−4
.
2 + 2·(6−4) 4 ≤ x ≤ 6 (caso i = 2)
Estableciendo F (X) = U y resolviendo para los dos casos, tenemos

(
1 + 6U U < 12
X= .
2 + 4U U ≥ 12
Luego U = 0,55 implica X = 2 + 4 · (0,55) = 4,2

Ejemplo
Podemos usar una cdf empı́rica aproximada cuando se trabaja con datos
agrupados. Veamos una muestra de 100 tiempos de reparación
Intervalo Frecuencia Frecuencia relativa F̂ (x) aproximada

0,25 ≤ x ≤ 0,5 31 0,31 0,31
0,5 < x ≤ 1,0 10 0,10 0,41
1,0 < x ≤ 1,5 25 0,25 0,66
1,5 < x ≤ 2,0 34 0,34 1,00
¿Cómo construir una realización X desde F̂ (x)? Usar el hecho de que

F̂ (X) ∼ U (0, 1) y aplicar la transformada inversa, i.e., X = F̂ −1 (U )

Por ejemplo, si U ∈ (0,66, 1,0] (las últimas dos entradas F̂ (x) de la tabla),
entonces
−1
F̂ (1,0) − F̂ −1 (0,66)

X = F̂ −1 (0,66) + (U − 0,66)
1,0 − 0,66

2,0 − 1,5
= 1,5 + (U − 0,66)
1,0 − 0,66
= 1,5 + 1,471 · (U − 0,66)
Por lo tanto, e.g., si U = 0,77, entonces X = 1,66181

Para hacer esto de forma general, se necesita:
1 Generar U ∼ U (0, 1)
2 Encontrar el intervalo F̂ (x) en el cual se encuentre U , i.e., i tal que
ri < U ≤ ri+1 . En el ejemplo anterior,
r1 r2 r3 r4 r5
0,0 0,31 0,41 0,66 1,0
3 Sea xi el extremo izquierdo del i-ésimo intervalo X, y sea αi el recı́proco de

la pendiente del i-ésimo intervalo
x1 x2 x3 x4 x5
0.25 0.50 1.0 1.5 2.0
α1 α2 α3 α4 α5
0.81 5.0 2.0 1.47 -
4 X = xi + αi (U − ri )
Contenido
1 Introducción
6 Otros Métodos

Método de Composición: Idea General
Suponer una variable aleatoria que proviene de dos variables aleatorias. E.g., un
avión puede salir tarde por dos razones: retrasos en el tráfico aéreo y en el
mantenimiento, que componen el tiempo total de retraso
Objetivo del método de composición

Generar una variable aleatoria con cdf
∞
X
F (x) = pi Fi (x),
i=1
donde pi > 0 para todo i, 1> p = 1, y los Fi (x)’s son cdf’s “fáciles” para generar
realizaciones. Esto se hace de la siguiente manera
1 Generar I ∈ Z+ tal que P(I = i) = pi para todo i
2 Retornar X de la cdf FI (x)

Método de Composición: Idea General
Demostración.
Por la ley de probabilidad total (ver Capı́tulo 1), X tiene cdf F (x):
∞
X
P(X ≤ x) = P(X ≤ x|I = i)P(I = i)
i=1
X∞
= Fi (x)pi
i=1
= F (x)

Método de Composición: Ejemplo
Distribución de Laplace
La distribución exponencial doble (o Laplace) es representada por
( (
0,5ex x<0 0,5ex x<0
f (x) ≡ y F (x) ≡
0,5e−x x>0 1 − 0,5e−x x>0
𝑓(𝑥)
𝐹(𝑥)
𝑥 𝑥

Método de Composición: Ejemplo
Distribución de Laplace
Por ahora, descompongamos X en distribuciones “exponenciales negativas” y
exponenciales regulares
( (
ex x<0 0 x<0
F1 (x) ≡ y F2 (x) ≡ .
1 x>0 1 − e−x x>0
Luego, F (X) = 0,5F1 (x) + 0,5F2 (x).

