You are on page 1of 21

Instituto Tecnolgico Superior de Martnez de la Torre

Nombre de la asignatura: Simulacin. Unidad: 3.- Generacin de Variables Aleatorias

Nombre de los integrantes: Mndez Torres David (110I0147) Toledano Vzquez Ademar (110I0144) Bonilla Contreras Sara (110I0143) Rodrguez Zamudio Erick (110I0139) Arroyo Vzquez Susana (110I0133) Palacios Galindo Larissa (110I0145) Bello Gonzales Elena Denisse (110I0318)

Semestre y grupo: 5A.

Nombre de la Ingeniera: Ingeniera en Sistemas Computacionales.

Ttulo de la Evidencia: Investigacin U3

Docente: Ing. Francisco Xavier Yez Bringas

Lugar y fecha: Martnez de la Torre, Ver. A 6 de Noviembre del 2013.

ndice
Introduccin ..................................................................................................................... 3 3.-Generacin de variables aleatorias. ........................................................................... 4 3.1.- Conceptos bsicos. ................................................................................................... 4 3.2.- Variables aleatorias discretas .................................................................................... 6 3.3.- Variables aleatorias continuas ................................................................................... 7 3.4.-Mtodos para generar variables aleatorias ................................................................ 8 3.4.1.-Mtodo de la transformada inversa .......................................................................... 9 3.4.2.-El mtodo de convolucin ...................................................................................... 12 3.4.3.-Mtodo de Composicin ........................................................................................ 13 3.6.-Pruebas estadsticas. (Pruebas de bondad de ajuste). ............................................. 15 PRUEBA DE CHI-CUADRADO.................................................................................................... 15 PRUEBA DE KOLMOGROV-SMIRNOV ................................................................................. 17 Conclusin ..................................................................................................................... 20 Bibliografa ..................................................................................................................... 21

Introduccin
Buscamos mtodos que nos permitan obtener valores de variables aleatorias que sigan determinadas distribuciones de probabilidad a partir de los nmeros aleatorios generados, que siguen la distribucin Uniforme en el intervalo (0,1). Hay cuatro mtodos generales de generacin de variables aleatorias y una serie de mtodos particulares de las distintas distribuciones. La facilidad de aplicacin de dichos mtodos, as como el coste computacional asociado a los mismos, vara mucho segn la familia de variables aleatorias a las que se apliquen. Normalmente existen varios algoritmos que se pueden utilizar para generar valores de una determinada distribucin, y diferentes factores que se pueden considerar para determinar qu algoritmo utilizar en un caso particular. Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y a veces se ha de llegar a una solucin de compromiso. Algunos de estos factores son los siguientes: Exactitud: se han de obtener valores de una variable con una precisin dada. A veces se tiene suficiente con obtener una aproximacin y otras no. Eficiencia: el algoritmo que implementa el mtodo de generacin tiene asociado un tiempo de ejecucin y un gasto de memoria. Elegiremos un mtodo que sea eficiente en cuando al tiempo y a la cantidad de memoria requeridos. Complejidad: Buscamos mtodos que tengan complejidad mnima, siempre y cuando se garantice cierta exactitud.

3.-Generacin de variables aleatorias.


3.1.- Conceptos bsicos.
En todo modelo de simulacin estocstico, existen una o varias variables aleatorias interactuando. Generalmente, estas variables siguen distribuciones de probabilidad tericas o empricas diferentes a la distribucin uniforme. Por consiguiente, para simular este tipo de variables, es necesario contar con un generador de nmeros uniformes y una funcin que a travs de un mtodo especifico, transforme estos nmeros en valores de distribucin de probabilidad deseada. Existen varios procedimientos para lograr este objetivo. Entre los procedimientos ms comunes y ms difundidos se pueden mencionar: 1) 2) 3) 4) El mtodo de la transformada inversa. El mtodo de rechazo. El mtodo de composicin. Procedimientos especiales.

