You are on page 1of 13

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.

1
Teora de Modelos y Simulacin
Enrique Eduardo Tarifa
Facultad de Ingeniera - Universidad Nacional de Jujuy

Generacin de Nmeros Aleatorios

Introduccin
Este captulo trata sobre la generacin de nmeros aleatorios. La misma es necesaria para la
simulacin de sistemas estocsticos como se ver en los siguientes captulos. En primer lugar
se definir qu se entiende por nmero aleatorio. A continuacin se estudiarn las pruebas a
que debe ser sometido un generador de nmero aleatorios antes de ser aceptado. Finalmente,
se presentarn mtodos para generar variables que siguen distribuciones de frecuente
aplicacin.

Propiedades de nmeros aleatorios
Una secuencia de nmeros aleatorios R
1
, R
2
, ..., debe tener dos importantes propiedades
estadsticas: uniformidad e independencia. Cada nmero aleatorio R
i
es una muestra
independiente tomada de una distribucin continua uniforme entre cero y uno. Esto es, la
funcin de densidad de probabilidad es:

'

otherwise
x
x f
0
1 0 1
) (
(1)

Esta funcin es graficada en la Figura 1. El valor esperado de cada nmero R
i
es dado por:
2
1
2
) (
1
0
1
0
2

x
dx x R E (2)

y la varianza es dada por:
12
1
4
1
3
1
2
1
3
)] ( [ ) (
2
1
0
1
0
3
2 2

,
_

x
R E dx x R V (3)

Como consecuencia de las propiedades de uniformidad e independencia se tiene:
1. Si el intervalo (0, 1) es dividido en n clases, o subintervalos de longitudes iguales, el
nmero esperado de observaciones en cada intervalo es N/n, donde N es el nmero
total de observaciones.
2. La probabilidad de observar un valor en un intervalo en particular es independiente de
los valores previamente observados.

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
2
1
x 1 0
f(x)

Figura 1: Distribucin uniforme.

Generacin de nmeros pseudos aleatorios
La palabra pseudos refiere a que los nmeros generados por los mtodos a estudiar no son
completamente aleatorios puesto que se conoce el modo de generarlos, y esta secuencia puede
ser reproducida cuantas veces sea necesaria. Realizada esta observacin, el objetivo de
cualquier generador de nmeros aleatorios es producir una secuencia de nmeros entre cero y
uno que tenga las propiedades ideales de uniformidad e independencia. A esto se agrega la
necesidad de contar con una longitud de ciclo suficientemente grande. La longitud de ciclo, o
periodo, representa la longitud de la secuencia de nmeros aleatorios que el generador
siempre repite.

Mtodo de congruencia lineal
El mtodo de congruencia lineal es ampliamente utilizado. Este mtodo produce una
secuencia de nmeros enteros, X1, X2, ... entre cero y m-1 de acuerdo a la siguiente relacin
recursiva:
m c X a X
i i
mod ) (
1
+
+

(4)

El valor inicial X0 se llama semilla, a es la constante multiplicativa, c es el incremento, y m es
el mdulo. Si c 0, se tiene el mtodo de congruencia mixta. Cuando c = 0, se tiene el mtodo
de congruencia multiplicativa. La seleccin de los valores a, c, m, y X
0
afecta fuertemente a
las propiedades estadsticas y la longitud de ciclo del generador.

Como ejemplo del mtodo de congruencia lineal se generar una secuencia para a = 17,
c = 43, m = 100 y X0 = 27. En este caso, el entero generado estar entre 0 y 99 debido al valor
del mdulo. Note tambin, que si se necesita generar una secuencia de nmeros aleatorios
entre 0 y 1, esta puede ser generada por:
m
X
R
i
i
(5)

Con esto, las secuencias generadas son:
i 0 1 2 3
X 27 2 77 52
R --- 0.02 0.77 0.52

Como puede deducirse de este ejemplo, debido a que X
i
es un entero del conjunto {0, 1, 2, ...,
(m-1)}, los nmeros aleatorios R
i
generados con este mtodo slo pueden asumir valores del
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
3
conjunto finito I = {0, 1/m, 2/m, ..., (m-1)/m}. Esto significa que se tiene una distribucin
discreta en lugar de una continua. sta ser una buena aproximacin cuando el mdulo sea
grande. Cuando esto ocurra, no existirn grandes huecos (gaps) entre los nmeros generados,
y se tendr una mxima densidad.

