Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ENSAYO
MÉTODOS PARA GENERAR VARIABLES
ALEATORIAS
P R E S E N T A:
21590049
• Método de convolución
Posibilita crear una repartición desde la suma
de distribuciones más necesarias o por medio
de la transformada z.
Muchas cambiantes aleatorias incluyendo la
habitual, binomial, poisson, gamma, erlang,
etcétera, tienen la posibilidad de manifestar
de manera precisa o aproximada por medio
de la suma lineal de otras cambiantes
aleatorias.
El procedimiento de convolución se puede utilizar constantemente y una vez que la variable
aleatoria x se logre manifestar como una mezcla lineal de k cambiantes aleatorias.
En este procedimiento es necesario crear k números aleatorios (u1,u2,...,uk) para crear
(x1,x2,...xk) cambiantes aleatorias utilizando alguno de los procedimientos anteriores y de
esta forma lograr tener un costo de la variable que se quiere obtener por convolución.
2
• Método de aceptación y rechazo
Una vez que f(x) es una funcionalidad acotada y x tiene un rango limitado, como a x b, se
usa este procedimiento
para hallar los valores de
SIMULACIÓN 19 las
cambiantes aleatorias. El
procedimiento se apoya en
normalizar el rango de f
por medio de un
componente de escala c,
después conceptualizar a x
como una funcionalidad
lineal de r, luego se crean
parejas de números
aleatorios r1, r2 y al final si
el número encontrado se escoge al azar dentro del rango (a,b) y r b, se usa este
procedimiento para hallar los valores de las cambiantes aleatorias. El procedimiento se basa
en normalizar el rango de f por medio de un elemento de escala c, después conceptualizar
a x como una funcionalidad lineal de r, luego se crean parejas de números aleatorios r1, r2
y finalmente si el número encontrado se escoge al azar dentro del rango (a, b) y r c f(x) se
acepta, en caso opuesto se rechaza. El problema de este procedimiento es la proporción de
intentos que se hacen antecedente de descubrir una pareja exitosa.
Este procedimiento es más probabilístico que el anterior. Los procedimientos de inversión,
estructura y convolución son procedimientos de generación directos, en el sentido en que
tratan de manera directa con la capacidad de repartición. El procedimiento de aceptación-
rechazo es menos directo en su aproximación.
3
Para hacer que se rechacen el menor número de puntos posibles la función t(x) debe ser la
mínima función que acote a f(x).
• Método de composición
Con este procedimiento el reparto de posibilidad f(x) se expresa como una mezcla o
estructura de algunas distribuciones de posibilidad fi(x) seleccionadas correctamente.
Métodos especiales: Hay varias distribuciones estadísticas de posibilidad en las cuales es
viable usar sus características para obtener expresiones matemáticas para la generación de
cambiantes aleatorias en forma eficiente. En diversos casos se aplica el Teorema Central
del Límite y en otros se usa el procedimiento directo para hallar las cambiantes aleatorias.
Este procedimiento podrá ser aplicado una vez que la capacidad de densidad es simple
siendo n el número de trozos en los cuales se ha dividido la funcionalidad. Todos los
fragmentos se pueden expresar como producto de una funcionalidad de repartición y un
peso y la capacidad de repartición universal la tenemos la posibilidad de obtener como el
procedimiento se basa en producir 2 números aleatorios, uno sirve para elegir un pedazo y
el otro se usa para crear un costo de una variable que sigue el reparto de dicho pedazo. El
costo de la variable obtenida es el costo buscado.
El algoritmo general queda como sigue:
Producir u1,u2~U(0,1)
Si u1=w1 entonces crear x~f1(x)
Si no
Si u1=w1+w2 entonces generar x~f2(x)
4
Métodos especiales: Hay varias distribuciones estadísticas de posibilidad en las cuales es
viable usar sus características para obtener expresiones matemáticas para la generación de
cambiantes aleatorias en forma eficiente. En diversos casos se aplica el Teorema Central
del Límite y en otros se usa el procedimiento directo para descubrir las cambiantes
aleatorias.
