INSTITUTO

TECNOLOGICO DE TAPACHULA
UNIDAD III: GENERACION DE VARIABLES
ALETORIAS.
SIMULACION
CATEDRTICO:
ING. MILTON CARLOS HERNANDEZ RAMIREZ

ALUMNOS:
Acosta Cruz Adela Guadalupe.
Arvalo reyes Adalberto.
De la cruz barrios Hilma kristel
De len Vilches Isabel
Komukai Lucero Selene Izumi
Mndez Ponce Nayeli
Ruiz Santiago.
5 SEMESTRE B

2
NOVIEMBRE DE 2015
CONTENIDO

PAG.

Introduccin... 3
3.1.- Conceptos bsicos... 4
3.2.- Variables aleatorias discretas..... 6
3.3.- Variables aleatorias continas...12
3.4.- Mtodos para generar variables aleatorias...21
3.4.1.- Mtodo de la transformada inversa.21
3.4.2.- Mtodo de convolucin..22
3.4.3.- Mtodo de composicin.23
3.5.- Procedimientos especiales...24
3.6.- Pruebas estadsticas. (Pruebas de bondad de ajuste)....25
Conclusin...26
Bibliografia...27

3
INTRODUCCION
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 distribuci6n Uniforme en el intervalo (0,1).
Hay cuatro mtodos generales de generaci6n de variables aleatorias y una serie
de mtodos particulares de las distintas distribuciones.
La facilidad de aplicacion de dichos mtodos, as como el coste computacional
asociado a los mismos, varfa mucho segun la familia de variables aleatorias a las
que se apliquen.
Normalmente existen varios algoritmos que se pueden utilizar para general
valores de una determinada distribuci6n, y diferentes factores que se pueden
considerar para determinar que algoritmo utilizar en un caso particular.
Desafortunadamente dichos factores suelen entrar en conflicto unos con otros y a
veces se ha de Ilegar a una soluci6n de compromiso.
Algunos de estos factores son los
siguientes:

Exactitud: se han de obtener valores de una variable con una precisi6n dada. A
veces se tiene suficiente con obtener una aproximaci6n y otras no.
Eficiencia: el algoritmo que implementa el mtodo de generaci6n tiene asociado
un tiempo de ejecuci6n y un gasto de memoria Elegiremos un m6todo que sea
eficiente en cuando al tiempo y a la cantidad de memoria requeridos.
Complejidad: Buscamos m6todos que tengan complejidad mnima, siempre y
cuando se garantice cierta exactitud.

4
3.1.- CONCEPTOS BSICOS
Un generador de nmeros aleatorios es un dispositivo informtico o fsico
diseado para producir secuencias de nmeros sin un orden aparente.
Algoritmos: Los algoritmos para la generacin de valores uniformemente
distribuidos estn presentes en todas las calculadoras y lenguajes de
programacin, y suelen estar basados en congruencias numricas del tipo:

El xito de este tipo de generadores de valores de una variable aleatoria depende

de la eleccin de los cuatro parmetros que intervienen inicialmente en la
expresin anterior:
El valor inicial o semilla:
La constante multiplicativa:
La constante aditiva:
El nmero

respecto al cual se calculan los restos

Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la
siguiente condicin:
La mayor parte de los generadores de nmeros aleatorios son, en realidad,
pseudoaleatorios; se calcula (o introduce internamente) un valor x0, que
llamaremos semilla, y, a partir de l, se van generando x1,x2, x3, ...
Siempre que se parta de la misma semilla, se obtendr la misma secuencia de
valores.

