INVESTIGACIÓN DE

OPERACIONES 2
Métodos de generación
de variables aleatorias
continuas

Dr. Ing. Isabel Chiyón Carrasco

Variables aleatorias continuas

 En muchas situaciones, es mas real y práctico usar

variables aleatorias continuas.
 Veremos algunos procedimientos para generar
variables aleatorias a partir de distribuciones
continuas.
 Como en el método discreto, primero se genera un
número aleatorio U(0,1) y luego se transforma en una
variable aleatoria a partir de la distribución
especificada.
Métodos

Hay muchos métodos diferentes para generar variables

aleatorias continuas.
La selección del algoritmo dependerá de la distribución
a partir de la cual que quiere generar, teniendo en cuenta
los siguientes factores:
 Exactitud de las variables aleatorias.
 Eficiencia de cómputo y almacenaje.
 Complejidad del algoritmo.
Algoritmos más utilizados
 El método de transformación inversa (MTI)
Por lo general se utiliza para distribuciones cuya función de
distribución se puede obtener en forma cerrada. Ejemplo:
Exponencial, Uniforme, Triangular y Weibull.
 El método de aceptación-rechazo (MAR)
Por lo general se utiliza para distribuciones cuya función de
distribución no existe en forma cerrada. Ejemplo: Erlang y
Beta.

Con estos algoritmos podemos generar variables aleatorias de

casi todas las distribuciones utilizadas con más frecuencia.
 El método de transformación
inversa (MTI)
Sea 𝑋 una variable aleatoria con Función de Distribución 𝐹(𝑥)
entonces la variable aleatoria 𝑈=𝐹(𝑋) tiene distribución uniforme
en [0,1], es decir 𝑈∼𝑈(0,1).

Este resultado quiere decir que si a partir de una muestra 𝑥1, 𝑥2,
…, 𝑥𝑛 de la variable con Función de distribución 𝐹(𝑥), obtenemos
los valores 𝑢1=𝐹(𝑥1), 𝑢2=𝐹(𝑥2),…, 𝑢𝑛=𝐹(𝑥𝑛) entonces un
histograma de 𝑢1,𝑢2,…,𝑢𝑛 tendrá el aspecto de una distribución
uniforme en el intervalo [0,1].
 Teorema de la inversión (de una
función de distribución)
 Sea 𝑋 una variable aleatoria con función de
distribución 𝐹(𝑥) continua e invertible, y sea 𝐹−1 su
función inversa (se denomina función cuantílica).
Entonces, como hemos visto, la variable aleatoria
𝑈=𝐹(𝑋) tiene distribución uniforme en [0,1], es decir
𝑈∼𝑈(0,1).
 Como consecuencia, si 𝑈∼𝑈(0,1) entonces la variable
aleatoria 𝑋=𝐹−1(𝑈) satisface la función de distribución
𝐹(𝑋).
Resultado básico de la simulación
por MonteCarlo
Este resultado quiere decir que si generamos una
muestra de valores de una distribución uniforme 𝑈(0,1):
𝑢1, 𝑢2,…,𝑢𝑛, y les aplicamos la función inversa de 𝐹(𝑥)
obtendremos los valores 𝑥1 = 𝐹−1(𝑢1), 𝑥2 = 𝐹−1(𝑢2),…,
𝑥𝑛=𝐹−1(𝑢𝑛). Entonces los valores 𝑥1,𝑥2,…,𝑥𝑛 siguen la
distribución 𝐹(𝑥).
De esta forma podemos simular valores de 𝑋 de
densidad 𝑓(𝑥) a partir de un procedimiento que simule
valores de 𝑈(0,1).
Método de transformación inversa
Paso 1: Dada una función de densidad f(x) para una v.a.
continua X, obtenga la función de distribución
acumulada F(x) como:
x

F(x) = ∫ f(t)dt
-∞

Paso 2: Genera un número aleatorio r U(0,1)

Paso 3: Establezca F(x) = r y determine el valor de X.
La variable X es entonces una variable aleatoria continua a
partir de la distribución cuya dpa está dada por f(x).
 El desarrollo es, en general, analítico, pues debemos obtener la
expresión de F-1.
 También podría hacerse, de forma aproximada, gráficamente.
 En algunos casos en los que no se puede resolver analíticamente, se
emplean métodos numéricos de aproximación.
Ejemplos de generadores de v.a
continuas: Función rampa

x 0≤x≤2
f(x) = 2
0 en caso contrario
Paso 1: x
F(x) = ∫ t dt x2
0 2 4

Paso 2: 0 ≤ F(x) ≤ 1 para r U[0,1]

Función rampa
f(x)

 x
0 1 2
Paso 3: r = F(x)
r = x2
4

x = ± 2√ r Generador de variables aleatorias

o Generador de procesos.

