Mtodo De Composicin

En esta tcnica f(x), la funcin de densidad probabilidad de la distribucin

que se va simular, esta expresada como una mezcla de probabilidad de funciones
de densidad propiamente seleccionadas.

Este procedimiento est basado en la definicin de probabilidad condicional
o la ley de probabilidades compuestas.

Matemticamente sea g(x|y) una familia de funciones de densidad de un
parmetro donde y es el parmetro que identifica de manera nica a g(x). Si un
valor de y es ahora descrito de una funcin de distribucin acumulada H(y) y
entonces si x es una muestra de g(x), para seleccionar y, la funcin de densidad
para x ser:



Usando este principio, distribuciones ms complicadas pueden ser
generadas de distribuciones ms simples las cuales son en s mismas fcilmente
generadas, por la tcnica de la transformacin inversa o la tcnica de rechazo.

Ejemplo: Generar una varianza aleatoria de cuando (sea)
y

Una varianza es ahora obtenida desde una funcin de densidad cuya su
funcin de distribucin acumulativa es H(y). Una vez que y es seleccionada, esta
determina una particular g(x) = ye-yx. La varianza deseada de f(x) es entonces
una varianza simplemente generada de g(x) = ye-yx. Para continuar con las
siguientes instrucciones, genera dos varianzas uniformes R1 y R2, y cuando:





Entonces x es la varianza deseada de:


Esta tcnica es apropiada cuando se desea generar distribuciones de tipo
mas alto usando distribuciones La dificultad recae en identificar la H(y) y g(x|y) la
cul se necesita para producir una f(x) dada dentro de la relacin.
( ) ( ) ( ) y dH y x g x f f
}

= =
( )
}

= dy e y n x f
xy n
( )
1 +
=
n
y
dy
n y dH 1 , 1 > < < n y ( )
yx
ye x g

=
( )
}

=
1
dy e y n x f
yx n
2
1
1 1
log
1
1
R X
R s
s
n
=
=



Afortunadamente, las estadsticas matemticas nos han provisto de varias
relaciones funcionales llamadas convoluciones que pueden ser usadas en la
generacin de ciertas desviaciones aleatorias. Los siguientes ejemplos sirven
para ilustrar el procedimiento.

La Distribucin De Poisson

Si los intervalos de eventos similares estn distribuidos exponencialmente,
el nmero de eventos ocurridos en un intervalo unitario de tiempo, tiene la
distribucin de Poisson.

Las aplicaciones de las variables aleatorias de Poisson incluyen tantas
reas tales como control de los inventario, teora de colas, control de calidad, flujo
de trfico y muchas otras reas ciencias administrativas.

La funcin de densidad de probabilidad para la distribucin de Poisson esta
dada por:



donde es el nmero esperado de sucesos por unidad de tiempo. Esto
implica que el tiempo entre eventos esta distribuido exponencialmente con media
de

Podemos utilizar esta relacin entre la distribucin Poisson y la exponencial
para generar desviaciones de la distribucin de Poisson.

Una desviacin x de Poisson puede ser definida de la siguiente manera:



donde y
1
, y
2
,....,y
x+1
son desviaciones aleatorias de una distribucin
exponencial teniendo como media 1/ y son generadas por (la tcnica de
transformada inversa)



( ) ( ) ( ) y dH y x g x f
}

=
( )
! X
e
x f
x

= = , , 2 , 1 , 0 x

1

+
= =
s s
1
1 1
1
x
i
i
x
i
i
y y
i i
R y ln
1

=
donde R
i
est dada por la distribucin uniforme. En conclusin, las sumas
acumulativas son generadas hasta que se obtiene la desigualdad. Cuando esto
ocurre, x es la desviacin aleatoria de Poisson deseada.



Otra forma de este mismo procedimiento es definir la desviacin x de
Poisson cuando:


donde y
i
es otra vez las desviaciones de la distribucin exponencial pero
con media 1/, esto es:

Las 2 tcnicas son esencialmente las mismas, pero la primera parece ser
ms apropiada con la definicin de la distribucin exponencial donde las y
i
s tiene
una media de .


Ejemplo.

Sabemos que por la teora de la probabilidad que si el nmero de eventos
se puede describir a travs del flujo de Poisson, el tiempo entre la ocurrencia de
eventos debe ser exponencial. En la distribucin de Poisson el resultado se
expresa como el nmero de eventos n que ocurren en un determinado tiempo t.
Por lo tanto para muestrear la distribucin exponencial con media tantas veces
como sea necesario hasta que la suma de las variables aleatorias generadas
exceda a t por vez primera. En este caso, el valor de Poisson muestreado n se
toma igual al nmero de veces que se muestreo la distribucin exponencial -1.

Supngase que se desea muestrear una distribucin de Poisson
durante un periodo de 1.4 hrs.


n 1 2 3 4 5
r
n
0.058962 0.673284 0.479909 0.948578 0.61396
t
n
0.9436 0.1318 0.2447 0.1075 0.1624

0.9436 1.0754 1.3201 1.3376 1.5002

t = 1.4

+
= =
s s
1
1 1
x
i
i
x
i
i
y y

i
i
R
y
ln
=

1
3 =
( )
i i
x
r t
x
e
x f
ln
1
!

=
=

=
n
i
i
t
1
X = 0, 1, 2,,
= 3 eventos por hora.






Distribucin Erlang

La distribucin Erlang es una forma de la distribucin gamma con K igual a
un entero positivo. Estadsticos Matemticos han probado que esta distribucin es
solo la suma de las variables exponenciales de K, cada una con un valor esperado
1/k.

Para generar una desviacin Erlang, nosotros solo necesitamos la suma de
las desviaciones exponenciales K, cada una con el valor esperado 1/k. De esta
manera la varianza x de Erlang es esperada como:



donde y
i
es una desviacin exponencial generada por la tcnica de la
transformada inversa R
i
es un nmero aleatorio de la distribucin uniforme.

Distribucin Binomial

Una variable aleatoria x definida como el nmero de eventos exitosos en
una secuencia de n tiradas o intentos independientes de Bernoulli, cada una con
probabilidad de xito p, es conocida como una variable aleatoria binomial. La
distribucin binomial es una de las ms importantes en las distribuciones
estadsticas usadas en un rea de ejemplificacin y control de calidad. La funcin
de densidad de probabilidad binomial est dada por:


donde

p = probabilidad de xito por tirada
q = 1-p
n = nmero de tiradas
x = nmero de xitos, en entero

Para generar una desviacin binomial con parmetros p y n el
procedimiento es el siguiente:

=
+
=
s s
n
i
n
i
i i
t t t
1
1
1

= =

= =
k
i
k
i
i i
R y X
1 1
1
ln
( )
x n x
q p
x
n
x f

|
|
.
|

\
|
=
n x , , 1 , 0 =
X = Variable aleatoria de Poisson
X = 4 nmero de eventos que llegan en 1.4 hrs.

1. Generar n desviaciones aleatorias uniformes
2. Contar el nmero de varianzas uniformes menor o igual a p
3. El nmero encontrado en el paso 2 es igual al valor de la varianza
binomial

Este procedimiento puede entonces ser repetido tantas veces como sea
necesario para generar otras desviaciones binomiales.

Otro procedimiento involucrado que usa la distribucin normal como una
aproximacin a la binomial para casos donde n > 20 y np s 10. Desde que la
varianza binomial es un entero, la varianza normal usada como una aproximacin
debe ser redondeada al valor entero ms cercano. Este mtodo es ms rpido
pero es solo una aproximacin.