Generación de variables aleatorias

Método de Aceptación y Rechazo

Generando variables aleatorias por propiedades
Generando variables aleatorias usando mezclas
Generar de distribuciones truncadas
Método de Aceptación y Rechazo Adaptativo - ARS

2 / 47
 Método de Aceptación y Rechazo

Método de Aceptación y Rechazo

En este método se considera simular valores de una cierta distribución que
se fácil de generar, para luego utilizar estos valores para generar valores de
la distribución de interés. Sea
f (x) la distribución de interés.
g(y) la distribución generadora de candidatos, que es fácil de simular.
Además, se cumple que
f (y)
≤ c ∀y ∈ R.
g(y)
Algoritmo
Se usa el siguiente algoritmo:
1 Genere un valor aleatorio y de la distribución de g(y).
2 Genere un valor aleatorio u de una distribución Uniforme(0, 1).
f (y)
3 Si u ≤ ⇒ x = y, en caso contrario ir al paso 1.
cg(y)
3 / 47
 Método de Aceptación y Rechazo

Ejemplo 7
Genere X ∼ Beta (α = 2, β = 1) siendo su f.d.p.

f (x) = 2x, 0 < x < 1

Como 0 < x < 1 , podemos usar como distribución generadora de

candidatos a Y ∼ U (0, 1), cuya f.d.p. es dada por

g(y) = 1

Luego, debemos hallar c tal que

f (y) 2y
= ≤c
g(y) 1
Como 0 ≤ y ≤ 1, entonces 0 ≤ 2y ≤ 2 y por tanto el valor máximo de
f (y)
se consigue para c = 2.
g(y)
4 / 47
 Método de Aceptación y Rechazo

Para ilustrar el Método de Aceptación y Rechazo podemos hacer un gráfico

en R de la distribución de la que se desea simular f (x) y la distribución
generadora de candidatos g(x).

Uso de R

curve ( dbeta (x ,2 ,1) ,0 ,1 , col =1 , lwd =2 , ylim = c (0 ,3) ,

xla =" x " ,
ylab =" Densidad " ,
main =" Distribución Beta (2 ,1) con propuesta Uniforme ")

curve (2* dunif (x ,0 ,1) , col =2 , lwd =2 , add = T )

legend (.6 ,3 , c (" f ( y ) " ," cg ( y ) ") , col = c (1 ,2) , lty =1 , lwd =2 , cex =1.2)

5 / 47
 Método de Aceptación y Rechazo

Distribución Beta(2,1) con propuesta Uniforme

3.0
f(y)
cg(y)
2.5
2.0
Densidad

1.5
1.0
0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
6 / 47
 Método de Aceptación y Rechazo
Finalmente el algoritmo serı́a:
1 Generamos y ∼ U (0, 1)

2 Generamos u ∼ U (0, 1)
2y
3 Si u ≤ 2(1) = y ⇒ x = y. Caso contrario volver al paso 1.
Usando R
M < -10000
x < - numeric ( M )
for ( h in 1: M ) {
cond < -0

while ( cond ==0) {

y < - runif (1) # Generar un candidato
u < - runif (1) # Generar u ~ U (0 ,1)
if (u <= y ) { # Aceptar el candidato
x[h]<-y
cond < -1
}
}
}

7 / 47
 Método de Aceptación y Rechazo

Ejemplo 8

Sea X una v.a. discreta que da cuenta del número de preguntas

contestadas correctamente de una lista de ejercicios.

x 1 2 3 4 5
P (X = x) 0.15 0.22 0.33 0.10 0.20

Indique el algoritmo para simular esta distribución usando el Método de

Aceptación y Rechazo.

8 / 47
 Método de Aceptación y Rechazo

Tome px = f (x) = P (X = x) y como X es discreta, podemos con-

siderar como una distribución alternativa Y a la distribución uniforme
discreta en {1, 2, 3, 4, 5} cuya función de probabilidad es
1
q = g(y) = , y = 1, 2, 3, 4, 5.
5
f (y)
Calculamos el c que satisface ≤ c y sea lo más pequeño posible,
g(y)
f (y)
para esto consideraremos c como el valor máximo de
g(y)

f (y) max{f (y)} 0.33

1 = 1 = 1 = 1.65 = c
5 5 5

9 / 47
 Método de Aceptación y Rechazo

Para ilustrar el Método de Aceptación y Rechazo podemos hacer un gráfico

en R de la distribución de la que se desea simular f (x) y la distribución
generadora de candidatos g(x).