Usaremos la transformada inversa para resolver F1 (X) = eX = U en términos de
X la mitad de las veces, y F2 (X) = 1 − e−X = U la otra mitad. Luego,
(
ln(U ) c.p. 0,5
X←
− ln(U ) c.p. 0,5

Contenido
1 Introducción
6 Otros Métodos

Método de Convolución: Idea General
Definición 4.1
Convolución hace referencia a la suma de cosas
Ejemplo: distribución binomial

Pn
Si {Xi }i∈[n] ∼ Bern(p) son iid, entonces Y = i=1 Xi ∼ Bin(n, p).
Ya sabemos cómo obtener variables aleatorias Bernoulli a través de la
transformada inversa: suponer que {Ui }i∈[n] son U (0, 1) iid. Si Ui ≤ p, definir
Xi = 1; en otro caso, definir Xi = 0. Repetir para i = 1, . . . , n. Sumar hasta
obtener Y .
Por ejemplo, si Y ∼ Bin(3, 0,4) y U1 = 0,63, U2 = 0,17 y U3 = 0,81, entonces
Y =0+1+0=1

Método de Convolución: Ejemplos
Ejemplo: distribución triangular

Se puede mostrar que si U1 y U2 son U (0, 1) iid, entonces U1 + U2 es
Tria(0, 1, 2). (Esto es más fácil–pero quizás no más rápido–que nuestro método de
la transformada inversa)
+ =
0 1 0 1 0 1 2

Método de Convolución: Ejemplos
Ejemplo: distribución de Erlang

Pn
Si {Xi }i∈[n] ∼ Exp(λ) son iid, entonces Y = i=1 Xi ∼ Erlang(λ). Por la
transformada inversa, tenemos
n
X
Y = Xi
i=1
n
X 1
= −
ln(Ui )
i=1
λ
Y n
1
= − ln Ui .
λ i=1
Esto sólo toma una evaluación de logaritmo natural, por lo que es bastante
eficiente

Contenido
1 Introducción
6 Otros Métodos

Método de Aceptación y Rechazo: Idea General
Motivación
La mayorı́a de las cdf’s no pueden ser invertidas fácilmente. Aceptación y rechazo
(A-R) muestrea desde una distribución que es “casi” la que queremos, y luego lo
ajusta al “aceptar” sólo una cierta proporción de estas muestras
Ejemplo simple
Generar una variable aleatoria U (2/3, 1). Aquı́ está el algoritmo A-R
1 Generar U ∼ U (0, 1)
2 Si U ≥ 2/3, se acepta X ← U . En otro caso, se rechaza y se vuelve al Paso 1

Notación
Suponer que queremos simular una variable aleatoria continua X con pdf f (x),
pero que es difı́cil de generar directamente. También suponer que podemos
fácilmente generar una variable aleatoria con pdf h(x) ≡ t(x)/c, donde t(x)
“mayoriza” (majorizes) f (x), i.e.,
t(x) ≥ f (x) x ∈ R,
y Z Z
c≡ t(x)dx ≥ f (x)dx = 1,
R R
donde asumimos que c < ∞
0.5 f(x)
t(x)
0.4
0.3
f(x)
0.2 Rechazar
0.1
Aceptar
0.0
6 4 2 0 2 4 6
x
Notación
Usualmente, f (x) y t(x) son conocidas como las distribuciones objetivo (target) y
propuesta (proposal), respectivamente
Teorema 5.1 (von Neumann 1951)

