Welcome to Scribd. Sign in or start your free trial to enjoy unlimited e-books, audiobooks & documents.Find out more
Download
Standard view
Full view
of .
Look up keyword
Like this
61Activity
0 of .
Results for:
No results containing your search query
P. 1
Generación de Números Aleatorios

Generación de Números Aleatorios

Ratings:

4.57

(1)
|Views: 6,925|Likes:
Published by tommil3003
Este capítulo trata sobre la generación de números aleatorios. La misma es necesaria para la
simulación de sistemas estocásticos como se verá en los siguientes capítulos. En primer lugar
se definirá qué se entiende por número aleatorio. A continuación se estudiarán las pruebas a
que debe ser sometido un generador de número aleatorios antes de ser aceptado. Finalmente,
se presentarán métodos para generar variables que siguen distribuciones de frecuente
aplicación.
Este capítulo trata sobre la generación de números aleatorios. La misma es necesaria para la
simulación de sistemas estocásticos como se verá en los siguientes capítulos. En primer lugar
se definirá qué se entiende por número aleatorio. A continuación se estudiarán las pruebas a
que debe ser sometido un generador de número aleatorios antes de ser aceptado. Finalmente,
se presentarán métodos para generar variables que siguen distribuciones de frecuente
aplicación.

More info:

Published by: tommil3003 on Sep 11, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/10/2013

pdf

text

original

 
Teoría de Modelos y Simulación. Generación de Números Aleatorios.
10
a X  X ab R Int  X 
+          +=
1
(34)
Para simular un dado se debe hacer
a
= 1,
b
= 6 y
 X 
= 1.
Transformada directa para la distribución normal 
Esta distribución es ampliamente utilizada. La función de densidad de probabilidad es:
22
2)(
21)(
σµ
πσ
=
 x
e x f 
 
(35)
Dado que no es posible obtener analíticamente la función inversa de la probabilidadacumulada, se recurre a métodos alternativos. Uno de los métodos más empleados considerados variables con distribución estándar normal
 Z 
1
y
 Z 
2
(media nula y varianza igual a uno), ylas expresa en coordenadas polares como sigue:)sin()cos(
21
θθ
 B Z  B Z 
==
 
(36)
Se sabe que
 B
2
=
 Z 
12
+
 Z 
22
tiene una distribución chi-cuadrado con grado de libertad 2, la cuales equivalente a una distribución exponencial con media 2. Entonces, el radio
 B
puede sergenerado con:
( )
2 / 11
)ln(2
 R B
=
 
(37)
Debido a la simetría de la distribución normal, se supone que
θ
está uniformementedistribuido en el intervalo [0, 2
π
]. Entonces, el ángulo se genera con:
2
2
 R
πθ
=
 
(38)
Finalmente, los valores
 Z 
1
y
 Z 
2
con distribución normal estándar se obtienen generando
 B
y
θ
 con las ecuaciones
(37)
y
(38)
respectivamente. El valor de
 X 
con una distribución normal conmedia
µ
y varianza
σ
2
se calcula con:
 Z  X 
σµ
+=
 
(39)
Una rutina basada en este método que genera valores
 Z 
1
y
 Z 
2
con distribución normal estándares:
Procedure
Polar
BeginRepeat
Generar R
1
,R
2
 v
1
:= 2*R
1
- 1v
2
:= 2*R
2
- 1w := v
12
+ v
22
 
Until
w
1u := (-2*ln(w)/w)
1/2
 Z
1
:= v
1
*uZ
2
:= v
2
*u
End.
 
 
Teoría de Modelos y Simulación. Generación de Números Aleatorios.
11Cuando, como en este caso, no es posible obtener analíticamente la función inversa de laprobabilidad acumulada, entonces se puede aproximar esta función ya sea numéricamente ocon expresiones simplificadas. Por ejemplo, se puede utilizar el siguiente generador deSchmeiser que da una distribución aproximada a la normal estándar:1975.0)1(
135.0135.0
 R R Z 
=
 
(40)
Otro generador de distribución normal utiliza el teorema del límite central que plantea: “Ladistribución del promedio de
n
variables aleatorias independientes idénticamente distribuidascon media
µ
y varianza
σ
2
se aproxima a una distribución normal con media
µ
y varianza
σ
2
 / 
n
”. El generador es:
σµ
      +=
=
6
121
ii
 R X 
 