5
Por la condicin anterior, es evidente que todos los valores generados por este
procedimiento son nmeros enteros entre 0 y

-1. El nmero mximo de cifras

distintas que pueden obtenerse con el procedimiento descrito es

, as que

llegar un momento en que el primer nmero generado se repetir producindose

un ciclo.
El ciclo dnde inevitablemente caer el generador interesa que sea de la mayor
longitud posible (como mximo

), para evitar que se repitan pronto los valores

aleatorios. Por ejemplo, para los valores

se

obtiene la siguiente secuencia de valores:

2-11-6-23-10-3-14-15-18-27-22-7-26-19-30-31-2-11-6
La secuencia generada tiene como longitud 16 nmeros (el nmero generado en
la decimosptima posicin es el 2 inicial, por lo que toda la secuencia se repite a
partir de ah), muy inferior a la longitud mxima que podra tener (
Determinadas elecciones de parmetros del generador
a ciclos de amplitud mxima.
Si c0:

Rectificacin

Mximo comn divisor

Para cada primo p de m

Si 4 es divisor de m
Si c=0:

=32).

conducen

6
m es primo

Para cada factor primo p de m-1 (Rectificacin: la

condicin es que NO SEA congruente para cada factor primo p de m-1).

Por ejemplo, tomando como valores

se

obtiene la siguiente secuencia de nmeros, que tiene longitud mxima:

1-8-11-26-5-28-15-14-9-16-19-2-13-4-23-22-17-24-27-10-21-12-31-30-25-0-3-1829-20-7-6-1

3.2.- VARIABLES ALEATORIAS DISCRETAS

Variable aleatoria discreta: una V.A. es discreta si su recorrido es un conjunto
discreto.
En gran cantidad de experimentos aleatorios es necesario cuantificar los
resultados, es decir, asignar a cada resultado del experimento un nmero, con el
fin de poder realizar un estudio matemtico.
Si la variable aleatoria es discreta la describimos segn su distribucin de
probabilidades, que consiste en una lista de valores posibles de la variable y la
proporcin de veces que esperamos que ocurran:

x1 x2

...

xk

P(x)

p1 p2

...

pk

7
Volvamos al experimento aleatorio de lanzar una moneda 3 veces

Espacio muestral S={ccc, ccs, css, csc, sss, ssc, scc, scs}
Sea X = nmero de caras,

x = 0, 1, 2, 3

Escriba la distribucin de probabilidades de X:

x
P(x)

Modelo para el nmero de libros en mochilas de estudiantes

Sea X una variable aleatoria que representa el nmero de libros que llevan en la
mochila los estudiantes de esta universidad:

P(x)

0,

0,2

0,2

0,1

a) Describa la forma de la distribucin

b) Qu proporcin de estudiantes llevan 3 o menos libros (

)?

c) Qu proporcin de estudiantes llevan ms de 2 libros (

)?

d) Qu proporcin de estudiantes llevan entre 2,1 y 2,8 libros (

)?

8
e) Qu proporcin de estudiantes llevan entre 1 y 2 libros (

)?

La distribucin de probabilidades de una variable aleatoria discreta X es una

funcin (tabla o regla), denotada por p(x) o P[ X=x ], que asigna una probabilidad a
cada valor posible de la variable aleatoria X.

Propiedades de una funcin de distribucin:

1. Los valores de las probabilidades estn entre 0 y 1 (

2. La suma de las probabilidades es 1 (

) para todo x

Tamao familiar
Sea

el

nmero

de

personas

de

hogares

en

el

censo

(http://www.ine.cl/cd2002/index.php)

7
ms

p(x)

0,11

0,18

0,22

0,23

0,14

0,07

2002

9
a) Cunto debe ser la probabilidad de que el tamao familiar sea de 7 y ms
personas para que esta sea una distribucin de probabilidades discreta
legtima?
b) Muestre grficamente la distribucin de probabilidades.
c) Cul es la probabilidad de que un hogar elegido al azar tenga un tamao
familiar de ms de 5 personas?
d) Cul es la probabilidad de que un hogar elegido al azar tenga un tamao
familiar de no ms de 2 personas?
e) Cul es

No todas las tablas representan un modelo discreto

Un modelo discreto puede servir para describir la distribucin de una variable
cualitativa, pero no cualquier tabla representa una variable aleatoria. Considere
por ejemplo la siguiente tabla que contiene informacin acerca del tipo de mascota
que poseen en cierto barrio:

Mascota Perr Gat

o

Otra
s

Proporci 0,70 0,40 0,20

n

10

Es esta una distribucin discreta legtima?

