CAPITULO III

Generacin de Variables
no Uniformes
Ing. Ramiro Bernal Martinez

III.1. Tipos de Variables Aleatorias

Podemos diferenciar las variables aleatorias de

acuerdo con el tipo de valores aleatorios que
representan. Por ejemplo, si hablramos del
nmero de clientes que solicitan cierto servicio en
un periodo de tiempo determinado, podramos
encontrar valores tales como 0,1,2.,n, es decir,
un comportamiento como el que presentan las
distribuciones de probabilidad discretas. Por otro
lado, si hablramos del tiempo que tarda en ser
atendida una persona, nuestra investigacin tal
vez arrojara resultados como 1.54 minutos, 0.028
horas o 1.37 das, es decir, un comportamiento
similar al de las distribuciones de probabilidad
continuas. Considerando IO anterior podemos
diferenciar entre variables aleatorias discretas y
variables aleatorias continuas .

III.1.1. Variables Aleatorias Discretas

Este tipo de variables deben cumplir con las siguientes condiciones:

Las distribuciones discretas de probabilidad mas conocidas son: la de

Bernoulli, la hipergeomtrica, la de Poisson y la binomial. Podemos
asociar a estas u otras distribuciones de probabilidad el
comportamiento
de una variable aleatoria.
Por ejemplo, si nuestro propsito al analizar un muestreo de calidad
consiste en decidir si la pieza bajo inspeccin es buena o no, estamos
recalizando un experimento con dos posibles resultados: la pieza es
buena o
la pieza es mala. Este tipo de comportamiento est asociado a una
distribucin de Bernoulli, por otro lado, si lo que queremos es modelar
el
nmero de usuarios que llamarn a un telfono de atencin a clientes,
el
tipo de comportamiento puede llegar a parecerse a una distribucin de
Poisson.

III.1. 2. Variables Aleatorias Continuas

Este tipo de variables se representan mediante una ecuacin que se
conoce como funcin de densidad probabilstica (fdp). Las variables
aleatorias continuas deben cumplir las siguientes condiciones:

Entre las distribuciones de probabilidad mas conocidas tenemos la

Uniforme, la Exponencial, la Normal, la de Weibull, la Chi-cuadrada y
la
de Erlang . Al igual que en el caso de las distribuciones discretas,
algunos
procesos pueden ser asociados a ciertas distribuciones. Por ejemplo,
es
posible que el tiempo de llegada de cada cliente a un sistema tenga
una
distribucin de probabilidad muy semejante a una exponencial, o
que el
tiempo que le toma a un operario realizar una serie de tareas se
comporte de manera muy similar a la dispersin que presenta una
distribucin normal.

III.2. Generacin de Variables Aleatorias no Uniformes

En todo modelo de simulacin estocstico, existen una o varias
variables aleatorias interactuando. Generalmente, estas
variables
siguen distribuciones de probabilidad tericas o empricas
diferentes a la distribucin uniforme estandarizada, por
consiguiente para simular este tipo de variables, es necesario
contar con un generador de nmeros uniformes y una funcin
que a travs de un mtodo especfico, transforme estos
nmeros
en valores de la distribucin de probabilidad deseada. Existen
varios procedimientos para lograr este objetivo. Entre los
procedimientos mas comunes y mas difundidos se pueden
mencionar: 1) El mtodo de la transformada inversa, 2) el
mtodo
de rechazo, 3) el mtodo de convolucion y 4) procedimientos
especiales.

III.2.1. Mtodo de la Transformada Inversa

El mtodo de la transformada inversa puede utilizarse para
simular
variables aleatorias continuas, lo cual se logra mediante la
funcin
acumulada F(x) y la generacin de nmeros pseudo aleatorios ri
El mtodo consiste en:
Paso 1: Definir la funcin de densidad probabilstica f(x) que
represente la variable a modelar.
Paso 2: Calcular la funcin acumulada F(x).

Paso 3: Despejar la variable aleatoria x y obtener la funcin

acumulada
inversa F(x). Con las siguientes relaciones:

Paso 5: Generar las variables aleatorias x, sustituyendo valores

con
nmeros pseudoaleatorios r - U(0,1) en la funcin acumulada
inversa.

