Beruflich Dokumente
Kultur Dokumente
Alumnos:
Carlos Augusto Flores Rivera
Luis Fernando García Guzmán
Catedrático:
M.C Javier Zinath Geronimo
Materia:
Simulación
Unidad 3
1
INDICE
INDICE………………………………………………………………………………… 2
3.1 INTRODUCCION………………………………………………………………… 3
3.2 GENERACION DE VARIABLES ALEATORIAS DISCRETAS Y CONTINÚAS
UTILIZANDO PAQUETES COMPUTACIONALES COMO EXCEL Y PROMODEL……4
3.2.1 GENERACION DE VARIABLES ALEATORIAS DISCRETAS ……………………..8
3.2.2 GENERACION DE VARIABLES ALEATORIOS CONTINUAS ……………………10
BIBLIOGRAFIA ………………………………………………………………………………..12
2
3.1 INTRODUCCION
Introducción.
¿Qué es una variable aleatoria?
Como se ha mencionado en las unidades precedentes, un modelo de simulación
permite lograr un mejor entendimiento de prácticamente cualquier sistema. Para
ello resulta indispensable obtener la mejor aproximación a la realidad, lo cual se
consigue componiendo el modelo a base de variables aleatorias que interactúen
entre sí.
Las variables aleatorias son aquellas que tiene un comportamiento probabilístico
en la realidad. Por ejemplo, el número de clientes que llegan cada hora a un banco
depende del momento del día, del día de la semana y de otros factores.
En muchos experimentos a los resultados del experimento se pueden asignar
valores numéricos. Por ejemplo, si tira un dado, cada resultado tiene un valor de 1
a 6. Si al determinar la puntuación en las pruebas de mitad de período de un
estudiante en su clase, el resultado es nuevamente un número. Una variable
aleatoria es una regla que asigna un número a cada resultado de un experimento.
Estos números se denominan los valores de la variable aleatoria. A menudo se
usan letras como X, Y y Z para denotar una variable aleatoria.
3
3.2 GENERACION DE VARIABLES ALEATORIAS DISCRETAS Y
CONTINÚAS UTILIZANDO PAQUETES COMPUTACIONALES
COMO EXCEL Y PROMODEL
La generación de cualquier variable aleatoria se va a basar en la generación
previa de una distribución uniforme (0,1). Y las transformaciones de dichos
números generados en valores de otras distribuciones.
se verifica que
4
Esto sugiere inmediatamente el siguiente esquema de generación:
Algoritmo del método de la transformada inversa
Propósito: Generar Z aleatoriamente de
Salida: Z
Método: Generar aleatoriamente U de
Devolver Z.
5
Se va aplicar este método en el caso de que la variable aleatoria sea continua, el
caso discreto es análogo y está tratado en Prob. 8.9
En este caso tenemos la función de densidad f(x) de la variable y necesitamos una
función t(x) que la acote, es decir t(x)³f(x) "x. Hay que notar que t(x) no es, en
general, una función de densidad
MÉTODO DE COMPOSICIÓN
Este método va a poder ser aplicado cuando la función de densidad es fácil de
6
El método consiste en generar dos números aleatorios, uno sirve para seleccionar
un trozo y el otro se utiliza para generar un valor de una variable que sigue la
distribución de dicho trozo. El valor de la variable obtenida es el valor buscado.
El algoritmo general queda como sigue:
Generar u1,u2~U(0,1)
Si u1=w1 entonces generar x~f1(x)
Si no
Si u1=w1+w2 entonces generar x~f2(x)
MÉTODO DE CONVOLUCIÓN
Muchas variables aleatorias incluyendo la normal, binomial, poisson,
gamma, erlang, etc., se pueden expresar de forma exacta o
aproximada mediante la suma lineal de otras variables aleatorias.
El método de convolución se puede usar siempre y cuando la variable
aleatoria x se pueda expresar como una combinación lineal
de k variables aleatorias:
7
3.2.1 GENERACION DE 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:
1. 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 (en este caso de 00 a 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.
8
METODO DE ACEPTACION- RECHAZO (ARM)
Este método requiere una función de distribución acumulada (fda) F(x) esté
definida en un intervalo finito.
Como ejemplos se tienen la función rampa, las distribuciones triangulares, beta y
la de Erlang.
Este método consiste en los siguientes pasos:
1. Se selecciona una constante M, tal que M es el valor más grande de f(x) en el
intervalo [a, b].
2. Se genera dos números aleatorios r1 y r2, r1, r2 ∈ [0,1].
3. Se calcula x* = a + (b – a)r1. (Esto asegura que cada miembro de [a, b] tiene
una probabilidad igual de ser elegido como x*).
4. Se evalúa la función f(x) en el punto x*; sea f(x*).
5. Si r2 ≤ f(x*) / M, entonces se acepta x* como una variable aleatoria continua. De
lo contrario, se rechaza x* y se vuelve al paso 2.
ALGORITMO DE CONVOLUCION
En este algoritmo se hace uso del teorema del límite central.
Teorema del Límite Central:
La suma X de n variables aleatorias independientes y distribuidas de manera
idéntica (por ejemplo, x1, x2, …, xn, cada una con media μ (E(xi ) = μ) y varianza
finita σ2 (Var(xi ) = σ2)) tiene una distribución aproximadamente normal con media
nμ y varianza nσ2.
Sea X con distribución n(μ, σ2), se va a generar un valor Z con distribución n(0, 1).
Si esto se aplica a R(0, 1) variables aleatorias; r1, r2, …, rn , con media μ y
varianza finita σ2.
METODO DIRECTO
Este método fue creado por Box y Muller (1958).
No es tan eficaz como algunas nuevas técnicas, pero es fácil aplicarlo y
ejecutarlo.
El algoritmo genera dos números aleatorios R(0, 1), r1 y r2, y luego los transforma
en dos v.a. normales, cada una con media 0 y varianza 1.
9
Este método consiste en los siguientes pasos:
Se generan dos números aleatorios r1 y r2, U(0, 1).
Se transforman en dos variables aleatorias normales, cada una con media 0 y
varianza 1, usando las transformaciones directas
Distribución Uniforme
Distribución Normal
XX tiene una distribución normal con parámetros μμ y σσ,
denotado X∼N(μ,σ2)X∼N(μ,σ2) si:
10
Donde μ∈Rμ∈R y σ>0σ>0.
Decimos que XX tiene una distribución Normal estándar si μ=0μ=0 y σ=1σ=1.
Una variable aleatoria Normal estándar se denota tradicionalmente por ZZ, su
función de densidad de probabilidad por ϕ(z)ϕ(z) y la función de probabilidad
acumulada por Φ(z)Φ(z)
11
BIBLIOGRAFIA
http://simulacion-itstb.blogspot.mx/p/unidad-tres-generacion-de-
variables.html
http://www.tesoem.edu.mx/alumnos/cuadernillos/2009.021.pdf
http://simulacionunilibre.blogspot.mx/2011/04/generacion-de-variables-
aleatorias.html
http://www.kramirez.net/ProbaEstad/Material/Presentaciones/Generaci
onVariablesAleatorias.pdf
12