Para obtener la mxima densidad y evitar los ciclos (recurrencia de la misma secuencia de
nmeros ya generados) el generador debera tener el periodo ms grande posible. El mximo
periodo puede lograrse eligiendo apropiadamente los valores de los parmetros del generador,
por ejemplo (Banks et al., 1996):
Para m = 2
b
y c 0, el mximo periodo es P = m, y puede lograrse con un valor de c
que sea un nmero primo relativo a m (esto es, que el mximo factor comn entre
ambos sea 1), y a = 1+4k. k y b son enteros.
Para m = 2
b
y c = 0, el mximo periodo es P = m/4, y puede lograrse con un valor
impar para la semilla X0, y a = 3+8k, o a = 5+8k. k y b son enteros.
Para m nmero primo y c = 0, el mximo periodo es P = m-1, y puede lograrse con un
valor de a tal que el menor entero k que hace que a
k
-1sea divisible por m es k = m-1.

La Tabla 1 muestra la determinacin del periodo de un generador congruencial multiplicativo
para a = 13, m = 2
6
= 64, X0 = 1, 2, 3, 4. Se puede ver que el mximo periodo, 16, se alcanza
para las semillas impares, y ste es igual al mximo terico P = m/4 ya que a = 5+8k con
k = 1.

Tabla 1: Periodo de un generador.
i Xi Xi Xi Xi
0 1 2 3 4
1 13 26 39 52
2 41 18 59 36
3 21 42 63 20
4 17 34 51 4
5 29 58 23
6 57 50 43
7 37 10 47
8 33 2 35
9 45 7
10 9 27
11 53 31
12 49 19
13 61 55
14 25 11
15 5 15
16 1 3


Cuando la semilla es 1, la secuencia generada asume valores del conjunto {1, 5, 9, 13, ..., 53,
57, 61}. Los huecos entre los nmeros aleatorios Ri son grandes (5/64-1/64 = 0.0625,
densidad insuficiente), el periodo es demasiado corto; por lo tanto, no se recomienda la
utilizacin de este generador.

Un generador bastante utilizado en la prctica tiene los siguientes parmetros a = 7
5
= 16807,
m = 2
31
-1 = 2147483647 (un nmero primo) y c = 0. Estos valores aseguran un periodo
P = m-1. Para una semilla igual a 123457, los valores generados son:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
4
i 0 1 2 3
X 123457 2074941799 559872160 1645535613
R --- 0.9662 0.2607 0.7662

Generadores combinados
Cuando la aplicacin requiere de un periodo mayor al que se puede alcanzar con un generador
simple, se recurre a los generadores combinados de congruencia lineal. Para generar la
secuencia de Xi y Ri requerida, este generador necesita las salidas Xi,j, j = 1..k, de k diferentes
generadores de congruencia multiplicativa cuyos parmetros tienen los valores apropiados
para asegurar un periodo m
j
-1. El generador j produce la salida X
i,j
entera uniformemente
distribuida de 1 a m
j
-1. La combinacin se calcula mediante las siguientes frmulas:
) 1 ( mod ) 1 (
1
1
,
1

,
_

m X X
k
j
j i
j
i

(6)

'

>

0
1
0
1
1
1
i
i
i
i
X
m
m
X
m
X
R (7)

El periodo mximo posible es:
1
2 1
2
) 1 ( ) 1 ( ) 1 (

k
k
m m m
P
K
(8)

Para computadoras de 32 bits se sugiere combinar dos generadores k = 2 con m
1
=
2147483563, a
1
= 40014, m
2
= 2147483399 y a
2
= 40692. La semilla del primer generador se
toma del intervalo [1, 2147483562], y la semilla del segundo generador se toma del intervalo
[1, 2147483398]. El periodo es (m1-1) (m2-1)/2 2x10
18
.

Pruebas para nmeros aleatorios
Antes de aceptar un generador se debe probar cun bien satisface las propiedades ideales de
uniformidad e independencia. Algunas pruebas desarrolladas en tal sentido son:
Prueba de frecuencia: Usa el mtodo de Kolmogorov-Smirnov o el mtodo chi-
cuadrado para comparar una distribucin uniforme con la secuencia generada.
Prueba de corridas o rachas (runs test): Utiliza el chi-cuadrado para determinar la
presencia anormal de grupos de nmeros ascendentes, descendentes, por encima del
promedio, o por debajo del promedio.
Prueba de autocorrelacin: Compara la correlacin existente entre los elementos de
una secuencia con la correlacin nula esperada.
Prueba de huecos (gap test): Cuenta los nmeros de dgitos entre dos sucesivas
repeticiones y utiliza la prueba de Kolmogorov-Smirnov para comparar esta cantidad
con el valor esperado.
Prueba de poker: Controla que la frecuencia de aparicin de dgitos en una serie de
nmeros sea la esperada.

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
5
Tcnica de la transformada inversa
Hasta aqu se han estudiado los nmeros aleatorios y la forma de generarlos. Sin embargo,
generalmente en las simulaciones de sistemas estocsticos es necesario generar variables
aleatorias, las cuales tienen una distribucin distinta de la uniforme. La trasformada inversa
es uno de los mtodos utilizados para este fin.

La Figura 2 muestra en forma grfica el principio de este mtodo. Primero, se grafica la curva
de distribucin acumulada F(X) correspondiente a la distribucin deseada. Luego, se genera
un nmero aleatorio R, con el cual se ingresa por la ordenada y se intercepta la curva F(X), el
nmero X correspondiente a la abscisa del punto interceptado es un nmero aleatorio que
tiene la distribucin deseada.
F(X)
R
X
0
1
A B

Figura 2: Mtodo grfico.

Analticamente, el mtodo se representa como:
dt t f x F
x


) ( ) (
(9)

) (
1
R F X

(10)

donde f(x) es la funcin de densidad de probabilidad de la distribucin deseada. Para ver
porqu el X generado con este mtodo en realidad tiene la distribucin deseada, tome un valor
x
0
y compute la probabilidad acumulada:
) ( )) ( ( ) (
0 0 0
x F x F R P x X P
(11)

Puesto que F(x
0
) pertenece al intervalo [0,1], la segunda igualdad plantea que R es un nmero
uniformemente distribuido en dicho intervalo, y como F(x) es la funcin de probabilidad
acumulada de X, se concluye que esta variable tendr la distribucin deseada.

Distribucin exponencial
Utilizando el mtodo de la transformada inversa a continuacin se desarrolla un generador de
variables aleatorias con distribucin exponencial. La funcin de densidad de probabilidad es:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
6

'

<

0 0
0
) (
x
x e
x f
x

(12)

Entonces, la funcin de distribucin acumulada es:

'

<

0 0
0 1
) ( ) (
x
x e
dt t f x F
x
x

(13)

Esta distribucin generalmente se utiliza para modelar los tiempos entre llegadas de clientes.
En ese caso, el parmetro puede ser interpretado como el nmero medio de arribos por
unidad de tiempo, y 1/ sera el tiempo medio entre arribos.

Aplicando el mtodo de la transformada inversa, se tiene:
R e X F
X


1 ) ( (14)

X R R F

) 1 ln(
1
) (
1

(15)

Dado que R est uniformemente distribuido en el intervalo [0,1], entonces (1-R) tambin lo
est; por lo tanto se puede hacer la siguiente simplificacin:
) ln(
1
R X

(16)

Distribucin uniforme
Para generar una variable X con distribucin uniforme en el intervalo [a, b], la funcin de
densidad de probabilidad es:

'

otherwise
b x a
a b
x f
0
1
) (
(17)

La funcin de probabilidad acumulada es entonces:

'

>

<

b x
b x a
a b
a x
a x
x F
1
0
) (
(18)

De acuerdo al mtodo de la trasformada inversa:
R
a b
a X
X F

) ( (19)

Despejando, se tiene el generador correspondiente:
R a b a X ) ( +
(20)

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
7
Distribucin de Weibull
Esta distribucin se utiliza para modelar el tiempo entre fallas de maquinarias o componentes
electrnicos. Cuando el parmetro de localizacin es nulo ( = 0), la funcin de densidad de
probabilidad es:

'


otherwise
x e x
x f
x
0
0
) (
) / ( 1


(21)

El mtodo de la transformada inversa plantea que:
R e X F
X



) / (
1 ) ( (22)

Resolviendo, se tiene el generador correspondiente:

/ 1
)] 1 ln( [ R X (23)

Simplificando, se obtiene:

/ 1
)] ln( [ R X (24)

Distribucin triangular
Considere que la distribucin deseada es una distribucin triangular con la siguiente funcin
de densidad de probabilidad:

'

<

otherwise
x x
x x
x f
0
2 1 2
1 0
) ( (25)

Esta distribucin se denomina distribucin triangular con extremos (0, 2) y moda en 1. La
funcin de probabilidad acumulada es:

'

>
<

<

2 1
2 1
2
) 2 (
1
1 0
2
0 0
) (
2
2
x
x
x
x
x
x
x F
(26)

Aplicando el mtodo de la transformada inversa y operando se tiene el correspondiente
generador:

'

<

1 ) 1 ( 2 2
0 2
2
1
2
1
R R
R R
X
(27)

La frmula general para una distribucin triangular es:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
8

'

<

otherwise
c x b
a c b c
x c
b x a
a c a b
a x
x f
0
) ( ) (
) ( 2
) ( ) (
) ( 2
) (
(28)

'

<

c x b
a c b c
b x
a c
a b
b x a
a c a b
a x
x F
) ( ) (
) (
) ( ) (
) (
) (
2
2

(29)

Aplicando el mtodo de la transformada inversa se obtiene el siguiente generador:

'

< +

1 ) ( )] ( ) [(
0 ) ( ) (
R
a c
a b
b c a b R a c b
a c
a b
R R a c a b a
X
(30)

Distribucin emprica
Cuando no es posible encontrar una distribucin terica para modelar los datos, entonces se
utiliza una distribucin emprica. Esta puede estar expresada como una tabla de frecuencias o
directamente una tabla de datos sin procesar. En el primer caso se cuenta con intervalos y la
frecuencia de cada uno de ellos. Se calcula la frecuencia relativa y luego la acumulada, como
se muestra en el siguiente ejemplo.
Tabla 2: Tabla de frecuencias.
Intervalo Frecuencia Frecuencia relativa Frecuencia acumulada
0.25 x 0.5 31 0.31 0.31
0.5 < x 1.0 10 0.10 0.41
1.0 < x 1.5 25 0.25 0.66
1.5 < x 2.0 34 0.34 1.00

Para generar la variable aleatoria correspondiente se realiza interpolacin lineal en la Tabla 3,
la cual representa la funcin inversa de la probabilidad acumulada calculada con en la Tabla
2. Note que para facilitar el clculo, la pendiente a
i
de cada intervalo i se calcula de antemano
y se almacena en la tabla.

Tabla 3: Funcin inversa de la probabilidad acumulada.
i Entrada
r
i

Salida
x
i

Pendiente
a
i
1 0.00 0.25 0.81
2 0.31 0.50 5.00
3 0.41 1.00 2.00
4 0.66 1.50 1.47
5 1.00 2.00 ---

A modo de ejemplo, cuando R = 0.33, el X correspondiente se calcula como:
60 . 0 ) 31 . 0 33 . 0 ( 00 . 5 50 . 0 + X
(31)
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
9
Cuando se tienen pocos datos no es posible construir una tabla de frecuencias; en su lugar, se
construye una tabla de datos atribuyendo la misma probabilidad a cada uno de ellos. Suponga
que los siguientes 5 datos son los nicos disponibles: 2.76, 1.83, 0.80, 1.45 y 1.24. Primero, se
los ordena en forma creciente y se asigna la probabilidad 1/5 a cada uno de ellos. Luego, se
calcula la probabilidad acumulada y las pendientes. Como resultado se obtiene las siguientes
tablas:
Tabla 4: Tabla de datos.
Intervalo Probabilidad Probabilidad
acumulada
0.00 x 0.80 0.2 0.2
0.80 < x 1.24 0.2 0.4
1.24 < x 1.45 0.2 0.6
1.45 < x 1.83 0.2 0.8
1.83 < x 2.76 0.2 1.0

Tabla 5: Funcin inversa de la probabilidad acumulada.
i Entrada
ri
Salida
xi
Pendiente
ai
1 0.0 0.00 4.00
2 0.2 0.80 2.20
3 0.4 1.24 1.05
4 0.6 1.45 1.90
5 0.8 1.83 4.65
6 1.0 2.76 ---

Para un R = 0.71, el correspondiente X es:
65 . 1 ) 60 . 0 71 . 0 ( 90 . 1 45 . 1 + X
(32)

Distribuciones discretas
Las distribuciones discretas se pueden generar utilizando la transformada inversa de la misma
manera que se utiliz para las distribuciones empricas, slo que esta vez no es necesario la
interpolacin. Por ejemplo, si se desean generar los nmeros 0, 1 y 2 con las probabilidades
0.50, 0.30 y 0.20 respectivamente, se construye la siguiente tabla donde ya se calcul la
probabilidad acumulada:
Tabla 6: Tabla para una distribucin discreta.
i Entrada
ri
Salida
xi
1 0.50 0
2 0.80 1
3 1.00 2

Con esta tabla, el valor de X se calcula de la siguiente forma:

'

<
<

0 . 1 8 . 0 2
8 . 0 5 . 0 1
5 . 0 0
R
R
R
X (33)

Cuando la distribucin es uniforme y se desea generar nmeros en el intervalo [a, b]
espaciados por X, se puede utilizar el siguiente generador:
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
10
a X
X
a b
R Int X +
,
_

,
_

1
(34)

Para simular un dado se debe hacer a = 1, b = 6 y X = 1.

Transformada directa para la distribucin normal
Esta distribucin es ampliamente utilizada. La funcin de densidad de probabilidad es:
2
2
2
) (
2
1
) (

x
e x f (35)

Dado que no es posible obtener analticamente la funcin inversa de la probabilidad
acumulada, se recurre a mtodos alternativos. Uno de los mtodos ms empleados considera
dos variables con distribucin estndar normal Z
1
y Z
2
(media nula y varianza igual a uno), y
las expresa en coordenadas polares como sigue:
) sin(
) cos(
2
1

B Z
B Z


(36)

Se sabe que B
2
= Z
1
2
+ Z
2
2
tiene una distribucin chi-cuadrado con grado de libertad 2, la cual
es equivalente a una distribucin exponencial con media 2. Entonces, el radio B puede ser
generado con:
( )
2 / 1
1
) ln( 2 R B (37)

Debido a la simetra de la distribucin normal, se supone que est uniformemente
distribuido en el intervalo [0, 2]. Entonces, el ngulo se genera con:
2
2 R (38)

Finalmente, los valores Z1 y Z2 con distribucin normal estndar se obtienen generando B y
con las ecuaciones (37) y (38) respectivamente. El valor de X con una distribucin normal con
media y varianza
2
se calcula con:
Z X +
(39)

Una rutina basada en este mtodo que genera valores Z1 y Z2 con distribucin normal estndar
es:













Procedure Polar
Begin
Repeat
Generar R
1
,R
2

v
1
:= 2*R
1
- 1
v
2
:= 2*R
2
- 1
w := v
1
2
+ v
2
2

Until w 1
u := (-2*ln(w)/w)
1/2

Z
1
:= v
1
*u
Z
2
:= v
2
*u
End.
Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
11
Cuando, como en este caso, no es posible obtener analticamente la funcin inversa de la
probabilidad acumulada, entonces se puede aproximar esta funcin ya sea numricamente o
con expresiones simplificadas. Por ejemplo, se puede utilizar el siguiente generador de
Schmeiser que da una distribucin aproximada a la normal estndar:
1975 . 0
) 1 (
135 . 0 135 . 0
R R
Z

(40)

Otro generador de distribucin normal utiliza el teorema del lmite central que plantea: La
distribucin del promedio de n variables aleatorias independientes idnticamente distribuidas
con media y varianza
2
se aproxima a una distribucin normal con media y varianza

2
/n. El generador es:

,
_

6
12
1 i
i
R X
(41)

Este generador utiliza la sumatoria de una serie de nmeros aleatorios para obtener la
distribucin deseada. En la seccin siguiente se estudian otros generadores que utilizan este
mismo principio.

Mtodo de la convolucin
La distribucin de probabilidad de la suma de dos o ms variables aleatorias independientes
se denomina convolucin de las distribuciones correspondientes a las variables sumadas. El
mtodo de la convolucin suma dos o ms variables aleatorias para obtener una nueva con la
distribucin deseada. El centro del estudio ya no es la funcin de probabilidad acumulada de
la distribucin deseada, sino su relacin con otras distribuciones ms fcilmente generables.

Distribucin de Erlang
Una variable aleatoria X con distribucin Erlang con parmetros (K, ) puede ser modelada
con la suma de K variables aleatorias independientes X
i
con distribucin exponencial y media
1/(K ); esto es:

K
i
i
X X
1

(42)

Utilizando el generador de distribucin exponencial presentado anteriormente y operando, se
obtiene el generador con la distribucin deseada:

,
_

K
i
K
i
i i
R
K
R
K
X
1 1
ln
1
) ln(
1


(43)

Como ejemplo, suponga que a un depsito llegan camiones cuyos tiempos entre arribos
siguen una distribucin exponencial con media 0.1 h. A la entrada son desviados
alternativamente hacia el sur y hacia el norte. Se desea modelar el arribo de camiones al sector
sur. Los tiempos de llegada entre los camiones que llegan al sector sur sern iguales a la suma
de dos tiempos de arribos sucesivos al depsito; es decir, seguirn una distribucin Erlang con
K = 2 y 1/ = 0.2 h.

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
12
Tcnica de aceptacin y rechazo
En este mtodo se generan valores aleatorios que son sometidos a una prueba para verificar si
cumplen o no con la distribucin deseada. El resultado de esta prueba determina si el nuevo
valor es aceptado o rechazado. Un generador eficiente debe mantener el nmero de rechazos
lo ms bajo posible.

Distribucin de Poisson
Una variable N con distribucin Poisson puede ser interpretada como el nmero de arribos por
unidad de tiempo a velocidad en un proceso Poisson. En este proceso, los tiempos entre
arribos A
1
, A
2
, ... estn exponencialmente distribuidos con una velocidad (es el nmero
medio de arribos por unidad de tiempo). Por lo tanto, se puede construir un generador que
determine n tal que:
1 1 2 1
... 1 ...
+
+ + + < + + +
n n n
A A A A A A
(44)

Utilizando el generador exponencial anteriormente presentado, se tiene:

+

<

1
1 1
) ln(
1
1 ) ln(
1
n
i
i
n
i
i
R R


(45)

Operando:

+

>
1
1 1
) ln( ) ln(
n
i
i
n
i
i
R R
(46)

,
_

>

,
_


+

1
1 1
ln ln
n
i
i
n
i
i
R R
(47)


+

>
1
1 1
n
i
i
n
i
i
R e R


(48)

Entonces, el procedimiento para generar N con distribucin de Poisson es:
1. Hacer n 0, P 1.
2. Generar un nmero aleatorio R
n+1
y hacer P P R
n+1
.
3. Si P < e
-
, aceptar el nuevo valor N n, sino rechazar n, hacer n n + 1, y retornar
al paso 2.

Note que en promedio ser necesario generar +1 nmeros con distribucin exponencial por
cada valor de N. Cuando 15 esta tcnica se vuelve ineficiente, y conviene utilizar una
tcnica basada en la distribucin normal:

N
Z (49)

donde Z tiene una distribucin normal estndar. Entonces, para cada valor de Z se puede
calcular N con:
( ) Z Round N + (50)

Teora de Modelos y Simulacin. Generacin de Nmeros Aleatorios.
13
Distribucin gamma
Si el parmetro de forma tiene un valor entero K, se puede utilizar el mtodo de la
convolucin ya que la distribucin de Erlang es un caso especial de la distribucin gamma.
Por otra parte, el mtodo aceptacin y rechazo que se describir a continuacin puede ser
utilizado para generar variables con distribucin Erlang cuando K es grande. La rutina
siguiente genera variables con distribucin gamma con parmetro de escala y parmetro de
forma ; esto es, con media 1/ y varianza 1/(
2
):
1. Hacer a (2 -1)
1/2
, b 2 - ln(4) + 1/a.
2. Generar R1 y R2.
3. Hacer X (R
1
/(1-R
1
))
a
.
4. Hacer c b - ln(R
1
2
R
2
).
5. Si X > c, rechazar X y retornar al paso 2.
6. Si X c, hacer X X/( ), aceptar X como la variable deseada.