(41)
Este generador utiliza la sumatoria de una serie de números aleatorios para obtener ladistribución deseada. En la sección siguiente se estudian otros generadores que utilizan estemismo principio.
Método de la convolución 
La distribución de probabilidad de la suma de dos o más variables aleatorias independientesse denomina convolución de las distribuciones correspondientes a las variables sumadas. Elmétodo de la convolución suma dos o más variables aleatorias para obtener una nueva con ladistribución deseada. El centro del estudio ya no es la función de probabilidad acumulada dela distribución deseada, sino su relación con otras distribuciones más fácilmente generables.
Distribución de Erlang 
Una variable aleatoria
 X 
con distribución Erlang con parámetros (
,
θ
) puede ser modeladacon la suma de
variables aleatorias independientes
 X 
i
con distribución exponencial y media1/(
 
θ
); esto es:
=
=
ii
 X  X 
1
 
(42)
Utilizando el generador de distribución exponencial presentado anteriormente y operando, seobtiene el generador con la distribución deseada:
= =
      ==
iiii
 R R X 
11
ln1)ln(1
θθ
 
(43)
Como ejemplo, suponga que a un depósito llegan camiones cuyos tiempos entre arribossiguen una distribución exponencial con media 0.1 h. A la entrada son desviadosalternativamente hacia el sur y hacia el norte. Se desea modelar el arribo de camiones al sectorsur. Los tiempos de llegada entre los camiones que llegan al sector sur serán iguales a la sumade dos tiempos de arribos sucesivos al depósito; es decir, seguirán una distribución Erlang con
= 2 y 1/ 
θ
= 0.2 h.
 
Teoría de Modelos y Simulación. Generación de Números Aleatorios.
12
Técnica de aceptación y rechazo 
En este método se generan valores aleatorios que son sometidos a una prueba para verificar sicumplen o no con la distribución deseada. El resultado de esta prueba determina si el nuevovalor es aceptado o rechazado. Un generador eficiente debe mantener el número de rechazoslo más bajo posible.
Distribución de Poisson 
Una variable
 N 
con distribución Poisson puede ser interpretada como el número de arribos porunidad de tiempo a velocidad
α
en un proceso Poisson. En este proceso, los tiempos entrearribos
 A
1
,
 A
2
, ... están exponencialmente distribuidos con una velocidad
α
(es el númeromedio de arribos por unidad de tiempo). Por lo tanto, se puede construir un generador quedetermine
n
tal que:
1121
...1...
+
+++<+++
nnn
 A A A A A A
 
(44)
Utilizando el generador exponencial anteriormente presentado, se tiene:
+==
<
111
)ln(11)ln(1
niinii
 R R
αα
 
(45)
Operando:
+==
>
111
)ln()ln(
niinii
 R R
α
 
(46)
      >      
+==
111
lnln
niinii
 R R
α
 
(47)
+==
>
111
niinii
 Re R
α
 
(48)
Entonces, el procedimiento para generar
 N 
con distribución de Poisson es:1. Hacer
n
0,
P
 
1.2. Generar un número aleatorio
 R
n+1
y hacer
P
 
 
P
 
 R
n+1
.3. Si
P
< e
-
α
, aceptar el nuevo valor
 N 
 
 
n
, sino rechazar
n
, hacer
n
 
 
n
+ 1, y retornaral paso 2.Note que en promedio será necesario generar
α
+1 números con distribución exponencial porcada valor de
 N 
. Cuando
α
 
15 esta técnica se vuelve ineficiente, y conviene utilizar unatécnica basada en la distribución normal:
αα
=
 N  Z 
 
(49)
donde
 Z 
tiene una distribución normal estándar. Entonces, para cada valor de
 Z 
se puedecalcular
 N 
con:
( )
 Z  Round  N 
αα
+=
 
(50)

Activity (61)

You've already reviewed this. Edit your review.
1 hundred reads
1 thousand reads
Ronal Mendoza added this note
hola tengo una duda, nesecito generara numeros aleatorios con media 0 y desviacion 1, a partir de datos de precipitacion. y no tengo idea
Rauz G. Cortez liked this
German Mariscal liked this
Lucius Roma liked this

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->