Definir g(x) ≡ f (x)/t(x) y notar que 0 ≤ g(x) ≤ 1 para todo x. Sea U ∼ U (0, 1),
y sea Y una variable aleatoria (independiente de U ) con pdf h(y) = t(y)/c. Si
U ≤ g(Y ), entonces Y tiene pdf (condicional) f (y)
Esto sugiere el siguiente algoritmo
Resultado: Muestra de f (x) a partir de h(y)

repetir
Generar U desde U (0, 1)
Generar Y desde h(y) (independiente de U )
g(Y ) = ft(Y
(Y ) f (Y )
) = c·h(Y )
hasta que U ≤ g(Y );
devolver X ← Y

Ejemplo
Ejemplo
Generar una variable aleatoria con pdf f (x) = 60x3 (1 − x)2 para 0 ≤ x ≤ 1. Esta
no se puede invertir analı́ticamente. Notar que el máximo ocurre en x = 0,6, y
f (0,6) = 2,0736.
Usando la majorizing function t(x) = 2,0736 para 0 ≤ x ≤ 1 (que no es muy
R1
eficiente), obtenemos c = 0 t(x)dx = 2,0736, y ası́
t(y)
h(y) = = 1,
c
con 0 ≤ y ≤ 1 (i.e., una pdf U (0, 1)), y
f (y) 60y 3 (1 − y)2

g(y) = = .
t(y) 2,0736
E.g., si generamos U = 0,13 e Y = 0,25, entonces U ≤ g(0,25) = 60Y 3 (1 − Y )2 ,

ası́ tomamos X ← 0,25

Ejemplo
Ejemplo
−x 2
Generar una variable aleatoria semi-normal estándar con pdf f (x) = √2 e 2
2π
para x ∈ R+ . Usando la majorizing function
r
2e −x
t(x) = e ≥ f (x) ∀x ≥ 0,
π
tenemos
2e ∞ −x
r Z r
2e
c= e dx = = 1,3155,
π 0 π
t(y)
h(y) = = e−y ,
c
y
f (y) −(y−1)2
g(y) = =e 2
t(y)

Ejemplo
Podemos usar el resultado de la semi-normal para generar una realización N (0, 1)

de la siguiente forma:
1 Generar U desde U (0, 1)
2 Generar X desde la distribución semi-normal
3 Retornar (
−X U ≤ 0,5
Z= .
X U > 0,5
Recordatorio: Podemos entonces generar una variable aleatoria N (µ, σ 2 ) usando

la transformación obvia µ + σZ

Contenido
1 Introducción
6 Otros Métodos

Método Box-Muller
El método Box-Muller es una forma sencilla para generar normales estándar
Teorema 6.1
Si U1 , U2 son U (0, 1) iid, entonces
p
Z1 = −2 ln(U1 ) cos(2πU2 )
p
Z2 = −2 ln(U1 ) sin(2πU2 )
son N (0, 1) iid
Notar que los cálculos trigonométricos deben realizarse en radianes

Método Box-Muller
1.0
3
0.8
2
0.6 1
Z2
U2
0
0.4
1
0.2 2
3
0.0
0.0 0.2 0.4 0.6 0.8 1.0 4 3 2 1 0 1 2 3 4
U1 Z1

Método Box-Muller
Algunos corolarios interesantes siguen directamente de Box-Muller
Ejemplo
Notar que
Z12 + Z22 ∼ χ2 (1) + χ2 (1) ∼ χ2 (2).
Pero,
Z12 + Z22 = −2 ln(U1 ) cos2 (2πU2 ) + sin2 (2πU2 )

= −2 ln(U1 )
= Exp(1/2).
Por tanto, acabamos de demostrar que
χ2 (2) ∼ Exp(1/2)

Método Polar
Este método es un poco más rápido que Box-Muller. Se puede resumir como:
1 Generar U (0, 1) iid U1 , U2 .
Sea Vi = 2Ui − 1 para i = 1, 2, y W = V12 + V22 .
2 Si W > 1, rechazar y volver al Paso 1. En otro caso, definir
p
Y = −2 ln(W )/W ,
y aceptar Zi ← Vi Y para i = 1, 2.
Luego, Z1 y Z2 son N (0, 1) iid

