INSTITUTO TECNOLÓGICO SUPERIOR DE PANUCO,

EXTENSIÓN EL HIGO VER.

Ingeniería Industrial
Materia
SIMULACION
COMPETENCIA
Simulación de Variables Aleatorias
Competencia 3, 4, 5, 6

INVESTIGACION
Teoría: métodos congruenciales

*Simulación de otras variables aleatoria.

*Teoría: transformación inversa, composición, convolución y otros

procedimientos.

Docente: : ARANELY GONZALEZ RODRIGUEZ

Alumnos:
MARIA GUADALUPE MANDUJANO DE LA CRUZ

ROMARIO HERNANDEZ HERNANDEZ

KARLA YANETH RUBIO ALARCÓN

NELSON ERNESTO SALAS MANDUJANO

LEONARDO SALVADOR DEL ANGEL

OSBALDO BAUTISTA GONZALEZ

LUIS FERNANDO SÁNCHEZ GARCÍA Grupo: 612

INDICE
INTRODUCCIÓN ........................................................................................... 3
DESARROLLO DEL TEMA ............................................................................... 4
Simulación de otras variables aleatoria. ....................................................... 8
Teoría: transformación inversa, composición, convolución y otros
procedimientos ......................................................................................... 13
CONCLUSIONES ......................................................................................... 18
BIBLIOGRAFIA ............................................................................................ 19
INTRODUCCIÓN
En esta investigación se hablara sobre La generación de variables aleatorias que es un proceso que
enfrenta la simulación debido a que cuenta con variables con un comportamiento probabilístico.
En donde dicha variabilidad se pudiera clasificar dentro de alguna distribución de probabilidad
conocida. Se abordaran los temas de variables aleatorias discretas y variables aleatorias continuas.
Para la generación de las variables aleatorias discretas o continuas, es necesario contar con la
información especifica de la distribución deseada, la aplicación de un método para la generación
de la variable aleatoria, y la implementación computacional para usarse en la simulación de estas
se explicara detalladamente en el tema correspondiente. Las distribuciones más utilizadas son:
Bernoulli, uniforme, binomial, Poisson, y geométrica. En cambio las distribuciones continuas
modelan la aleatoriedad en eventos en los cuales los valores de las variables pueden estar dentro
de un rango de valores reales. También se explicara los métodos de convolucion, método de
composición, método de transformada inversa y procedimientos especiales.

Hay cuatro métodos generales de generación de variables aleatorias y una serie de métodos
particulares de las distintas distribuciones.

La facilidad de aplicación de dichos métodos, así como el coste computacional asociado a los
mismos, varía mucho según la familia de variables aleatorias a las que se apliquen.

Normalmente existen varios algoritmos que se pueden utilizar para generar valores de una
determinada distribución, y diferentes factores que se pueden considerar para determinar qué
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 solución de compromiso

. Algunos de estos factores son los siguientes:

Exactitud: se han de obtener valores de una variable con una precisión dada. A veces se tiene
suficiente con obtener una aproximación y otras no.

Eficiencia: el algoritmo que implementa el método de generación tiene asociado un tiempo de

ejecución y un gasto de memoria. Elegiremos un método que sea eficiente en cuando al tiempo y a
la cantidad de memoria requeridos. Complejidad: Buscamos métodos que tengan complejidad
mínima, siempre y cuando se garantice cierta exactitud.
DESARROLLO DEL TEMA
Teoría: métodos congruenciales
Metodos Congruenciales

Método del Cuadrado Medio

Consiste en los siguientes pasos:

1- Definir el numero de dígitos que tendrán los valores aleatorios de la serie que se van a generar.
A este número de dígitos se le denotara como n.

2- Elegir al azar el valor de la semilla o número aleatorio inicial, el cual deberá ser de n dígitos.

3- Se eleva al cuadrado la semilla, este resultado por lo general serán 2n dígitos. En caso de que el
número de dígitos no contenga 2n valores, se le agregaran ceros a la izquierda hasta completar la
cantidad antes mencionada.

4- Del número obtenido en el paso anterior, se tomaran los n dígitos centrales, siendo este el
nuevo número aleatorio.