Grficamente se tiene lo siguiente:

Forma Grafica del Mtodo de la Transformada Inversa

El mtodo de la transformada inversa tambin

puede emplearse para simular variables
aleatorias de tipo discreto, como en las
distribuciones de Poisson, de Bernoulli,
binomial, geomtrica, etc. La generacin se lleva
a cabo a travs de la probabilidad acumulada
P(x) y la generacin de nmeros pseudo
aleatorios ri ~U(0 ,1). EI mtodo consiste en:

Paso 1: Calcular todos los calores de la distribucin

de probabilidad
f{x) de la variable a modelar.
Paso 2: Calcular todos los valores de la distribucin
acumulada F(x)

Paso 3: Generar nmeros pseudo aleatorios r U(0,1).

Paso 5: Comparar con el valor de F(x) y determinar
qu valor de x
corresponde a F{x).
Grficamente se tiene lo siguiente:

Ejemplos:
1)

Se desea generar nmeros aleatorios que sigan

la siguiente funcin de Probabilidad
(Distribucin Uniforme):

2)

Se desea generar nmeros aleatorios que sigan

la siguiente funcin de Probabilidad
(Distribucin Exponencial):

3)

Se desea generar nmeros aleatorios que sigan

las siguientes funciones de Probabilidad
(Distribuciones Empricas):

Ejemplos:
4) Los datos histricos del tiempo de servicio en la caja de un
banco
se comportan de forma exponencial con media de 3
minutos/cliente.
Simular el tiempo de servicio a los primeros 5 clientes.
5) La temperatura de una estufa se comporta uniformemente
dentro del rango de 95 - 100C. Simular el comportamiento de la
temperatura .
6) El nmero de piezas que entran a un sistema de produccin
sigue
una distribucin de Poisson con media de 2 piezas/h. Simular el
comportamiento de la llegada de las piezas al sistema para un da
de
8 horas.
7) Los datos histricos sobre la frecuencia de paros de cierta
mquina
muestran que existe una probabilidad de 0.2 de que sta falle (x =
1),
y de 0.8 de que no falle (x = 0) en un da determinado. Generar una
secuencia aleatoria que simule este comportamiento.

III.2.2 Mtodo de la Convolucion

En algunas distribuciones de probabilidad la variable
aleatoria a
simular Y, puede generarse mediante la suma de otras
variables
aleatorias, X de manera ms rpida que a travs de otros
mtodos.
Entonces, el mtodo de convolucin se puede expresar
como:
Y = X1+X2+X3+ .+Xk
Las variables aleatorias de cuatro de las distribuciones ms
Conocidas (de Erlang, normal , binomial y de Poisson)
pueden
ser generadas a travs de este mtodo, como se ver a
continuacin:

1)

Distribucin de Erlang:

Ejemplo: El tiempo de proceso de cierta pieza sigue una

distribucin
3-Erlang con media de 8 min/pieza. Determinar el tiempo
de proceso
de 5 piezas

2) Distribucin Binomial:

Ejemplo: Al inspeccionar lotes de tamao con N= 5, la

probabilidad de
que una pieza sea defectuosa es 0.03. Simular l proceso
de inspeccin
para determinar el nmero de piezas defectuosas por lote.

3) Distribucin Normal:

Puesto que no es posible expresar la

distribucin acumulada de
La distribucin normal en forma explicita,
entonces no es
posible utilizar la generacin de nmeros
aleatorios el mtodo
de la transformada Inversa. En lugar de este
mtodo se utiliza el
de convolucion

3) Distribucin Normal:
Al sustituir xi. por nmeros pseudoaleatorios r i se
obtiene:

Ejemplo :El volumen de lquido de un refresco sigue una

distribucin normal con media de 12 onzas y desviacin
estndar
de 0.4 onzas. Generar 5 variables aleatorias con esta
distribucin
para simular el proceso de llenado

III.3 Expresiones de Generadores de

Variables Aleatorias
En la siguiente tabla se presentan los generadores
de variables
aleatorias de las distribuciones de probabilidad
ms usuales: