ndice

Introduccin ................................................................................................................................. 1
3.1 Conceptos bsicos ........................................................................................................... 2
3.2 Variables aleatorias discretas.......................................................................................... 3
3.3 Variables aleatorias continuas ........................................................................................ 3
3.4 Mtodos para generar variables aleatorias .................................................................... 4
3.4.1 Mtodo de la transformada inversa ..................................................................... 4
3.4.2 Mtodo de convolucin ........................................................................................ 5
3.4.3 Mtodo de composicin ....................................................................................... 5
3.5 Procedimientos especiales .............................................................................................. 6
3.6 Pruebas estadsticas. (Pruebas de bondad de ajuste) .................................................... 7
Conclusin .................................................................................................................................... 9
Referencias bibliogrficas ............................................................................................................ 10

Introduccin

La generacin de cualquier variable aleatoria se va a basar en la generacin previa de una

distribucin uniforme (0,1).
Existen mtodos que nos permiten obtener valores de variables aleatorias que sigan determinadas
distribuciones de probabilidad a partir de los nmeros aleatorios generados, que sieguen la
distribucin uniforme en el intervalo (0,1).
Hay cuatro mtodos generales de generacin de variables aleatorias y una serie e 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.

3.1 Conceptos bsicos

Definicin de una variable aleatoria
Un modelo de simulacin permite lograr un mejor entendimiento de prcticamente cualquier
sistema. Para ello resulta indispensable obtener la mejor aproximacin a la realidad, lo cual se
consigue componiendo el modelo base de variables aleatorias que interactan entre s. Podemos
decir que las variables aleatorias son aquellas que tienen un comportamiento probabilstico en la
realidad. Por ejemplo, el nmero de clientes que llega cada hora a un banco depende del momento
del da, del da de la semana y de otros factores: por lo general, la afluencia de clientes ser mayor
al medio da que muy temprano por la maana; la demanda ser ms alta el viernes que el mircoles;
habr ms clientes un da de pago que un da normal, etc. Dadas estas caractersticas, las variables
aleatorias deben cumplir reglas de distribucin de probabilidad como stas:

La suma de las probabilidades asociadas a todos los valores posibles de la variable aleatoria
x es uno.

La probabilidad de que un posible valor de la variable x se presente siempre es mayor que o

igual a cero.

El valor esperado de la distribucin de la variable aleatoria es la media de la misma, la cual a

su vez estima la verdadera media de la poblacin.

Si la distribucin de probabilidad asociada a una variable aleatoria est definida por ms de un

parmetro, dichos parmetros pueden obtenerse mediante un estimador no sesgado. Por ejemplo,
la varianza de poblacin a2 puede ser estimada usando la varianza de una muestra que es s2. De la
misma manera, la desviacin estndar de la poblacin, a, puede estimarse mediante la desviacin
estndar de la muestra s.

Tipos de variables aleatorias

Podemos diferenciar las variables aleatorias continuas de acuerdo con el tipo de valores aleatorios
que represente. Por ejemplo, si hablramos del nmero de clientes que solicitan cierto servicio en
un periodo de tiempo determinado, podramos encontrar valores tales como 0, 1, 2,, n, es decir,

un comportamiento como el que presentan las distribuciones de probabilidad discretas. Por otro
lado, si hablramos del tiempo que tarda en ser atendida una persona, arrojara resultados como
1.54 minutos, 0.028 horas o 1.37 das, es decir, un comportamiento similar al de las distribuciones
de probabilidad continuas. Considerando lo anterior podemos diferenciar entre variables aleatorias
discretas y variables aleatorias continuas.

3.2 Variables aleatorias discretas

Una variable aleatoria continua tericamente puede asumir cualquier valor entre dos lmites dados,
o sea que sus variaciones son infinitesimales, mientras que en las variables aleatorias discretas
existen saltos o interrupciones entre los valores que puede tomar.
De acuerdo a lo anterior podemos decir que:
Una variable aleatoria X es discreta, si solamente puede tomar un conjunto numerable de valores.
Como ejemplos de variables aleatorias discretas podemos mencionar: el nmero de libros en una
biblioteca, el nmero de habitantes en una poblacin, la cantidad de dinero que una persona trae
en su bolsillo, el nmero de aves en un gallinero, el nmero de admisiones diarias a un hospital, el
nmero de accidentes automovilsticos en una carretera durante un ao, etc.

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.

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 inversa puede utilizarse para simular variables aleatorias continuas,
lo cual se logra mediante la funcin acumulada f(x) y la generacin de nmeros
pseudoaleatorios ri ~U (0,1).

El mtodo consiste en:

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

Calcular la funcin acumulada f(x).

Despejar la variable aleatoria x y obtener la funcin acumulada inversa f(x) -1.

Generar las variables aleatorias x, sustituyendo valores con nmeros pseudoaleatorios ri ~U

(0,1) en la funcin acumulada inversa.

El mtodo de la transformada inversa tambin puede emplearse para simular variables aleatorias de
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 P(x) y la generacin
de nmeros pseudoaleatorios ri ~U (0,1).