Polar Method
Estado
1.2 Aceptado 3
Rechazado
1.0 2
0.8 1
0.6 0
Z2
U2
0.4 1
0.2 2
0.0
3
0.2
4
0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 4 3 2 1 0 1 2 3 4
U1 Z1

Universidad Andrés Bello
Facultad de Ingenierı́a
Ingenierı́a Civil Industrial
Generación de Variables Aleatorias

ICI3217 - Simulación
Marcel Favereau
Primer Semestre 2022

Capitulo 5 - Generacion de Variables Aleatorias

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 5 - Generacion de Variables Aleatorias

Cargado por

Copyright:

Formatos disponibles

Universidad Andrés Bello

Generación de Variables Aleatorias

Primer Semestre 2022

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 1 / 52

2 Método de la Transformada Inversa

5 Método de Aceptación y Rechazo

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 2 / 52

2 Método de la Transformada Inversa

5 Método de Aceptación y Rechazo

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 3 / 52

Una simulación que tiene algún componente aleatorio debe incluir un

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 4 / 52

Una simulación que tiene algún componente aleatorio debe incluir un

Estas distribuciones a menudo son especificadas (a través de métodos

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 4 / 52

Una simulación que tiene algún componente aleatorio debe incluir un

Estas distribuciones a menudo son especificadas (a través de métodos

En este capı́tulo también abordaremos el tema de cómo generar realizaciones

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 4 / 52

Una simulación que tiene algún componente aleatorio debe incluir un

Estas distribuciones a menudo son especificadas (a través de métodos

En este capı́tulo también abordaremos el tema de cómo generar realizaciones

Recordar de nuestro último capı́tulo que el ingrediente básico de cada método

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 4 / 52

Una simulación que tiene algún componente aleatorio debe incluir un

Estas distribuciones a menudo son especificadas (a través de métodos

En este capı́tulo también abordaremos el tema de cómo generar realizaciones

Recordar de nuestro último capı́tulo que el ingrediente básico de cada método

Por esta razón, es esencial que este disponible un generador de números

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 4 / 52

Distribuciones continua como la normal, exponencial y empı́rica

Distribuciones discretas como la binomial, Bernoulli, Poisson y empı́rica

Normal multivariada, N (µ, Σ)

Modelos autorregresivos y sus derivaciones

Movimiento browniano (Brownian motion)

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 5 / 52

2 Método de la Transformada Inversa

5 Método de Aceptación y Rechazo

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 6 / 52

Teorema de la transformada inversa

H(y) = P(Y ≤ y) = P(F (X) ≤ y)

donde podemos definir la cdf inversa F −1 (z) como

F −1 (z) = mı́n{x : F (x) ≥ z} z ∈ [0, 1]

La representación anterior puede ser aplicada a distribuciones continuas o

0.8 u = F(x) = 0.75

¿Cómo usamos este resultado?

Método de la transformada inversa

Ejemplo: distribución uniforme

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 9 / 52

Ejemplo: distribución exponencial

Ejemplo: distribución de Weibull

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 10 / 52

Ejemplo: distribución triangular

Observación: ¡No reemplazar U por 1 − U aquı́!

Ejemplo: distribución normal estándar

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 12 / 52

Ejemplo: distribución normal estándar

donde sign(x) ∈ {1, 0, −1} si x ∈ R+ , x = 0 o x ∈ R− , respectivamente,

c0 = 2,515517, c1 = 0,802853, c2 = 0,010328,

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 13 / 52

En cualquier caso, si Z ∼ N (0, 1) y quisiéramos X ∼ N (µ, σ 2 ), sólo tomar

Ejemplo: distribución normal estándar

Marcel Favereau (UNAB) Generación de Variables Aleatorias ICI3217 / 2022-1 14 / 52

Ejemplo discreto pequeño: distribución Bernoulli