INGENIERÍA INDUSTRIAL

SIMULACIÓN
LIC. ERICK ALBERTO CUPUL BURGOS M.G.T.I

TEMA 2

INVESTIGACIÓN: MÉTODO DE CONVOLUCIÓN PARA LA GENERACIÓN

DE NÚMEROS ALEATORIOS

DE LOS SANTOS SOSA GÉNESIS ALEJANDRA

15160016

18 DE ABRIL DE 2018
 Introducción

El proceso de simulación necesita la generación de datos semejantes a los que se producen en la realidad,
lo que precisa la Búsqueda de métodos que nos permitan obtener valores de variables aleatorias que sigan
determinadas distribuciones de probabilidad a partir de los números aleatorios generados, que siguen la
distribución Uniforme en el intervalo (0,1).

La facilidad de aplicación de dichos métodos, así como el coste computacional asociado a los mismo,
varía mucho según la familia de variables aleatorias a las que se apliquen.

MÉTODO DE CONVOLUCIÓN

Según Heymann,D., Perazzo R. y Zimmermann, M., la distribución de probabilidad de la suma de dos o más
variables aleatorias independientes es llamada la convolución de las distribuciones de las variables
originales. El método de convolución es entonces la suma de dos o más variables aleatorias para obtener
una variable aleatoria con la distribución de probabilidad deseada. Esta técnica puede ser usada si la
variable aleatoria x puede ser expresada como la suma de n variables aleatorias y1...,yn que puedan ser
generadas fácilmente. En este caso x se puede generar n variables aleatorias y1...,yn y sumándolas. Si x
es la suma de dos variables aleatorias y1 y y2 , entonces la densidad de x puede se obtenida analíticamente
por la convolución de las densidades de y1 y y2 ; de aquí el nombre de la técnica a pesar de que la
convolución no es necesaria para la generación de números aleatorios.

Características

 Puede ser usada para obtener variables con
distribuciones Erlang, binominales,
Normal, Poisson y Gamma.
 Se necesita una o más variables aleatorias
para obtener el valor de Xi.
 Se generan números aleatorios.
 Variables aleatorias discretas.
 intervalos de entre 0 y 1
 Exactitud: se han de obtener valores de
una variable con una precisión dada. A
veces se tiene suficiente con obtener una
aproximación y otras no.
 Complejidad: Buscamos métodos que
tengan complejidad mínima, siempre y
cuando se garantice cierta exactitud.
 Facilidad de implementación.
 METODOLOGÍA

El método de convolución permite generar variables aleatorias en función a una combinación lineal
ponderada de otras variables aleatorias el método entonces requiere que la variable aleatoria a ser
generada Yi pueda expresarse como una suma lineal pondedera de otras variables aleatorias Xi.

Y=b1*x1+ b2*x2+ b3*x3+…+ bn*xn

*bi es una constante que refleja la ponderación de la variable xi en la combinación lineal. El método de
convolución se puede usar siempre y cuando la variable aleatoria x se puede expresar como una
combinación lineal de k variables aleatorias.

Procedimiento general

1.- Se generan números aleatorios (R ,R ,...,R).

2.- Con uno o más dependiendo del método a utilizar de los números aleatorios, se generan las variables
aleatorias componentes (x ,x ,...,x ) usando algunos de los métodos anteriores.

3.- Se obtiene un valor de la variable por la suma lineal de las variables aleatorias componentes.

¿Cómo saber cuándo usar este método? Variables que se

generan con este
De acuerdo con Sarabia, J., y Pascual, M.:
método:
 Si la función de distribución se puede invertir utiliza inversión. Distribución Normal
Distribución binomial
 Si la función de distribución es la suma de otras funciones de Distribución Chi2
distribución utiliza composición. Distribución Erlang-k
Distribución Poisson
 Si la variable aleatoria es composición de otras variables aleatorias
utiliza convolución.
PROCEDIMIENTO Y EJEMPLO PARA CADA VARIABLE

Distribución chi 2
Método de generación

1. Generar Z, que son variables aleatorias normales

estándar.
2. Elevar al cuadrado cada variable Z generada.
3. Para generar una variable chi-cuadrado de grado de
libertad “n” suma n variable Z².
X24= Z21+ X22+ X23+ X24
 Distribución poisson

Método de generación Notación

1. Se inicializa X=0 y t=0 X ~ P (λ)
2. Se generación una variable aleatoria X ~ (
exp(1/ λ) Función de probabilidad
3. Se actualiza t = t + X.
4. Si t ≤ T entonces Y = Y + 1 )
5. Se repite el algoritmo a partir del 2do
punto, hasta que t › T.
El valor de Y generado, sigue una
distribución Poisson.
Ejemplo

Distribución binomial

Método de generación Notación

Según Sheldon, M: “Una variable Binomial de
X ~ B (n,p)
parámetros n y p es la suma de n variable Bernulli
con probabilidad de éxito P”.
1. Generar las variables X1, X2, X3,,… Xn Función de probabilidad
con distribución Bernoulli
2. Generar Y como la suma de X1 + X2 +
X3,,… + Xn
Ejemplo

Distribución normal

La suma de un gran número de variables de determinada distribución tiene una distribución normal. Este
hecho es usado para generar variables normales a partir de la suma de números U(0,1) adecuados.

Método de generación
1. Generar 12 número aleatorios R
2. Calcular Z estandarizada = (R1+R2+… +R12= - 6
3. Bastaria usar la transformación Y= Z* σ + µ
Ejemplo

Villarroel, L. proporciona el siguiente ejemplo

en su libro Métodos Bioestadísticos:

Distribución Erlang-k

Notación Método de generación

1. Generamos una muestra i.i.d.
Y ~ Erlang (k, λ)
 2. Calculamos una muestra i.i.d.

3. Calculamos

Ejemplo

Dunna,E., García,H., & Cárdenas, L. enseñan en

su libro Simulación y análisis de sistemas con
ProModel el siguiente ejemplo:

Conclusión

Referencias Bibliográficas:

1. Dunna, E., García, H., & Cárdenas, L. (2006). Simulación y análisis de sistemas con ProModel.
México: PEARSON EDUCACIÓN.
2. Heymann, D., Perazzo, R,. & Zimmermann, M. (2013). Economía de fronteras abiertas.
Argentina: Editorial Teseo.
3. Sarabia, J., & Pascual, M. (2005). Curso básico de estadística para economía y administración de
empresas. Cantabria: Universidad de Cantabria.
4. Sheldon, M. (2007). Introducción a la estadística. España: Editorial Reverté.
5. Villarroel, L. (2013). Métodos Bioestadísticos. Chile: Ediciones UC.