UNA MANERA ALTERNATIVA DE SIMULAR VARIABLES ALEATORIAS CON DISTRIBUCION NORMAL, UNIFORME Y LOGIsTICA. An Alternative Way of Simulating Random Variables with Normal Distribution, Uniform and Logistics Victor Miguel Angel Burbano Pantoja* ecepién 02/1/2009 reason 0/02/2010 ‘ngrobado 12/04/2010, Resumen En este articulo se presenta una forma alternativa de simular variables aleatorias utilizando la distribucién Lambda Generalizada para generar variables aleatorias con distribucién normal, uniforme y logistica. Palabras claves: simulacién, variable aleatoria, normal, uniforme, logistica, Distribucién Lambda Generalizada. Abstract. ‘Deca cat ge tenses aa Uren esgic Y erage dela, ‘Sadho Exact, i oye a veatrarepeya 5 In this paper, it is presented an alternative way to simulate random ee variables using the Lambda Generalized distribution to generate random ; & variables with normal distribution, uniform distribution and logistics 35 distribution. 34 Keywords: simulation, random variable, normal, uniform, logistics, i Lambda Generalized distribution, 3 5 a ee, >)Cals ta T NG) DESARROLLO Introduccién Los procesos de simulacién tuvieron sus origenes en la década de los cuarenta en el siglo XX cuando Turing inventé una maquina ideal que imitaba a la computadora actual y usando el método de Montecarlo se simularon las explosiones nucleares trabajando sobre modelos mateméticos. Segtin C. West Churchman [1]: *X simula a ¥ si: Xe Y son sistemas formales, Y se considera como un sistema real, X se toma como una aproximacién’de Y , el modelo X con sus reglas de validez no esta exento de error”, algunas herramientas para hacer simulacién son: ta Estadistica matemdtica, la teoria de probabilidad, las ecuaciones diferenciales y la programacién de computadores entre otras. En el presente trabajo se utilizan algunos modelos de probabilidad para generar valores de variables aleatorias continuas utilizando némeros aleatorios sgenerados por computador o una calculadora de bolsillo, varios métodos se han propuesto para simular una variable aleatoria X con una distribuctn de probabilidad dada, tales como: el método de la transformada inversa, el del rechazo, el de la convolucién, el de Box-Muller, y métodos mixtos entre otros. La simulacién de variables aleatoria normales ha sido tratados por varios autores en distintos contextos: [2] Papoulis (1991) presenta procesos de simulacién de una variable aleatoria normal mediante el método de Box- Muller, [3] Ross (1998) hace los desarrollos teéricos para simular una Variable normal por el método del rechazo y por coordenadas polares, [4] Rios (2000) utiliza el método de las 12 uniformes para generar una variable con distribucién normal, [5] Blanco (2004) presenta un algoritmo para generar valores de una variable aleatoria normal. Puesto que para utilizar el método de la transformada inversa se requiere determinar la inversa de la distribucién de probabilidad de la variable X que se esté considerando y que obtener analiticamente dicha inversa en la mayoria de los casos resulta ser una tarea muy complicada, particularmente cuando se trata de la distribucién normal, se propone en el presente trabajo usar la funcion inversa de la Distribucion Lambda Generalizada para simular valores de variables aleatorias X con distribucién normal y realizar ademas ta simulacién de variables aleatorias con distribucién uniforme y distribucién logistica usando el método de la transformada inversa mediante la Distribucién Lambda Generalizada, ya que ésta distribucién para valores especificos de sus parémetros genera a la distribucién normal, uniforme, logistica y una gama muy amplia de distribuciones de probabilidad para variables continuas. Se he Clee en Deseral, Wl 3 No.1, (Saw o12t-ra8 = Dcembre de 2010, pp 62-72ls ead DESARROLLO ee Marco tedrico Funci6n de distribucién de probabilidad Si X es una variable aleatoria continua con funcién de densidad de probabilidad f(x) entonces la funcién de distribucién se define de la siguiente manera: F(x)=P(XCals te DESARROLLO IO 5 org pay OPO). Algunas Distribuctones provententes dela DLG. ‘Como se indica en [5], mediante (3) se pueden obtener distribuciones simétricas sise tienen las siguientes condiciones: 40, La distribucién normal esténdar se obtiene ando los siguientes valores especificosa los pardmetros de la distribucién Lambda Generalizada: A,=0, A, = 0.1975, A, = 0.1349, Ay = 0.1349 sy ee a 7 0.1975 - La funcién de densidad siguiente corresponde a una distribucién normal esténdar, o.197s f@)= 0.13499" 4.0,13490— y= La distribucién uniforme en (-1,1) se obtiene asignando los siguientes valores a os parémetros de la