5- Con este número aleatorio se regresa al paso tercero para generar el siguiente valor de la serie.
Los pasos se repetirás cuantas veces sea necesario para generar la cantidad suficiente de valores
según lo requiera el caso
Método Congruencial Lineal

Este método fue ideado por D.H. Lehmer en 1949. La secuencia de números aleatorios se obtiene
aplicando la siguiente relación de recurrencias:

Xn+1= (aXn + c ) mod M n>0, donde

M modulo M>0

a multiplicador 0 ≤ a <M

c incremento 0≤c<M

X0 valor inicial 0 ≤ X0 < M

Según el valor del parámetro c, este método se clasifica en :

1. si c>0 se denomina Congruencial mixto

2. si c=0 Congruencial multiplicativo

Congruencial Mixto

Los generadores congruenciales lineales generan una secuencia de numero pseudoaleatorios en

la cual el próximo numero pseudoaleatorios es determinado a partir del numero generado, es
decir el numero pseudoaleatorios Xn+1 es derivado a partir del numero pseudoaleatorios Xn

Para el caso particular del generador Congruencial mixto, la relación de de ocurrencia es la

siguiente:

Xn+1 =( aXn + C) mod m

Donde:

X0 = la semilla (X0 > 0)

a= el multiplicador (a>0)

c= constante aditiva (c>0)

m= el modulo (m>X0 , m>a y m>c)

Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir aXn + c entre el modulo.

Veamos el siguiente ejemplo:

Generar 2 números aleatorios de modulo 8 con constantes a= 5 y c=7 y una semilla x0 = 4.

XN+1= (5XN + 7)(MODULO 8)

X1= 27 MODULO 8= 3

X2=22 MODULO 8= 6
Congruencial Multiplicativo

Al igual que el generador Congruencial mixto, el generador Congruencial multiplicativo determina

el próximo número pseudoaleatorio a partir del último número generado, de acuerdo a la
siguiente recurrencia:

Xn+1 = aXn mod m

Simulación de otras variables aleatoria .
La generación de cualquier variable aleatoria se va a basar en la generación previa de una
distribución uniforme (0,1). Y las transformaciones de dichos números generados en valores de
otras distribuciones.

La mayoría de las técnicas utilizadas para la generación se pueden agrupar en:

Ø Método de la transformada inversa

Ø Método de aceptación-rechazo

Ø Método de composición

Ø Método de convolución

MÉTODO DE LA TRANSFORMADA INVERSA

Es el método más directo para generar una variable aleatoria. Sea

una función de distribución cuya función de distribución inversa es:

Sea U una variable aleatoria de

se verifica que

tiene la función de distribución F. La prueba se sigue de la observación de que

Esto sugiere inmediatamente el siguiente esquema de generación:

Algoritmo del método de la transformada inversa

Propósito: Generar Z aleatoriamente de

Entrada: Capacidad para evaluar

Salida: Z

Método: Generar aleatoriamente U de

Devolver Z.

Ejemplo. La distribución exponencial

Supongamos que tiene una distribución exponencial de media beta. La función densidad de
probabilidad es:

La función de distribución (acumulativa) es:

MÉTODO DE ACEPTACIÓN RECHAZO

Este método es más probabilístico que el anterior. Los métodos de inversión, composición y
convolución son métodos de generación directos, en el sentido en que tratan directamente con la
función de distribución. El método de aceptación-rechazo es menos directo en su aproximación.

Se va aplicar este método en el caso de que la variable aleatoria sea continua, el caso discreto es
análogo y está tratado en Prob. 8.9

En este caso tenemos la función de densidad f(x) de la variable y necesitamos una función t(x) que
la acote, es decir t(x)³f(x) "x. Hay que notar que t(x) no es, en general, una función de densidad

pero la función r(x)=t(x)/c, si es claramente una función de densidad. (Suponemos que t es tal
que c<¥). Debemos de poder generar (esperamos que de forma fácil y rápida) un valor de la
variable aleatoria que sigue la función r(x). El algoritmo general queda como sigue:

Generar x que siga la distribución r(x)

Generar u~U(0,1), independiente de x

entonces devolver x si no volver a repetir el algoritmo

El algoritmo continúa repitiéndose hasta que se genera un valor que es aceptado.

Para hacer que se rechacen el menor número de puntos posibles la función t(x) debe ser la mínima
función que acote a f(x).
MÉTODO DE COMPOSICIÓN

Este método va a poder ser aplicado cuando la función de densidad es fácil de

siendo n el número de trozos en los que se ha dividido la función.

Cada uno de los fragmentos se puede expresara como producto de un función de distribución y un
peso

y la función de distribución global la podemos obtener como

El método consiste en generar dos números aleatorios, uno sirve para seleccionar un trozo y el
otro se utiliza para generar un valor de una variable que sigue la distribución de dicho trozo. El
valor de la variable obtenida es el valor buscado.

El algoritmo general queda como sigue:

Generar u1,u2~U(0,1)

Si u1=w1 entonces generar x~f1(x)

Si no

Si u1=w1+w2 entonces generar x~f2(x)

MÉTODO DE CONVOLUCIÓN

Muchas variables aleatorias incluyendo la normal, binomial, poisson, gamma, erlang, etc, se
pueden expresar de forma exacta o aproximada mediante la suma lineal de otras variables
aleatorias.