Si X es una variable aleatoria discreta que toma valores x1, x2, ... xk, con
probabilidad p1, p2,... pk, entonces la media o el valor esperado de X est dado
por:

la varianza de X est dada por:

y la desviacin estndar de X est dada por:

11

En el caso del nmero de caras al lanzar 3 monedas, la distribucin de

probabilidades de X es:
x

p(x)

1/8

3/8

3/8

1/8

La media de X es:

12

Y la desviacin estndar de X es :
Calcule las medias y desviaciones estndar en los dems ejercicios.

3.3 VARIABLES ALEATORIAS CONTINUAS

Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real.
En el caso de variables aleatorias continuas no tiene sentido plantearse
probabilidades de resultados aislados. La probabilidad de valores puntuales es
cero.
El inters de estas probabilidades est en conocer la probabilidad correspondiente
a un intervalo.
Dicha probabilidad se conoce mediante una curva llamada funcin de densidad y
suponiendo que bajo dicha curva hay un rea de una unidad.
Conociendo esta curva, basta calcular el rea correspondiente para conocer la
probabilidad de un intervalo cualquiera.
Definicin:
Una funcin de densidad es una funcin o curva que describe la forma de una
distribucin.

El rea total bajo la curva es igual a uno y calculamos probabilidades como reas
bajo la curva de densidad.

13
Propiedades de una funcin densidad:

La funcin densidad de una variable aleatoria continua X es una

funcin,

denotada por f(x), que satisface:

1.

La densidad es siempre mayor o igual a cero.

2. El rea bajo la curva de densidad es uno

3.

= es el rea o proporcin entre a y b

La distribucin Normal

Existe una distribucin de frecuencias terica llamada distribucin normal, que puede
considerarse como modelo adecuado para la distribucin de un gran nmero de
variables en el campo biolgico.

14
Notacin:

se lee: X es una variable aleatoria continua con

distribucin Normal, con media

y desviacin estndar

La funcin densidad de una variable aleatoria Normal est dada por:

Caractersticas:
-

Su grfico semeja una campana simtrica, cuyas colas se extienden hacia el

infinito tanto en direccin negativa como en la positiva.

El promedio, la mediana y la moda de la distribucin tienen el mismo valor.

La distribucin queda completamente definida por el promedio y la desviacin

estndar.

El promedio nos informa sobre la posicin o ubicacin de la

15
distribucin en el eje horizontal y la desviacin estndar refleja la dispersin de
los valores con respecto al promedio.

Los puntajes del test de inteligencia para nios WISC (Weschler Intelligence
Scale for Children) siguen una distribucin Normal con media 100 y desviacin
estndar de 15 (http://nicologic.free.fr/FAQ.htm). Nos interesa saber qu
proporcin de nios tendrn un CI menor que 130?

16
Clculo de reas de una Distribucin Normal:

Definicin:

Si

, la variable normal estandarizada es:

distribucin Normal con media cero y varianza igual a uno:

Z es el nmero de desviaciones estndar que x difiere de la media :
Si Z > 0 entonces x es mayor a la media .
Si Z < 0 entonces x es menor a la media .
Si Z = 0 entonces x es igual a la media .

y tiene

17

Para cualquier distribucin Normal

68,3% de las observaciones se encontrarn a una desviacin estndar de la

media, es decir dentro del intervalo:

se cumple que:

18

95,4% de las observaciones se encontrarn a dos desviaciones estndar de la

media, i.e. dentro del intervalo:

-2

+2 )

99,7% de las observaciones se encontrarn a tres desviaciones estndar de la

media, i.e. dentro del intervalo:

-3

+3

19
Aunque tericamente la distribucin llega a - y a +, en la prctica es muy raro
encontrar valores a ms de 3 desviaciones estndar del promedio.