Procedimientos particulares para cambiantes aleatorias no uniformes en este capítulo
trataremos ciertos procedimientos de simulación para varias distribuciones particulares,
para nada es intensivo, puesto que solo observaremos los que nos resultaron de más grande
interés y simpatía. Cambiantes aleatorios con repartición Regular.
Dada el valor para la estadística de las cambiantes aleatorias con repartición regular es que
haremos un desarrollo de numerosas técnicas para la simulación de esta clase de cambiantes
aleatorias. Entendemos que si X ∼ N (µ, σ2 ) tenemos la posibilidad de mencionar que X =
σZ + µ, donde Z ∼ N(0, 1). Por esta sencilla interacción es suficiente ver procedimientos
para crear cambiantes aleatorios típicos estándar, N (0, 1)
Utilizando teorema central del límite
Utilizando teorema central del límite muchas veces pudimos encontrar el reparto usual, y
en otros términos la base de mucha de la teoría estadística; la iniciativa va a ser utilizar
dichos resultados para simular cambiantes aleatorios clásicos [3] [4].
Por ejemplo, podemos simular n variables aleatorias independientes, con distribución U[0,
1], U1, U2, · · · ,
Un, y sea S = Xn i=1 Ui , por el teorema central del límite, cuando n → ∞, la distribución
de S tiende a una normal.
En la práctica podemos establecer que, para valores finitos de n, se tiene que S tiene una
distribución aproximadamente normal. El problema que surge es ¿cuál sería un n mínimo
desde el cual podamos decir que la aproximación es aceptable? Si n = 2 es inaceptable, pues
S tiene distribución triangular. Desde n = 3 en adelante S tiene una agradable forma de
campana, el resultado para el valor n = 12 es de una aproximación aceptable, y como E(Ui)
= 1/2 y V ar(Ui) = 1/12, tenemos que S tiene distribución aproximadamente N(6, 1), de
donde Z = S − 6 tendrá distribución N(0, 1). Una implementación en R de este método para
generar m observaciones de Z es: norm tcl ← function(m) z ← rep(0,m) for(i in 1:m) { u
← runif(12); z[i] ← sum(u)-6; } return(z) Claramente este m´etodo, adem´as de ser
aproximado, es u.
5
Esta técnica utiliza números aleatorios uniformes para generar variables aleatorias con una
distribución específica. Los pasos a seguir son:
1. Decidir la función de densidad f (x) que se desea para la variable a generar.
2. Calcular la función acumulada de probabilidad) F(x para la variable aleatoria
deseada.
3. Formular la ecuación Ui F( . x) =
4. Resolver la ecuación anterior, es decir, calcular F U x i =−(1).
5. Generar los valores de la variable deseada.
La principal limitación de este método es que la función de densidad de la distribución debe
ser fácilmente integrable.
• Distribución Uniforme
La distribución uniforme es una distribución de probabilidad continua y se refiere a eventos
que tienen la misma probabilidad de ocurrir. Cuando se resuelven problemas que tienen una
distribución uniforme, hay que tener en cuenta si los datos son inclusivos o exclusivos de
los extremos.
7
Las distribuciones más utilizadas son: Bernoulli, uniforme, binomial, Poisson, y
geométrica. En cambio, las distribuciones continuas modelan la aleatoriedad en eventos en
los cuales los valores de las variables pueden estar dentro de un rango de valores reales.
9
Bibliografía
Unidad 3.- Generación de Variables Aleatorias - SIMULACIÓN. (s. f.). Recuperado 20 de
Sosa, A. (s. f.). Unidad III generacion de variables aleatorias. Recuperado 20 de octubre de
2022, de https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-
variables-aleatorias
Offline - Para una comunidad en crecimiento, una web más grande. (s. f.). Recuperado 20 de
1.5 Simular con la Transformada Inversa | Simulación de Procesos y Sistemas. (2022b, marzo 2).
afaa-4dff15a9ed00/transformadainversa.html
de 2022, de https://rubenfcasal.github.io/simbook/AR.html
10