El mtodo de la transformada inversa. Utiliza la distribucin acumulada de la distribucin que se va a simular. se determina al resolver la siguiente ecuacin: (R) El mtodo de rechazo. Este mtodo consiste primeramente en generar un valor de la variable aleatoria y en seguida probar que dicho valor simulado proviene de la distribucin de probabilidad que se est analizando. El mtodo de composicin. Mediante este mtodo la distribucin de probabilidad se expresa como una mezcla de varias distribuciones de probabilidad seleccionadas adecuadamente. Procedimientos especiales. Existen algunas distribuciones como la distribucin Erlang, la distribucin normal, etc., cuya simulacin a travs del mtodo de la transformada inversa sera demasiado complicado. Para estas y algunas otras

distribuciones, es posible utilizar algunas de sus propiedades para facilitar y agilizar el proceso de generacin de nmeros al azar. Ejemplo: Si se lanza una moneda 3 veces, el nmero de caras es una variable aleatoria que toma los valores 0, 1, 2, 3; es decir puede que ninguna vez, una sola, dos o tres veces salga cara como resultado; la probabilidad de que = 2 (dos caras) es 3/8 ya que el espacio muestra y de estos ocho resultados hay tres en los cuales hay dos caras.

Con esto podemos ver que: El espacio muestra es el Dominio de la funcin El conjunto de valores que la variable puede tomar es el Rango recorrido de la funcin, que es un subconjunto de los nmeros reales. Si el conjunto de valores de es un conjunto finito o infinito numerable, es decir, si se pueden enlistar o enumerar, se dice que la variable es discreta, dicho de otra manera si el rango de la funcin es un subconjunto de los enteros , la variable aleatoria se llama variable aleatoria discreta. Son ejemplos de variables aleatorias discretas el nmero de alumnos que asisten diariamente durante un semestre el nmero de accidentes automovilsticos en una ciudad por da, el nmero de piezas defectuosas por lote, el nmero de alumnos aprobados por grupo en un examen, etc. si el conjunto de valores de es no numerable, o es un subconjunto de los nmeros reales, la variable aleatoria se llama variable aleatoria continua. Son

ejemplos de variables aleatorias continuas: la estatura, el peso, la edad, el volumen, el pH, etc.

Una variable aleatoria es una funcin cuyo dominio es el espacio muestra cuyo rango es un subconjunto de los nmeros reales que tiene asociada a su conjunto de valores una funcin de probabilidad.

3.2.- Variables aleatorias discretas


En el ejemplo de las monedas, se procede del siguiente modo: se hallan las probabilidades de cada resultado, y se apuntan en la segunda columna, la suma total debe de dar la unidad. En la tercera columna, se escriben las probabilidades acumuladas.

Se sortea un nmero aleatorio uniformemente distribuido en el intervalo , el resultado del sorteo se muestra en la figura. En el eje se sitan los distintos resultados que hemos nombrado En el eje vertical las probabilidades en forma de segmentos verticales de longitud igual a la

probabilidad Pi de cada uno de los resultados, dichos segmentos se ponen unos a continuacin de los otros, encima su respectivo resultado Se obtiene as una funcin escalonada. Cuando se sortea una variable aleatoria , se traza una recta horizontal cuya ordenada sea . Se busca el resultado cuya abscisa sea la interseccin de dicha recta horizontal y del segmento vertical, tal como se seala con flechas en la figura. Si el nmero aleatorio R est comprendido entre y se obtiene el resultado denominado

La tabla describe el sorteo de una variable discreta, siendo aleatoria uniformemente distribuida en el intervalo Condicin Resultado

una variable

3.3.- Variables aleatorias continuas

Si es una variable aleatoria continua, entonces la regla de la correspondencia que define la funcin distribucin acumulada es:

El integrando es la funcin densidad de probabilidad, y al derivar la expresin anterior (Teorema Fundamental del Clculo) se tiene que: ( )