distribucion Lambda Generalizada: 4-0, Aah 492, 4y=2 Figo ay © La funcién de densidad que corresponde a una distribucién uniforme en el intervalo (-1,1) esta dada por: 1 i f@= = 0.000363" — 0,000363(1— y) 2y'+20-y 2 La slribuctn agit 5 obtene asian os siguientes valores a lor is yrametros de la distribucién Lambda Generalizada: - 4, =0, 4, =-0.0003637, 2, =—0.000363, 2, = -0.000363 a £ see -.0mEs 3 Wa - 0-9) ee is Pye. © i | Una funcién de densidad que correspondea una distribuctén logistica es: ts fé- —0,0003637 B a ee —ls ead DESARROLLO ee Generacién de valores de variables aleatorias Los valores z de la variable aleatoria Z con distribucién normal esténdar se ‘obtienen generando nimeros aleatorios r con distribucién U(0,1) y usando la exprestén 4)asi: ri tta—ne 2=F"O=— 75 @ Para ilustrar el proceso de simulacién, a continuacién se presentan 20 valores de la variable X con distribucién normal esténdar obtenidos utilizando (7) y usando ‘20ndmeros aleatorios generados a través de una calculadora de bolsillo, ‘Naimeto alestotio r valor z 0.883 1.1882 0.206 0.8167 0.368 0.3348 0.040 “1.7556 0.522 0.0547 0.322 0.4591 0.867 1.1098 0.756 0.6898 0.635 0.3425 ostt 0.0273 0.609 0.2747 0.353 0.3747 0.016 -2.1500 0.283 0.5705 0.238 0.7091 0,006 -2.5199 0.245 0.6866 0.235 0.7188 0.740 0.6397 0.800 0.8380 También se simulan los pesos de 5 individuos provenientes de una poblacién normal con media =70 — kilogramos y desviacién estandar_o =2 , para ello se usan los cinco rimeros valores z pertenecientes a la anterior variable Z generados anteriormente y se utiliza la transformacién: “Hos xazoty ex Clencia en Desoroli, Ye 2 Ko. 1, (SavO1T 788 -Dcembe de 201, pp. 62-72Cals te DESARROLLO Finalmente, se obtienen los siguientes pesos simulados: -1882(2) + 70 = 72.3764 0.8167(2) + 70 = 68.3666 .3348(2) + 70 = 69,3304 1.7556(2) +70 = 66.4888 .0547(2) +70= 70.1094 Los valores de la variable aleatoria X con distribucién uniforme en el intervalo (- 1,1) se obtienen generando nimeras aleatorios r con distribucion U(0,1) y ® Como ilustracién del proceso de simulacién, se presentan a continuacién 15 valores x de la variable X con distribuctén uniforme en el intervalo (-1,1) ‘mediante la expresi6n (8) usando 15 nimeros aleatorios generados a través de una calculadora de balsillo, ‘Niimeto aleatotio r valor x 0.301 0.398 0.930 0.860 0.405 -0.190 0.320 -0.360 0.364 0,272 0.384 0.232 0.851 0.702 0.595, 0.190 0.703, 0.406 o.18t -0.638 0.184 0.632 0.238 0.524 0.474 -0.052 0.906 0.812, 0.841 0.682, Los valores x de ta variable aleatoria X con distribucién logistica se obtienen sgenerando némeros aleatorios r con distribucién y usando la expresién (6) asf: lenciaen Desa, el 2. 1, (SSW O121-4a9 = Deere de 2010, pp. 62-72 ils ead DESARROLLO a oe Acontinuacién, se obtienen 10 valores x de la variable X con distribucién logistica usando (9) mediante 10 niimeros aleatorios generados a través de una calculadora de bolsillo. ‘Niimero aleatorio r valor x 0.352 -0.6092 0.907 2.2741 0.169 1.5902 0.039 3.2001 0.995 5.2882 0.501 0.0039 0.294 0.8745 o711 0.8987 0.001 6.9021 0.998 6.2076 Conclusi6n. Existe una forma alternativa para simular variables aleatorias con una distribucién normal dada sin recurrir a los métodos clésicos expuestos por los autores citados en este trabajo, para ellos se utiliza la expresién (7) basada en la funcién inversa de la Distribucién Lambda Generalizada, la cual también se denomina la funcién cuantil de dicha distribucion. Las expresiones (8) y (9) permiten simular variables aleatorias con distribucién Uniforme en el intervalo (-1,1) y variables aleatorias con distribucién logistica respectivamente. También es posible usar procedimientos similares para simular un amplio espectro de variables aleatorias correspondientes a distribuciones de probabilidad provenientes de la Distribucién Lambda Generalizada. Bibliografia CCHURCHMAN, C. W. (1973). El enfoque de sistemas, Editorial Diana. Mexico. PAPOULIS, Athasios. (1991). Probability, Random variables and Stochastic Process. McGrow-Hill Inc, New York. ROSS, Sheldom. (1998). AFirst Course in Probability. Prentice Hall. United States of America. ee ex Clencia en Desoroli, Ye 2 Ko. 1, (SavO1T 788 -Dcembe de 201, pp. 62-72Cals te DESARROLLO Rios, Instia David. (2000). Simulacién, Métodos y Aplicaciones. Editorial Alfaomega. Bogota Colombia. BLANCO, Liliana. (2004). Probabilidad. Universidad Nacional de ‘Colombia. KARIAN, Z.A., DUDEWICZ, E.J. (2000). Fitting Statistical Distributions: ‘The Generalized Lambda Distribution and Generalized Bootstrap ‘Methods. CRC Press. Boca Ratén, Fl lenciaen Desa, el 2. 1, (SSW O121-4a9 = Deere de 2010, pp. 62-72 |