El método de convolución se puede usar siempre y cuando la variable aleatoria x se pueda

expresar como una combinación lineal de k variables aleatorias:

En este método se necesita generar k números aleatorios (u1,u2,...,uk) para generar (x1,x2,...xk)
variables aleatorias usando alguno de los métodos anteriores y así poder obtener un valor de la
variable que se desea obtener por convolución.
Teoría: transformación inversa, composición, convolución y otros
procedimientos
Método de la transformada inversa

El método de la transformada inversa puede utilizarse para simular variables aleatorias continuas,
lo cual se logra mediante la función acumulada f(x) y la generación de números
pseudoaleatorios ri ~U (0,1).

El método consiste en:

Definir la función de Densidad f(x) que representa la variable a modelar.

Calcular la función acumulada f(x).

Despejar la variable aleatoria x y obtener la función acumulada inversa 𝑓(𝑥)−1 .

Generar las variables aleatorias x, sustituyendo valores con números pdeudoaleatorios ri ~U (0,1)
en la función acumulada inversa.

El método de la transformada inversa también puede emplearse para simular variables aleatorias
de tipo discreto, como en las distribuciones de Poisson, de Bernoulli, binomial, geométrica,
discreta general, etc. La generación se lleva a cabo a través de la probabilidad acumulada P(x) y la
generación de números pseudoaleatorios ri ~U (0,1).
Método de convolución

La distribución de probabilidad de la suma de dos o más variables aleatorias independientes es

llamada la convolución de las distribuciones de las variables originales. El método de convolución
es entonces la suma de dos o más variables aleatorias para obtener una variable aleatoria con la
distribución de probabilidad deseada. Puede ser usada para obtener variables con distribuciones
Erlang y binominales

Metodología

Se generan números aleatorios (Y1, Y2, Y3…….Yn)

Con uno (o más dependiendo del método a utilizar) de los números aleatorios, se generan las
variables aleatorias componentes (X1,X2,X3,…..Xn)

Se obtiene un valor de la variable por suma lineal de las variables aleatorias componente

Distribución Uniforme

A partir de la función de la densidad de las variables aleatorias uniformes entre a y b.

Se obtiene la función acumulada

Igualando la función acumulada F(x) con el número pseudoaleatorio ri ~U (0,1), y despejando x se

obtiene:

Xi=a + (b - a) F(x)i

Xi=a + (b - a) r

Distribución de Bernoulli

A partir de la distribución de probabilidad de las variables aleatorias de Bernoulli con media

p(x) = px (1 – p)1 – x para x=0,1

Se calculan las probabilidades para x=0 y x=1, para obtener

Acumulando los valores de p(x) se obtiene:

Generando números pseudoaleatorios ri ~U (0,1) se aplica la regla:

La tabla siguiente muestra la demanda diaria de cepillos dentales en un supermercado.

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

A partir de la información histórica se calculan las probabilidades puntuales y las acumuladas para
x=0, 1, 2, 3

La regla para generar esta variable aleatoria estaría dada por:

Con la lista de números pseudoaleatorios ri ~U (0,1) y la regla anterior es posibles simular la

demanda diaria de cepillos dentales, tal como se muestra
CONCLUSIONES
En la presente trabajo de investigación se analizo que las variables aleatorias son presentadas por
medio de distribuciones de probabilidad, el procedimiento es para la generación de los números
con variables aleatorias a partir de las distribuciones de la probabilidad que se conoce como la
generación de variables aleatorias. El principio del muestreo es basado en la interpretación de
frecuencia de la probabilidad y requiere un flujo permanente de los números aleatorios. Hay
cuatro métodos generales de generación de variables aleatorias y una serie de métodos
particulares de las distintas distribuciones. La facilidad de aplicación de dichos métodos, así como
el coste computacional asociado a los mismos, varía mucho según la familia de variables aleatorias
a las que se apliquen. Normalmente existen varios algoritmos que se pueden utilizar para generar
valores de una determinada distribución, y diferentes factores que se pueden considerar para
determinar qué 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 solución de compromiso.
BIBLIOGRAFIA
http://wwwdi.ujaen.es/asignaturas/computacionestadistica/pdfs/tema5.pdf

http://www.mat.uda.cl/jolivares/probabilidades/gva.pdf

http://metabase.uaem.mx/bitstream/handle/123456789/555/2.-
_Metodo_de_la_transformada_in versa.pdf?sequence=1

2003). Simulación Un enfoque práctico. México, DF: Limusa S.A.de C.V.

 Ing. Sergio David Castillón Dominguez. (2014). SIMULACION. 17 de Septiembre 2016, de

Academia

https://www.academia.edu/7207310/Librodesimulacion