Instituto Tecnológico de San Juan del Río

Departamento de Sistemas y Computación

Instituto Tecnológico de San Juan del Río

ENSAYO
MÉTODOS PARA GENERAR VARIABLES
ALEATORIAS

P R E S E N T A:

Montserrat Reséndiz Muñoz

21590049

Ingeniería en Sistemas Computacionales

Profesor: Francisco Trejo Cruz

San Juan del Río, Qro., Octubre de 2022

MÉTODOS PARA GENERAR VARIABLES ALEATORIAS
• Método de la transformada
inversa
Se apoya en usar el reparto
acumulada F(x) del reparto de
posibilidad a simular mediante
unión; como el rango de F(x) está
en el intervalo de cero (0) a uno
(1), se debería producir un número
al azar ri para después establecer el
costo de la variable aleatoria cuya
repartición acumulada es igual a ri.
El problema de este procedimiento
radica en el hecho que en
ocasiones se dificulta bastante la
consecución de la transformada
inversa.

• 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.

En esta situación poseemos la capacidad de densidad f(x) de la variable y requerimos una

funcionalidad t(x) que la acote, o sea t(x)³f(x) "x. Se debe percibir que t(x) no es,
generalmente, una funcionalidad de densidad, pero la función r(x)=t(x)/c, si es claramente
una función de densidad. (Suponemos que t es tal que c<¥). Debemos de poder generar
(esperamos que de forma fácil y rápida) un valor de la variable aleatoria que sigue la función
r(x). El algoritmo general queda como sigue:

Generar x que siga la distribución r(x).

Generar u~U(0,1), independiente de x.

Entonces devolver x si no volver a repetir el algoritmo.

El algoritmo continúa repitiéndose hasta que se genera un valor que es aceptado.

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.

• Técnica de la transformada inversa.

Hasta aquí se han estudiado los números aleatorios y la forma de generarlos. Sin embargo,
generalmente en las simulaciones de sistemas estocásticos es necesario generar variables
aleatorias, las cuales tienen una distribución distinta de la uniforme. La trasformada inversa
es uno de los métodos utilizados para este fin.

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.

• Generador Congruencia Lineal

Produce una secuencia de enteros x1, x2, …; entre 0 y m-1 de acuerdo a la siguiente relación
recursiva:
Esto da el residuo de la división de (axi + c) entre m.
Los números aleatorios se entregan por medio de la relación.

• Generador Congruencial Lineal (cont.)

Técnicamente, un número aleatorio, ri , se define como una muestra aleatoria independiente
extraída de una distribución uniforme continua, cuya función de densidad de probabilidad
(fdp) está dada por:
6
 Así cada número aleatorio estará distribuido de manera uniforme en el intervalo entre 0 y
1. Debido a esto, a estos números aleatorios se les conoce como números aleatorios U(0,1),
o simplemente como números aleatorios uniformes.

• 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.

• Generación de Valores para Variables Aleatorias Discretas

El muestreo de Monte Carlo se logra al asignar intervalos de números aleatorios de acuerdo
a las probabilidades en la distribución especificada. Este método consiste en los
siguientes pasos:
Se realiza una segmentación, para cada probabilidad de la distribución se le asigna un rango
de valores según su valor. 2
Se genera un número aleatorio entero r entre 00 y 99.
Cada número aleatorio en una secuencia 99 tiene una probabilidad igual (en este caso 0.01)
de aparecer, y cada uno es independiente de los números antes y después de él. 3. Se
devuelve la variable aleatoria discreta de la distribución que corresponda con el rango
donde pertenece el número aleatorio generado.

• Generación de Valores para variables Aleatorias Discretas (cont.)

Para la generación de las variables aleatorias discretas o continuas, es necesario contar con
la información específica de la distribución deseada, la aplicación de un método para la
generación de la variable aleatoria, y la implementación computacional para usarse en la
simulación de estas se explicará detalladamente en el tema correspondiente.

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.

• Generación de Valores para Variables Aleatorias Continuas

Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real. En el
caso de variables aleatorias continuas no tiene sentido plantearse probabilidades de
resultados aislados. La probabilidad de valores puntuales es cero.
El interés de estas probabilidades está en conocer la probabilidad correspondiente
a un intervalo.
Dicha probabilidad se conoce mediante una curva llamada función de densidad y
suponiendo que bajo dicha curva hay un área de una unidad.
Conociendo esta curva, basta calcular el área correspondiente para conocer la probabilidad
de un intervalo cualquiera.

Los dos algoritmos utilizados con más frecuencia son:

o Método de transformación inversa (ITM).
o Método de aceptación-rechazo (ARM).
Entre estos dos métodos, es posible generar variables aleatorias de casi todas las
distribuciones utilizadas con más frecuencia.
Además, se cuenta con dos métodos para generar variables aleatorias a partir de la
distribución normal:
a. Algoritmo de convolución.
b. Método directo

• Pruebas estadísticas. (Pruebas de bondad de ajuste)

En la construcción del
modelo de simulación es
importante decidir si un
conjunto de datos se ajusta
apropiadamente a una
distribución específica de
probabilidad.
Al probar la bondad del
ajuste de un conjunto de
datos, se comparan las
frecuencias observadas FO
realmente en cada categoría
o intervalo de clase con las
frecuencias esperadas teóricamente FE.
8
• Prueba Ji cuadrada
La prueba Ji cuadrada hace uso de la distribución del mismo nombre para probar la bondad
del ajuste al comparar el estadístico de prueba Xo2 con el valor en tablas de la mencionada
distribución Ji cuadrada con v grados de libertad y un nivel de significancia alfa.

9
Bibliografía
Unidad 3.- Generación de Variables Aleatorias - SIMULACIÓN. (s. f.). Recuperado 20 de

octubre de 2022, de https://sites.google.com/site/s1simulacion/unidad-3

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

octubre de 2022, de http://fcea.edu.uy/index.php

1.5 Simular con la Transformada Inversa | Simulación de Procesos y Sistemas. (2022b, marzo 2).

Recuperado 20 de octubre de 2022, de https://bookdown.org/content/944ffa0f-050e-47cb-

afaa-4dff15a9ed00/transformadainversa.html

Rubén Fernández Casal (ruben.fcasal@udc.es), Ricardo Cao (rcao@udc.es). (2022b, septiembre

5). 5.2 Método de aceptación rechazo | Simulación Estadística. Recuperado 20 de octubre

de 2022, de https://rubenfcasal.github.io/simbook/AR.html

10