3.4.2 Mtodo de convolucin

La distribucin de probabilidad de la suma de dos o ms variables aleatorias independientes es
llamada la convolucin de las distribuciones de las variables originales. El mtodo de convolucin es
entonces la suma de dos o ms variables aleatorias para obtener una variable aleatoria con la
distribucin de probabilidad deseada. Puede ser usada para obtener variables con distribuciones
Erlang y binomiales.
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 mtodo de convolucin se puede usar siempre y cuando la variable aleatoria x se pueda expresar
como una combinacin lineal de k variables aleatorias:

En este mtodo se necesita generar k nmeros aleatorios (u1,u2,...,uk) para generar (x1,x2,...xk)
variables aleatorias usando alguno de los mtodos anteriores y as poder obtener un valor de la
variable que se desea obtener por convolucin.

3.4.3 Mtodo de composicin

Este mtodo va a poder ser aplicado cuando la funcin de densidad es fcil de

Siendo n el nmero de trozos en los que se ha dividido la funcin.

Cada uno de los fragmentos se puede expresara como producto de un funcin de distribucin y un
peso
y la funcin de distribucin global la podemos obtener como

El mtodo consiste en generar dos nmeros aleatorios, uno sirve para seleccionar un trozo y el otro
se utiliza para generar un valor de una variable que sigue la distribucin 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)

3.5 Procedimientos especiales

La distribucin de Poisson se utiliza para describir cierto tipo de procesos, entre los que se encentra
la distribucin de llamadas telefnicas que llegan a un conmutador, las solicitudes de pacientes que
requieren de servicios en una institucin de salud, la llegada de automviles y camiones a una caseta
de cobro y el nmero de accidentes registrados en ciertas intersecciones.
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)
" 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 estadsticas. (Pruebas de bondad de ajuste)

Estas pruebas permiten verificar que la poblacin de la cual proviene una muestra tiene una
distribucin especificada o supuesta.
Sea X: variable aleatoria poblacional
f0(x) la distribucin (o densidad) de probabilidad especificada o supuesta para X
Se desea probar la hiptesis:
Ho: f(x) = f0(x)
En contraste con la hiptesis alterna:
Ha: f(x) no= f0(x) (negacin de Ho)

Prueba Ji-Cuadrado
Esta prueba es aplicable para variables aleatorias discretas o continuas.
Sea una muestra aleatoria de tamao n tomada de una poblacin con una distribucin especificada
f0(x) que es de inters verificar.
Suponer que las observaciones de la muestra estn agrupadas en k clases, siendo oi la cantidad de
observaciones en cada clase i = 1, 2, ..., k

Con el modelo especificado f0(x) se puede calcular la probabilidad pi que un dato cualquiera
pertenezca a una clase i.
Con este valor de probabilidad se puede encontrar la frecuencia esperada ei para la clase i, es decir,
la cantidad de datos que segn el modelo especificado deberan estar incluidos en la clase i:
ei = pi n,

i = 1, 2, ..., k

Tenemos entonces dos valores de frecuencia para cada clase i

oi: frecuencia observada (corresponde a los datos de la muestra)
ei: frecuencia esperada (corresponde al modelo propuesto)

La teora estadstica demuestra que la siguiente variable es apropiada para realizar una prueba de
bondad de ajuste:

Conclusin
La generacin de valores de variables aleatorias es un elemento indispensable en todos los proyectos
de simulacin. Numerosas tcnicas disponibles para ello necesitan un generador de valores de una
distribucin U[0,1], a partir de la cual se obtienen los valores de la variable aleatoria considerada.
Los algoritmos para la generacin de valores uniformemente distribuidos se encuentran en la
mayora de las calculadoras y lenguajes de programacin, y suelen estar basado en la aritmtica
modular.
En todos los experimentos de simulacin existe la necesidad de generar valores de variables
aleatorias que representan a una cierta distribucin de probabilidad como o vimos anteriormente.
Durante un experimento de simulacin, el proceso de generar un valor de la variable aleatoria de
una distribucin particular, puede repetirse tantas veces como se desee y tantas veces como
distribuciones de probabilidad existan en el experimento de simulacin. Sin embargo, es
conveniente sealar que el proceso de generacin de variables aleatorias no uniformes se hace a
partir de la generacin de nmeros rectangulares.

Referencias bibliogrficas
COSS Bu, Ral. Simulacin (Un enfoque prctico), Limusa, Mxico. 2003.
RACZYNSKI, Stanislaw. Simulacin por Computadora, Primera edicin, Megabyte, Mxico. 1993.
Azarang Mohamad A,Garca Dunna Eduardo, Simulacin y anlisis de modelos estocsticos, 1
Edicin, McGraw-Hill, Inc., Mxico, 1996.
Cano, Gabriela. (2012). Generacin de variables aleatorias. octubre, 2016, de Calameo Sitio web:
http://es.calameo.com/books/001589672deaf8e8c1d74

10