Uso de R

p < - c (0.15 , 0.22 , 0.33 , 0.10 , 0.20)

plot (1:5 , p , pch =16 , xlab =" x " , ylab =" Probabilidad " , ylim = c (0 ,0.45) , c
main =" Distribución Discreta con propuesta Uniforme
Discreta ")

points (1:5 , rep (1.65/5 ,5) , col =2 , pch =8 , cex =2)

legend (3.5 ,.45 , c (" f ( y ) " ," cg ( y ) ") , col = c (1 ,2) , pch = c (16 ,8) , cex =1.2

10 / 47
 Método de Aceptación y Rechazo

Distribución Discreta con propuesta Uniforme Discreta

● f(y)
0.4
cg(y)

●
0.3
Probabilidad

●
0.2

●
0.1

●
0.0

1 2 3 4 5

x
11 / 47
 Método de Aceptación y Rechazo

El algoritmo final es el siguiente:

1 Generamos valores de la distribución uniforme discreta en {1,2,3,4,5}

2 Generamos valores u de la distribución uniforme continua en (0, 1)

f (y) py
3 Si u ≤ = entonces x = y , caso contrario ir a 1.
1.65g(y) 1.65q

12 / 47
 Método de Aceptación y Rechazo

Usando R

M < -10000
x < - numeric ( M )
p < - c (0.15 ,0.22 ,0.33 ,0.10 ,0.20)

for ( h in 1: M ) {
cond < -0
while ( cond ==0) {
y < - sample (1:5 ,1) # Generar un candidato
u < - runif (1) # Generar u ~ U (0 ,1)
if (u <= p [ y ]/.33) { # Aceptar el candidato
x[h]<-y
cond < -1
}
}
}

13 / 47
 Método de Aceptación y Rechazo

Ejemplo 9

Generar valores de una distribución normal X ∼ N (µ, σ 2 ) usando el método

de Aceptación y Rechazo.
Es conocido que si Z ∼ N (0, 1) ⇒ x = µ + σZ ∼ N (µ, σ 2 ) por lo que
es suficiente saber generar Z ∼ N (0, 1).
Sabemos que:
1 1 2
f (z) = √ e− 2 z , −∞ < z < ∞
2π
Notemos que:
2 1 2
Y = |Z| ⇒ f (y) = √ e− 2 y , y > 0
2π

14 / 47
 Método de Aceptación y Rechazo

En este caso una distribución candidata para generar de Y es la expo-

nencial.
Y ∼ Exp( 1) , g(y) = e−y , y > 0
que es una variable fácil de generar como hemos visto antes, usando el
método de la Transformada Inversa.

En el método de aceptación y rechazo debemos buscar un c tal que

f (y)
h(y) = ≤ c para todo y y además c debe ser lo más pequeño
g(y)
posible para que el algoritmo sea más eficiente.

Encontrar el valor de c cumpla estas dos condiciones que equivale a

maximizar h(y).

15 / 47
 Método de Aceptación y Rechazo

Entonces 1 2
√2
2π
e− 2 y 2 1 2
h(y) = = √ e− 2 y +y
e−y 2π
Tomamos la primera derivada
2 1 2
h0 (y) = √ e− 2 y +y (−y + 1) = 0 ⇒ y = 1
2π
De la segunda derivada
2 1 2 1 2
h00 (y) = √ e− 2 y +y (−y + 1)2 + e− 2 y +y (−1)
2π
vemos que h00 (y = 1) < 0 ⇒ y = 1 es un máximo.
1 2 )+1 1
Ası́ tenemos que h(1) = √2
2π
e− 2 (1 = √2
2π
e2 = c

16 / 47
 Método de Aceptación y Rechazo

Para ilustrar el Método de Aceptación y Rechazo podemos hacer un gráfico

en R de la distribución de la que se desea simular f (x) y la distribución
generadora de candidatos g(x).