Tabla: reas de la
distribucin Normal
estandar

20
Clculo de reas
a)

Encuentre el rea de la distribucin Normal estndar que se encuentra a la

izquierda de z = 1,22

b)

Encuentre el rea de la distribucin Normal estndar que se encuentra a la

derecha de z = 1,22

c)

Encuentre el rea de la distribucin Normal estndar que se encuentra entre z

= 0 y z =1,22

d)

Encuentre el rea de la distribucin Normal estndar que se encuentra a la

izquierda de z = -2,55

e)

Encuentre el rea de la distribucin Normal estndar que se encuentra entre z

= -1,22 y z = 1,22

Puntajes de CI
Suponga que definimos a X como los puntajes de CI del test de inteligencia WISC,

con distribucin

a) Qu proporcin de nios tendr un CI menor a 85?

b) Qu proporcin de nios tendr un CI mayor a 85?
c) Qu proporcin de nios tendr un CI entre 85 y 115?

Continuando con el modelo

para el puntaje de CI para nios,

considere la siguiente pregunta: Qu puntaje de CI debe tener un nio para

ubicarse entre el 1% con ms alto puntaje?

21
El tiempo que demoran los nadadores de 100 metros mariposa sigue una
normal con media 55 segundos y desviacin estndar de 5 segundos.

a) Los organizadores de un campeonato deciden dar certificados a todos los

nadadores que terminen antes de 49 segundos. Si hay 50 nadadores en los
100 metros mariposa, cuntos certificados se necesitarn?

b) Con qu tiempo debe terminar un nadador para estar entre el 2% ms rpido

de la distribucin de tiempos?

Sea X es

a) Muestre grficamente esta distribucin en particular

b) Encuentre el rango entre cuartiles de la distribucin
c) Encuentre
d) Encuentre

Se cree que la altura de los pinos en un bosque tiene distribucin Normal.

Queremos docimar las siguientes hiptesis:

22
Las alturas de los pinos son medidas en metros. Decidiremos rechazar la hiptesis
nula si la altura de un pino seleccionado al azar del bosque mide menos de 8
metros.

a) Calcule la probabilidad del Error Tipo I,

b) Calcule la probabilidad del Error Tipo II,
c) Calcule el valor p si la altura del pino seleccionado fue de 8,5 metros.
3.4 MTODOS PARA GENERAR VARIABLES ALEATORIAS
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.

3.4.1 MTODO DE LA TRANSFORMADA INVERSA

El mtodo de la transformada (o transformacin) inversa, tambin conocido como
mtodo de la inversa de la transformada, es un mtodo para la generacin de
nmeros aleatorios de cualquier distribucin de probabilidad continua cuando se
conoce la inversa de su funcin de distribucin (cdf). Este mtodo es en general
aplicable, pero puede resultar muy complicado obtener una expresin analtica de

23
la inversa para algunas distribuciones de probabilidad. El mtodo de Box-Muller es
un ejemplo de algoritmo que aunque menos general, es ms eficiente desde el
punto de vista computacional.
El mtodo se utiliza para simular valores de las distribuciones exponenciales,
Cauchy, triangular, de Pareto y Weibull.
El problema que resuelve el mtodo de la transformada inversa es el siguiente:
Sea X una variable aleatoria cuya distribucin puede ser descrita por la cdf F.
Se desea generar valores de X que estn distribuidos segn dicha distribucin.
Numerosos lenguajes de programacin poseen la capacidad de generar nmeros
pseudo-aleatorios que se encuentran distribuidos de acuerdo con una distribucin
uniforme standard. Si una variable aleatoria posee ese tipo de distribucin,
entonces la probabilidad de que el nmero caiga dentro de cualquier subintervalo
(a, b) del intervalo entre 0 a 1 es la longitud del subintervalo, o sea b a.
El mtodo de la transformada inversa funciona de la siguiente manera:
1. Se genera un nmero aleatorio a partir de la distribucin uniforme standard; se
lo llama u.
2. Se calcula el valor x tal que

y se lo llama Xelegido.