U(0,1)
Ejemplo : r = 0.64
Representación gráfica MTI (dpa)
F(x)
1

0.6
0.5

0 1 1.6 2
x
Ejemplo: Distribución exponencial
𝝀 e -𝝀x x ≥ 0, 𝝀>0
f(x) =
0 en caso contrario

Paso 1: 0 x< 0
F(x) =
1 – e -𝝀x x ≥ 0
Paso 2: Genere un número aleatorio r U[0,1]
Paso 3: F(x) = r
1 – e -𝝀x = r
e -𝝀x = 1-r cómo r U(0,1)
Aplicamos logaritmo natural en ambos lados:
-𝝀x = ln(1-r) = ln( r )
x = - (1/ 𝝀 )ln (r)
Por ejemplo: Para r= 1/e ; x = 1/ 𝝀
Para r=1 ; x = 0
Distribución uniforme
1
a≤ x≤b
f(x) = (b–a)
0 caso contrario

0 x <a
F(x) = (x–a)
a≤x≤b
(b – a )
1 x>b
 F(x) = r
( x - a)
r=
( b - a)

despejo x = a + (b - a) r

Ejemplo: r =1/2; x = ( a + b) / 2
r = 1 ; x = b para r = 0; x = a, etc…
 Distribución normal
Debido a la importancia de la distribución
normal, se han dado muchos algoritmos para
generar v.a. normales.

 Algoritmo de convolución

 Método directo (utilizado con más frecuencia)

Método directo
Box y Muller (1958) elaboraron el método
directo para la distribución normal.
Genera 2 números aleatorios U(0,1), r1 y r2 y
luego los transforma en dos v.a. normales, cada
una con media 0 y varianza 1, usando las
transformaciones directas:
Z1 = (-2 ln r1)1/2 sen 2πr1
Z2 = (-2 ln r2)1/2 sen 2πr2
Transformamos estas variables normales
estandarizadas en variables normales X1 y X2 a
partir de la distribución con media 𝝁 y varianza
σ2, usando las ecuaciones:
X1 = 𝝁 + σZ1

X2 = 𝝁 + σZ2
Distribución de Erlang
Sea t una variable aleatoria con distribución de Erlang, con
media K/𝝀 y varianza K/𝝀2 , es decir, con densidad:
f(x,K) = 𝝀K tK-1 e- 𝝀t / (K-1)! , K= 1,2, …..
Entonces su distribución acumulada es:
K

F(x,K) = 1 - 𝚺 (𝝀t)m-1 / (m-1)!

m=1

La función inversa es:

K

x= F-1(r1, r2,…….rk) = -1/ 𝝀 (log 𝚷 ri) ; r1, r2,…….rk

Parámetros Erlang:

 k, el factor de forma de la distribución.

 λ, el factor de proporción de la distribución.

La escala, µ, es el recíproco de la proporción,
es usado a veces.
Problema
 Sea X= tiempo (minutos) entre llegadas a un puesto de
servicio. Si el tiempo entre dos clientes consecutivos sigue
una distribución exponencial de media E(x) = 𝜇 = 5
(minutos/cliente). Entonces 𝜆 = 1/𝜇 = 0.2 clientes/minuto:
F de densidad: 𝑓 (𝑥) = 𝜆𝑒−𝜆𝑥 = 0.2 𝑒−0.2𝑥
F de distribución: 𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = 1 − 𝑒−𝜆𝑥 = 1 − 𝑒−0.2𝑥
Tenemos el generador de la v.a continuas:

Y simulamos los valores de una exponencial

aplicando la función inversa.
Problema
Un operador de máquina
procesa dos tipos de tareas, A y
B, durante el día. Un análisis
de los datos muestra que 40%
de las tareas son de tipo A y
60% son de tipo B. Las tareas
tipo A tienen tiempos de
terminación que se pueden
representar mediante una
distribución de Erlang con
parámetro de proporcionalidad
5 y parámetro de forma 2.
Los tiempos de terminación de las tareas tipo B se
representan mediante la siguiente distribución normal
con µ = 0.5 y σ = 0.2.
Si las tareas llegan a una tasa exponencial de 2 por hora,
elabore un modelo de simulación para calcular el
porcentaje de tiempo de inactividad del operador y el
número promedio de tareas esperando ser procesadas.