Uso de R

curve (2* dnorm ( x ) ,0 ,4 , lwd =2 , ylim = c (0 ,2* exp (.5) ) / sqrt (2* pi ) ,
ylab =" Densidad " ,
xlab =" x " ,
main =" Distribución Normal (0 ,1) con propuesta Exp (1) ")

curve (2* exp (.5) * dexp (x ,1) / sqrt (2* pi ) , col =2 , lwd =2 , add = T )

abline ( h =0)
abline ( v =0)

legend (3 ,1.2 , c (" f ( y ) " ," cg ( y ) ") , col = c (1 ,2) , lty =1 , lwd =2 , cex =1.2)

17 / 47
 Método de Aceptación y Rechazo

Distribución Normal(0,1) con propuesta Exp(1)

1.2 f(y)
cg(y)
1.0
0.8
Densidad

0.6
0.4
0.2
0.0

0 1 2 3 4

x
18 / 47
 Método de Aceptación y Rechazo

Utilizando el valor c tenemos que

f (y) 1 2 1 2 1 2 1 1 2
= 1( √ e− 2 y +y ) = e− 2 y +y− 2 = e− 2 (y−1)
cg(y) √2 e2 2π
2π

19 / 47
 Método de Aceptación y Rechazo

Ejemplo 9 (continuación)

Algoritmo
1 Generar y de f (y). Para esto
(a) Generamos u1 ∼ U (0, 1)
(b) Generamos w ∼ Exp(1) esto es w = − log(u1 )
(c) Generamos u2 ∼ U (0, 1)
1 2
(d) Si u2 ≤ e− 2 (w−1) ⇒ y = w. Caso contrario volvemos al paso (a).

2 Generar de Z ∼ N (0, 1). Como y = |z| ⇒ y = {z, z > 0} con

p = 12 o y = {−z, z < 0 } con p = 21
También podemos verlo como:
1 1
z = y con p = , o z = −y con p =
2 2
(a) Generamos u3 ∼ U (0, 1)
(b) Si U3 < 0.5 ⇒ z = y caso contrario z = −y

3 Hacemos x = µ + σz para tener un valor de X ∼ N (µ, σ) .

20 / 47
 Método de Aceptación y Rechazo

El proceso de simulación del paso 1 se puede acelerar de la siguiente

manera:
(a) Generar u1 ∼ U (0, 1) , u2 ∼ U (0, 1)
(b) Se hace y1 = − log u1 y2 = − log u2
(c) Si y2 ≥ 21 (y1 − 1)2 ⇒ y = y1 caso contrario volver al paso (a).

21 / 47
 Método de Aceptación y Rechazo

Usando R
M < -10000
z < - numeric ( M )

for ( h in 1: M ) {
cond < -0
# Paso 1
while ( cond ==0) {
u1 < - runif (1) # Generar u1 ~ U (0 ,1)
u2 < - runif (1) # Generar u2 ~ U (0 ,1)
y1 < - - log ( u1 )
y2 < - - log ( u2 )
if ( y2 >0.5*( y1 -1) ^2) { # Aceptar el candidato
y < - y1
cond < -1
}
}
# Paso 2
u3 < - runif (1) # Generar u3 ~ U (0 ,1)
z [ h ] < - sign ( u3 -0.5) * y # Obtener z ~ N (0 ,1)
}

22 / 47
 Método de Aceptación y Rechazo

Ejercicios

1 Encontrar un algoritmo para generar valores de una distribución Beta

con parámetros α = 2 y β = 4. Sugerencia: Use como distribución
generadora de candidatos la distribución Uniforme.

2 Encontrar un algoritmo para generar valores de una distribución Gama

con parámetros α = 3/2 y β = 1. Sugerencia: Use como distribución
generadora de candidatos la distribución Exp(2/3).

3 Encontrar un algoritmo para generar valores de una v.a. X con distri-

bución
8 3
f (x) = (1 − x2 ) 2 , −1 < x < 1
3π
.

23 / 47
 Generando variables aleatorias por propiedades

Generando variables aleatorias por propiedades

Existen otros métodos para generar variables aleatorias que se basan

en las propiedades que estas variables siguen.

Por ejemplo, un método para generar v.a’s. normales independientes

X ∼ N (0, 1) , Y ∼ N (0, 1) es el método de Box - Muller que descri-
bimos a continuación.

24 / 47
 Generando variables aleatorias por propiedades

Método de Box - Muller

Considere la distribución conjunta como

1 − 1 (x2 +y2 )
fX,Y (x, y) = e 2 = fX (x)fY (y)
2π

Haciendo la siguiente transformación:

y
m = x2 + y 2 , θ = arctan
x
el Jacobiano es :
! !
dm dm 2x 2y
dx dy
J= dθ dθ = −y 1
y 2 2 y 2
dx dy (1+( x ) )x (1+( x ) )x

25 / 47
 Generando variables aleatorias por propiedades

La función de densidad conjunta de m y θ es dado por

 
−1 1 1 −1
fm,θ (m, θ) = |J| fX,Y (m, θ) = e (m)
2 2π 2
donde
2x 2y 2 2x2 2y 2
|J| = y 2 + y 2 2 = 2 + =2
(1 + ( x ) )x (1 + ( x ) )x x + y 2 x2 + y 2

Por lo que tenemos

1 −1m h 1 i1 −1m
f m, θ ( m, θ) = e 2 = e 2
4π 2π 2
y por tanto se puede reconocer que
1
θ ∼ U (0, 2π) , m ∼ exp ( )
2
26 / 47
 Generando variables aleatorias por propiedades

Método de Box - Muller

Entonces podemos generar

u1 ∼ U (0, 1) , u2 ∼ U (0, 1)

y hacer
θ = 2π u1 , m = −2 log u2
con los valores generados de θ y m puedo generar x e y usando
√ √
x= m cos θ , y = m sin θ.
Acelerando el proceso
1 U1 , U2 ∼ U (0, 1)
√ √
2 X = −2 log U1 cos(2πU2 ) Y = −2 log U1 sin(2πU2 ) donde
X ∼ N (0, 1) Y ∼ N (0, 1)

27 / 47
 Generando variables aleatorias por propiedades

Ejercicios

Implemente en R el método de Box-Muller. Grafique los valores gene-

rados y verifique si el método funciona adecuadamente.

28 / 47
 Generando variables aleatorias usando mezclas

Generando variables aleatorias usando mezclas

Recordemos que el vector aleatorio bivariado (x, y) ∼ fX,Y sigue esta

distribución conjunta la cual puede ser escrita como

fXY (x, y) = fX|Y (x) × fY (y)

llamadas respectivamente distribución conjunta, distribución condicio-

nal y distribución marginal.

Si fX|Y y fX son fáciles de generar, se pueden usar para generar fX,Y

29 / 47
 Generando variables aleatorias usando mezclas

Ejemplo 10
Generar de una distribución t de Student utilizando mezclas.

X ∼ t(v) donde v : grados de libertad.

−( v+1 )
Γ( v+1 x2

2√)
2
f (x) = 1 + , −∞ < x < ∞
Γ( v2 ) π v
Observaciones:
Si v = 1
1
f (x) = √ √ (1 + x2 )−1
π π
 
1 1
=
π 1 + x2
1
= , −∞ < x < ∞
π(1 + x2 )
Se obtiene la distribución de Cauchy.
30 / 47
 Generando variables aleatorias usando mezclas

Observaciones:
La distribución Normal, Cauchy, Logı́stica, t-Student son distribuciones
elı́pticas. Si X ∼ Elı́ptica (Localización = 0 , Escala=1) entonces
Y = µ + σX ∼ Elı́ptica (Localización= µ , Escala=σ)

La t-Student se genera a partir de de unaChi-cuadrado

 y de una Nor-
χ2 (v) 1
mal. Si Y ∼ , X | Y = y ∼ N 0, se puede probar que
v y
X ∼ t − Student(v) usando
Z Z
f (x) = f (x, y) dy = fX|Y (x) × fY (y) dy

En este caso se dice que la t-Student es una mezcla de Normal con una
medida de mezcla Gama.

χ2 (v) v v 
En este caso X ∼ ⇐⇒ X ∼ Gama , .
v 2 2
31 / 47
 Generando variables aleatorias usando mezclas

Algoritmo:
v v 
1 Generar Y ∼ Gama , .
2 2
 
1
2 Generar X ∼ N 0, .
y

3 (x, y) es un elemento fXY y x tiene distribución t-Student.

Usando R

M < -10000
v < -4
y < - rgamma (M ,0.5* v ,0.5* v )
x < - rnorm (M ,0 ,1/ sqrt ( y ) )

32 / 47
 Generando variables aleatorias usando mezclas

Ejercicios
1 Utilize R para generar 10000 valores de una v.a. t-student con v = 4
usando mezclas. Verifique gráficamente.
2 Una v.a., definida en toda la recta, tiene distribución normal asimétrica
(Azzalini, 1985) con parámetros de localización µ, de escala σ y de
asimetrı́a λ si su función de densidad es dada por la siguiente expresión:
   
2 x−µ x−µ
f (x) = φ Φ λ
σ σ σ
se utiliza la notación X ∼ SN (µ, σ, λ). Para µ = 0 y σ = 1 esta
distribución tiene las siguientes propiedades
Cuando λ = 0 ⇒ X ∼ N (0, 1)
Si X1 ∼ N (0, 1) y X2 ∼ N (0, 1), entonces
1 λ
X=√ X1 + √ |X2 | ∼ SN (0, 1, λ)
1 + λ2 1 + λ2
Genere valores de X ∼ SN (0, 1, 5).
33 / 47
 Generar de distribuciones truncadas

Generar de distribuciones truncadas

Dada una variable aleatoria X con función de distribución acumulada

F (x), la función de distribución acumulada de Y , restringida a un
intervalo [a, b] ⊂ R, GY (y) es dada por:

FX (y) − FX (a)
GY (y) = , x ∈ [a, b] a < b
FX (b) − FX (a)

Donde X es la v.a. no restringida con acumulada FX .

34 / 47
 Generar de distribuciones truncadas

Ejemplo 11
1 2
Generar de la normal positiva f (y) = √2
2π
e− 2 y , y>0
Esta distribución es una N ormal(0, 1) truncada a la derecha (para
valores positivos).

Entonces Y tiene distribución N (0, 1) truncada en el intervalo [a, b]

con [a, b] = [0, ∞]
FX (y) − FX (0)
GY (y) = ,x > 0
FX (∞) − FX (0)
1
FX (y) − 2
GY (y) = = 2FX (y) − 1 , y > 0
1 − 12
Luego utilizando el Método de la Transformada Inversa
 
−1 −1 U + 1
G (U ) = FX
2
35 / 47
 Generar de distribuciones truncadas

Usando R

# Genarar de N (0 ,1) truncada en [0 , infinito )

M < -10000
u < - runif ( M )
y < - qnorm (( u +1) /2)

36 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Método de Aceptación y Rechazo Adaptativo - ARS

El método de aceptación y rechazo adaptativo (Adaptive Rejection

Sampling) fue propuesto por Gilks y Wild (1992) y permite generar
fácilmente muestras de variables aleatorias continuas con densidad f (x)
que cumplan las siguientes condiciones:

(i) f (x) es una función continua y diferenciable en todo su dominio Rx

(ii) f (x) es una función log-concava, esto es, se debe cumplir que

d2
log(f (x)) < 0 ∀x ∈ Rx
dx2

37 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

El método ARS utiliza el hecho de que por ser logf (x) una función
cóncava esta puede ser acotada superiormente por sus tangentes.

La función formada por estas tangentes es utilizada para implementar

el método de aceptación y rechazo.

Debemos notar que cuando regresamos a la escala original la función

que acota a f (x) es una distribución exponencial por partes (piecewise
exponential distribution) de la cual podemos simular con facilidad.

38 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Logaritmo de la función de densidad Función de densidad

2.0
2

log f(x) f(x)

Tangentes función generadora
log función generadora de candidatos
de candidatos

1.5
1
log f(x)

f(x)

1.0
0

0.5
−1

0.0
−2

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

x x

39 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

El procedimiento es adaptativo porque los valores rechazados pueden

ser utilizados para actualizar la función definida por las tangentes y de
este modo acercarnos cada vez más a la f (x).

Para mayores detalles de como es implementado el ARS se sugiere

revisar Gilks y Wild (1992) y Wild y Gilks(1993).

Observación: Para aplicar este método solo necesitamos conocer la

función de densidad a menos de una constante, esto es, el ARS puede
ser aplicado en h(x), donde f (x) = ch(x) para algún valor desconocido
de c, esto es particularmente útil en inferencia bayesiana. Debemos
recordar que esta observación también se cumple para el método de
Aceptación y Rechazo simple.

40 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Esté método está implementado en el R en la librarı́a ars que utiliza

la siguiente sintaxis

ars(n=1,f,fprima,x=c(-4,1,4),ns=100,m=3,emax=64,lb=FALSE,
ub=FALSE,xlb=0, xub=0,...)

donde los argumentos son:

n tamaño de muestra
f función que calcula logf (x)
fprima función que calcula la primera derivada de logf (x)
x puntos iniciales
ns número máximo de puntos para construir las tangentes
m número de puntos iniciales
emax máximo valor para el cual es posible evaluar la función exponencial
lb valor lógico que indica si existe un limite inferior
xlb valor del limite inferior
ub valor lógico que indica si existe un limite superior
xub valor del limite superior

41 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Ejemplo 12

Generar observaciones de una N (2, 9).

Primero debemos probar si la distribución normal es log-concava,
2
1 1 (x−µ)
f (x) = √ e− 2 σ2
2πσ
1 (x − µ)2
 
1
logf (x) = log √ −
2πσ 2 σ2
d (x − µ)
logf (x) = −
dx σ2
d2 1
2
logf (x) = − 2
dx σ
d2
Es fácil verificar que dx2
f (x) < 0 ∀x ∈ <.

42 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Luego implementamos el ARS con el siguiente código:

library ( ars )
# Ejemplo 1: Generar valores de una distribución N (2 ,9)
# Función que evalúa el logaritmo de la densidad de
# una normal a menos de una constante
f < - function (x , mu =0 , sigma =1) { -1/(2* sigma ^2) *( x - mu ) ^2}

# Función que evalúa la primera derivada

fprima < - function (x , mu =0 , sigma =1) { -1/ sigma ^2*( x - mu ) }

# Generamos la muestra
y < - ars (10000 , f , fprima , mu =2 , sigma =3)

hist (y , prob = T )
curve ( dnorm (x ,2 ,3) , col =2 , add = T )

library ( lattice )
qqmath (y , distribution = function ( p ) qnorm (p ,2 ,3) )

43 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Histograma de los valores simulados Gráfico de cuantiles

10
0.14

●
Densidad de N(2,9)
●
0.12

●
●
●
●
●
●
●●
●●
0.10

●●
●●

5
●●
●●●

Cuantiles Teóricos
●
●●●●
●●●
●
0.08

●●
●
●●
Densidad

●
●●
●●
●
●
●●
●●
●
●
●●
●●
●
●
●●
●●
●
0.06

●
●●
●●
●
●
●●
●●
●
●
●●
●

0
●
●●
●●
●●
●●
0.04

●●
●●
●●
●●
●
●
●
0.02

●
●
●
●

−5
0.00

−15 −10 −5 0 5 10 15 −5 0 5 10

Valores Simulados Cuantiles Muestrales

44 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Ejemplo 13

Generar observaciones de una Gama(2, 2).

Primero debemos probar si la distribución Gama es log-concava,
ba a−1 −bx
f (x) = x e
Γ(a)
 a 
b
logf (x) = log + (a − 1)log(x) − bx
Γ(a)
d a−1
logf (x) = −b
dx x
d2 a−1
2
logf (x) = − 2
dx x
d2
Es fácil verificar que dx2
f (x) < 0 ∀x > 0 y a > 1.

45 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Luego implementamos el ARS con el siguiente código:

# Ejemplo 2: Generar valores de una Gamma (2 ,2)

f1 < - function (x ,a , b =1) {( a -1) * log ( x ) -b * x }

f1prima < - function (x ,a , b ) {( a -1) /x - b }

y < - ars (10000 , f1 , f1prima , x =4.5 , m =1 , lb = TRUE , xlb =0 , a =2 , b =2)

hist (y , prob = T )
curve ( dgamma (x ,2 ,2) , col =2 , add = T )

library ( lattice )
qqmath (y , distribution = function ( p ) qgamma (p ,2 ,2) )

46 / 47
 Método de Aceptación y Rechazo Adaptativo - ARS

Ejercicios

Generar observaciones de una Beta(2, 3).

Generar observaciones de una N(1,1) truncada en el intervalo (0,2).

47 / 47