3.4.-Mtodos para generar variables aleatorias


Los mtodos ms empleados para la generacin de variables aleatorias son: Mtodo de la transformada inversa: Consiste en emplear la distribucin acumulada de la distribucin de probabilidad a simular por medio de integracin; como el rango de se encuentra en el intervalo de cero a uno , se debe generar un nmero aleatorio para luego determinar el valor de la variable aleatoria cuya distribucin acumulada es igual a El problema de este mtodo radica en el hecho que algunas veces se dificulta demasiado la consecucin de la transformada inversa. Mtodo de convolucin: Permite generar una distribucin a partir de la suma de distribuciones ms elementales o mediante la transformada .

Mtodo de aceptacin y rechazo: Cuando es una funcin acotada y tiene un rango finito, como , se utiliza este mtodo para encontrar los valores de las variables aleatorias. El mtodo consiste en normalizar el rango de mediante un factor de escala , luego definir a como una funcin lineal de , despus se generan parejas de nmeros aleatorios , y por ltimo si el nmero encontrado se elige al azar dentro del rango y , se utiliza este mtodo para encontrar los valores de las variables aleatorias. El mtodo consiste en normalizar el rango de f mediante un factor de escala , luego definir a como una funcin lineal de r, despus se generan parejas de nmeros aleatorios y por ltimo si el nmero encontrado se elige al azar dentro del rango y , se acepta, en caso contrario se rechaza. El problema de este mtodo es la cantidad de intentos que se realizan antes de encontrar una pareja exitosa. Mtodo de composicin: Con este mtodo la distribucin de probabilidad se expresa como una mezcla o composicin de varias distribuciones de probabilidad seleccionadas adecuadamente. Procedimientos especiales: Existen algunas distribuciones estadsticas de probabilidad en las cuales es posible emplear sus propiedades para obtener expresiones matemticas para la generacin de variables aleatorias en forma eficiente. En varios casos se aplica el Teorema Central del Lmite y en otros se utiliza el mtodo directo para encontrar las variables aleatorias.

3.4.1.-Mtodo de la transformada inversa


Existen varios mtodos que nos permiten generar variables aleatorias. Lo normal es que existan varias opciones para generar una misma variable aleatoria. La eleccin del mtodo adecuado se puede basar en una serie de factores como: Exactitud: Se prefiere un mtodo exacto frente a mtodos aproximados, como soluciones numricas. Velocidad: Uno de los datos que se toma en consideracin es el tiempo de generacin de la variable. Espacio: Necesidades de memoria del mtodo utilizado. En general, los mtodos no consumen mucha memoria. Simplicidad. La mayora de las tcnicas utilizadas para la generacin se pueden agrupar en: Mtodo de la transformada inversa Mtodo de aceptacin-rechazo Mtodo de composicin Mtodo de convolucin

Generacin de variables aleatorias La variabilidad de eventos y actividades se presentan a travs de funciones de densidad para fenmenos continuos, y mediante distribuciones de probabilidad para fenmenos de tipo discreto. La simulacin de estos eventos o actividades se realiza con la ayuda de la generacin de variables aleatorias. Mtodo de la transformada inversa El mtodo de la transformada inversa puede utilizarse para simular variables aleatorias continuas, lo cual se logra mediante la funcin acumulada y la generacionde nmeros pseudoaleatorios . El mtodo consiste en: Definir la funcin de Densidad que representa la variable a modelar Calcular la funcin acumulada . Despejar la variable aleatoria x y obtener la funcin acumulada inversa . Generar las variables aleatorias x, sustituyendo valores con nmeros pseudoaleatorios en la funcin acumulada inversa. El mtodo de la transformada inversa tambin puede emplearse para simular variables aleatorias del tipo discreto, como en las distribuciones de Poisson, de Bernoulli, binomial, geomtrica, discreta general, etc. La generacin se lleva a cabo a travs de la probabilidad acumulada y la generacin de nmeros pseudoaleatorios .

Metodologa para generar variables aleatorias continas Funcin de la densidad Funcin de la probabilidad acumulada

Metodologa para generar variables aleatorias discretas Distribucin de probabilidad Distribucin de acumulada

Distribucin Uniforme A partir de la funcin de la densidad de las variable aleatorias uniformes entre a y b.

Se obtiene la funcin acumulada

Igualando la funcin acumulada , y despejando x se obtiene:

con el nmero pseudoaleatorio

10

Ejemplo 1 Los datos del tiempo de servicio en la caja de un banco se comportan de forma exponencial con media de 3 minutos/cliente. Una lista de los nmeros pseudoaleatorios y la ecuacin generadora exponencial nos permite simular el comportamiento de la variable aleatoria. Cliente 1 2 3 4 5 Tiempo de servicio (min) 3.06 5.31 0.09 2.07 0.70

0.64 0.83 0.03 0.50 0.21

Distribucin de Bernoulli A partir de la distribucin de probabilidad de las variables aleatorias de Bernoulli con media para Se calculan las probabilidades para , para obtener
x p(x) 0 1-p 1 p

Acumulando los valores de

se obtiene:
x p(x) 0 1-p 1 1

Generando nmeros pseudoaleatorios {

se aplica la regla:

La tabla siguiente muestra la demanda diaria de cepillos dentales en un supermercado. Da 1 Demanda 1 2 2 3 2 4 1 5 3 6 0 7 3 8 1 9 3

Simular el comportamiento de la demanda mediante el mtodo de la transformada inversa.

11

A partir de la informacin histrica se calculan las probabilidades puntuales y las acumuladas para
x 0 1 2 3 P(x) 0.1111 0.2222 0.3333 0.3333 P(x) 0.1111 0.3333 0.6666 1

La regla para generar esta variable aleatoria estara dada por:

Con la lista de nmeros pseudoaleatorios y la regla anterior es posibles simular la demanda diaria de cepillos dentales, tal como se muestra
Da 1 2 3 4 5 0.213 0.345 0.021 0.987 0.543 Demanda diaria 1 2 0 3 2

3.4.2.-El mtodo de convolucin


Para algunas distribuciones importantes, la variable aleatoria puede ser expresada como la suma de otras variables aleatorias que son IID (idntica e independientemente distribuidas) y pueden ser generadas ms fcilmente que la generacin directa de . El mtodo de convolucin asume que existen variables aleatorias, tal que la suma de todas ellas tiene la misma distribucin que , entonces se calcula:

Genere G. 2. Aplique

variables aleatorias IID cada una con funcin de distribucin

12

Ejemplo: La variable aleatoria X m-Erlang con media b puede definirse como la suma de m variables aleatorias exponenciales IID con una media comn b/m. Entonces para generar X, debemos primero generar variables exponenciales IID con media b/m, y posteriormente calcular . Por ejemplo, genere una variable aleatoria X 5-Erlang con media 12 usando el mtodo de convolucin. Solucin: i 1 2 3 4 5

0.786571 0.942356 0.113521 0.657723 0.384123 SUMA

3.7066825 6.8483259 0.28919482 2.5731238 1.1632992

3.4.3.-Mtodo de Composicin
Otro mtodo para generar valores de variables aleatorias no-uniformes es el mtodo de composicin. Mediante este mtodo la distribucin de probabilidad se expresa como una mezcla de varias distribuciones de probabilidad seleccionadas adecuadamente. El procedimiento para la seleccin de las se basa en el objetivo se minimizar el tiempo de computacin requerido para la generacin de valores de la variable aleatoria analizada. Este mtodo se puede usar si la FDA suma ponderada de otras . Y deseada se puede expresar como una

El nmero de funciones puede ser finito o infinito, y las FDA son compuestas para formar la FDA deseada; de aqu el nombre de la tcnica. Esto tambin se puede ver como que la FDA deseada es descompuesta en otras FDA; por esto la tcnica a veces es llamada descomposicin. La tcnica tambin se puede usar si la funcin de densidad descompuesta como una suma ponderada de otras densidades: y En cualquier caso, los pasos a seguir son: puede ser

13

1. Genere un entero aleatorio tal que el mtodo de transformacin inversa. 2. Genere x con la i-esima densidad fi (x) y retorne.

. Esto puede ser hecho con

Consideremos y dos variables discretas con funciones de probabilidad puntual y , respectivamente, y supongamos que deseamos generar valores de una variable aleatoria cuya funcin puntual de probabilidad viene dada por:

Se asume que sabemos generar valores de y . Para generar un valor de , generamos un nmero aleatorio u. Si generamos un valor de ; en caso contrario, generamos un valor de .

Procedimientos especiales Las distribuciones con caractersticas especiales se generan mediante algoritmos especializados. Distribucin normal Para generar variables aleatorias a partir de la funcin de distribucin normal, considera la ventaja del teorema central del lmite que asegura que la suma de variables aleatorias independientes y distribuidas idnticamente con una media y una varianza 2 es aproximadamente distribuida normalmente con media y variancia . Entonces si se toman nmeros aleatorios entre y con media 0,5 y varianza 1/12 (porque la media de una distribucin uniforme continua es y la variancia es , entonces para y se tienen los valores de media y varianza ), entonces la variable aleatoria se calcula como: Y tiene una distribucin normal con media normal estndar se define entonces como: Cuando k aumenta mejora la aproximacin, pero aumenta el tiempo de clculo, por lo que un valor razonable de es , y entonces: Y como se quiere una variable normal calcula con la ecuacin: con media y desviacin normal , se y varianza . La variable

14

Distribucin de Poisson Para una distribucin de Poisson, con tiempos entre arribos distribuidos exponencialmente con media el nmero de arribos n sobre un perodo dado T tiene una distribucin de Poisson con parmetro (llegadas/unidad de tiempo). Para generar una variable con distribucin de Poisson, se suman las variables generadas exponencialmente hasta que la suma exceda el valor de y se retorna el nmero de variables generadas como variable de Poisson. La funcin de Poisson es:

Algoritmo de generacin de variables discretas de Poisson: 1. Se tiene un contador en se calcula A = e2. Se genera 3. Se hace 4. Si y se repite desde . 5. Si es la variable de Poisson.

3.6.-Pruebas estadsticas. (Pruebas de bondad de ajuste).


Las pruebas de bondad de ajuste son aquellas que comparan los resultados de una muestra con los que se espera obtener cuando la hiptesis nula es verdadera. Esta tienen por objetivo determinar si los datos se ajustan a una determinada distribucin, la cual puede estar completamente especificada (hiptesis simple) o perteneciente a una clase para-mtrica (hiptesis compuesta). Se destacan las siguientes:

PRUEBA DE CHI-CUADRADO

Es una prueba no para-mtrica la cual se emplea tanto para distribuciones continuas como para las discretas. Esta se utiliza para encontrar la distribucin de una serie de datos. Utiliza la siguiente formula:

15

Donde es un valor de una variable aleatoria cuya distribucin muestral se aproxima muy de cerca con grados de libertad. Los smbolos y representan las frecuencias observadas y esperada, respectivamente, para la isima celda.

Hiptesis: : la muestra se ajusta a una distribucin terica (esperado o modelo). : la muestra no se ajusta a una distribucin terica (esperado o modelado). Pasos para realizar la prueba de chi-cuadrado: Partiendo del supuesto de que los datos son normales y que ya se conocen la media y desviacin se hace lo siguiente:
1. 2. 3. 4.

5. 6. 7.

8.

Determinar el nmero de intervalos y partiendo del lmite superior e inferior, y el tamao del intervalo se calcula cada uno para los intervalos. Determinar la frecuencia observada por cada intervalo. Hallar la frecuencia relativa esperada acumulada teniendo en cuenta la funcin de distribucin a utilizar, el lmite superior, la media y desviacin. Hallar la frecuencia relativa esperada restando la frecuencia relativa esperada acumulada con el dato anterior de la frecuencia dentro de la columna. Hallar la frecuencia observada esperada multiplicando la frecuencia relativa esperada con la suma de los datos de la frecuencia observada. Calcular el estimador a partir de la frmula de chi-cuadrado. Se suman los datos calculados en el paso anterior. Se determinan los grados de libertad restando el nmero de intervalos con 1 y teniendo en cuenta la suma anterior se busca en la siguiente tabla:

16

9.

Si el estimador es menor o igual al valor correspondiente en la tabla entonces se acepta , en caso contrario se rechaza.

PRUEBA DE KOLMOGROV-SMIRNOV

Es una prueba no para-mtrica la cual se emplea solo para distribuciones continuas. Esta tiene como objetivo encontrar el tipo de distribucin de una serie de datos, se considera ms eficiente que la prueba de chi-cuadrado debido a que trabaja con la distribucin de probabilidad acumulada: la distribucin acumulada de los datos observados y la distribucin acumulada terica correspondiente al modelo elegido. Ventajas: Es una prueba poderosa y fcil de utilizar, puesto que no requiere que los datos se agrupen de determinada manera.

17

Es particularmente til para juzgar qu tan cerca est la distribucin de frecuencias observada de la distribucin de frecuencias esperada, porque la distribucin de probabilidad depende del tamao de muestra n, pero es independiente de la distribucin de frecuencia esperada ( es una estadstica de distribucin libre o desviacin absoluta mxima entre las frecuencias observadas y tericas).

Pasos para realizar la prueba de Kolmogrov-Smirnov. Partiendo del supuesto de que los datos son normales y que ya se conocen la media y desviacin se hace lo siguiente: 1. Identificar la muestra de la poblacin a utilizar. 2. Plantear la hiptesis para la muestra: Ho, hiptesis nula. Hi, hiptesis alternativa. 3. Calcular la frecuencia observada de cada uno de los intervalos, luego se suman todas las frecuencias observadas. 4. Calcular la frecuencia observada relativa (frecuencia observada de cada intervalo/la sumatoria total de la frecuencia observada). 5. Luego se calcula las frecuencias observada relativa acumulada (FORA) y la frecuencia esperada relativa acumulada (FERA). 6. Se calcula el Estadstico de Prueba de cada intervalo con la siguiente formula:

7. Se busca en la siguiente tabla de acuerdo al tamao de la muestra y un alfa , el valor esperado: Se realiza el procedimiento normal. : Se aplica la frmula que se expone en la tabla.

18

8. Si el estimador de la prueba es menor que el valor que se encontr en la tabla entonces se acepta la hiptesis planteada, de lo contrario se rechaza.

19

Conclusin
Los mtodos de generacin de variables aleatorias son muy tiles para generar nmeros con distribuciones varias, el aplicar estos mtodos con nmeros pseudoaleatorios previamente obtenidos es una forma que dar mayor solides a la generacin de variables aleatorias puesto que al someterse a diversas pruebas no parecen obtenerse patrones de comportamiento.

20

Bibliografa
Llins Solano Humberto. Estadstica Inferencial. Ediciones Uninorte. 2006. Walpole Ronald, Myers Raymond, Myers Sharon. Probabilidad y estadstica para ingenieros. Pearson Educacin. 1999 Discret-Event System Simulation, Jerry Banks, John S. Carson II, Barry Nelson, Fifth Edition, Ed. Prentice-Hall, (2010). Jerry Banks. Discrete- Event System Simulation. Capitulo 1. Raul Coss. Simulacin un enfoque prctico Simulacin Mtodos y aplicaciones. David Rios Insua.

21