3. Se toma Xelegido como el nmero aleatorio extrado de la distribucin

caracterizada por F.

3.4.2 MTODO DE CONVOLUCIN

24
Convolucin es un operador matemtico que transforma dos funciones f y g en
una tercera funcin que en cierto sentido representa la magnitud en la que se
superponen f y una versin trasladada e invertida de g. Una convolucin es un tipo
muy general de media mvil, como se puede observar si una de las funciones se
toma como la funcin caracterstica de un intervalo.
Convolucin discreta
Cuando se trata de hacer un procesamiento digital de seal no tiene sentido
hablar de convoluciones aplicando estrictamente la definicin ya que solo
disponemos de valores en instantes discretos de tiempo. Es necesario, pues, una
aproximacin numrica. Para realizar la convolucin entre dos seales, se
evaluar el rea de la funcin:

. Para ello, disponemos de

muestreos de ambas seales en los instantes de tiempo

que llamaremos

(donde n y k son enteros).El rea es, por tanto,

3.4.3 MTODO DE COMPOSICIN

Determinar cul era el mtodo de composicin de Wolfgang Amadeus Mozart ha
sido una cuestin muy estudiada. La visin decimonnica de este tema se basaba
a menudo en una concepcin romntica e idealizada del proceso de composicin;
los estudios ms recientes han tratado de abordar el asunto a travs del examen
sistemtico de las cartas y documentos que han sobrevivido, llegando a diversas
conclusiones.

25

3.5 PROCEDIMIENTOS ESPECIALES

Existen diferentes tipos de mtodos para generar variables aleatorias, pero
tambien existen casos especiales para generar estas los cuales son:
Las distribucin de Poisson parte de la distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy
elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida,
entonces se aplica el modelo de distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
La distribucin de Poisson sigue el siguiente modelo:
El nmero "e" es 2,71828
" l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de xito en cada ensayo)

26
" k " es el nmero de xito cuya probabilidad se est calculando
La distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un
experimento que tiene nicamente dos posibles resultados (xito o fracaso), por lo
que la variable slo puede tomar dos valores: el 1 y el 0
La distribucin binomial se aplica cuando se realizan un nmero "n" de veces el
experimento de Bernouiili, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre:
0: si todos los experimentos han sido fracaso
N: si todos los experimentos han sido xitos.
3.6 PRUEBAS ESTADSTICA. (PRUEBAS DE BONDAD DE AJUSTE)
En la construccin del modelo de simulacin es importante decidir si un conjunto
de datos se ajusta apropiadamente a una distribucin especfica de probabilidad.
Al probar la bondad del ajuste de un conjunto de datos, se comparan las
frecuencias observadas FO realmente en cada categora o intervalo de clase con
las frecuencias esperadas tericamente FE.
Prueba Ji cuadrada
La prueba Ji cuadrada hace uso de la distribucin del mismo nombre para probar
la bondad del ajuste al comparar el estadstico de prueba Xo2 con el valor en
tablas de la mencionada distribucin Ji cuadrada con v grados de libertad y un
nivel de significancia alfa.

27

CONCLUSIN

28

BIBLIOGRAFIA

www.virtual.unal.edu.co/cursos/sedes/
manizales/4030011/lecciones/cap3/cap_3_pag_13.html

Cheng, R.C.H. [1977], The Generation of gamma variables, Applied

Statistician, Vol. 26, No. 1,
pag. 71-75.

Ripley, Brand D. [1978], Stochastic Simulation, Wiley, New York.

COSS Bu, Ral. Simulacin (Un enfoque Practico), Limusa, Mxico. 2003.