Métodos para Generar Variables aleatorias

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.
Robusted: el método tiene que ser eficiente para cualquier valor que tomen
los parámetros de la distribución que siga la variable aleatoria.
Facilidad de implementación.

 Métodos generales

Los métodos generales para la generación de variables aleatorias son: Método de

Inversión, de Aceptación-Rechazo, de Composición y de Convolución. A
continuación pasamos a estudiarlos.
Método De Los Cuadrados
Consiste en que cada número de una sucesión es producido tomando los dígitos
medios de un número obtenido mediante la elevación al cuadrado.
P1: Obtener semilla (valores iniciales 445)
P2: Aplicación de Algoritmos recursivos (elevar al cuadrado)

P3: Validación del conjunto de datos generados

Ejemplo: Consideremos la semilla 445
X X2 N° Aleatorio
445 1| 9802 | 5 0,9802
9802 96| 0792 | 04 0,0792
792 6 | 2726 | 4 0,2726
2726 …………… ……………
Métodos para Generar Variables aleatorias

 Método de Inversión
La función de distribución (también llamada función de distribución acumulativa),
F(x), de una variable aleatoria X es definida para cada número real x como sigue:

F(x)=P(X≤x) para -∞<x<∞

Donde P(X≤x) es la probabilidad asociada con el suceso {X≤x}. Así F(x) es la

probabilidad, cuando se ha realizado el experimento, de que la variable X tome un
valor menor o igual que x.
Una función de distribución F(x) tiene las siguientes propiedades:

Una variable aleatoria X se dice que es discreta si puede tomar unos valores
determinados, no pudiendo tomar ningún valor comprendido entre dos
consecutivos. Así la variable sólo puede tomar un conjunto finito de valores x1,
x2,...,xn. La probabilidad de que la variable aleatoria X tome el valor xi es dado
por:

Donde la sumatoria significa la suma de todas las probabilidades p(x1), p(x2),...

Todas las probabilidades acerca de X se pueden calcular desde p(x), a la cual se
le llama función de probabilidad para la variable discreta X. Si I=[a,b], donde a y b
son números reales tales que a≤b, entonces

El método de inversión va a aprovechar las propiedades de la función de

distribución para obtener un valor de la variable aleatoria a partir de un número
aleatorio uniformemente distribuido en el intervalo (0,1).
Vamos a ver en qué consiste dicho método tanto para el caso en el que la variable
aleatoria sea continua como para cuando es discreta.

 Caso continuo

En este caso la función de distribución es continua. Vamos a utilizar un número

aleatorio u, uniformemente distribuido en (0,1) y vamos a suponer que es el valor
que toma la función de distribución en un punto x. Tal punto va a ser el valor de la
variable que queremos generar. Al ser la función de distribución continua, vamos a
encontrar un valor de x para cualquier u.

En este caso la función de distribución es discontinua y tiene una forma

escalonada.

 Caso discreto

Al ser discreta no hay fórmula de su inversa y puede ocurrir que dado un u no se

encuentre imagen x de la función, sino que este valor esté entre dos valores
posibles.
 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
Es a X una variable aleatoria con función de densidad  .
Supóngase que f(x)=Cg(x)h(x) con C una constante,  ,   y
h(x) una función de densidad en I. Si  e Y (con función de
densidad h) son independientes, entonces 

Demostración: 
Q.E.D. 

Algoritmo de aceptación y rechazo:

1.
Se genera   y un valor y de la variable Y (de forma
independiente).
2.
Si u>g(y), se va al paso 1.
3.
Si  , entonces se hace x=y.
Ahora interesa conocer cuál es la probabilidad de que en una iteración
concreta se rechace el valor generado: 

Como el número de iteraciones del método hasta aceptar un valor sigue

una distribución geométrica de parámetro   (cuya esperanza es C),
entonces si queremos optimizar el método habrá que intentaar que C sea
próxima a uno y que h sea sencilla de generar. 

Si hacemos  , entonces buscamos que sea  . Se

tendrá 
Como   coincide con h salvo la constante y h es una función de
densidad en I, entonces también se tiene que cumplir que   sea
finita. 

 Método de composición

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.

Sea f(x) la función de densidad de una variable aleatoria X. El método de

composición consiste en lo siguiente:
1.

Se descompone f como , con fi función de densidad, 

,  ,  .
2.
Se elige la i-ésima función con probabilidad pi y se genera un valor para la
función de densidad fi.

 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

Permite generar una distribución a partir de la suma de distribuciones más

elementales o mediante la transformada z.

 Procedimientos especiales

Existen algunas distribuciones estadísticas de probabilidad en las cuales es

posible emplear sus propiedades para obtener expresiones matemáticas para la
generación de variables aleatorias en forma eficiente. En varios casos se aplica el
Teorema Central del Límite y en otros se utiliza el método directo para encontrar
las variables aleatorias.
 Transformada inversa, aceptación-rechazo, convolución, directos.

El método de la transformada inversa: Suponga que queremos generar el valor de

una variable aleatorio discreta X con función de masa de probabilidad

(Transformada Inversa de La place) La Transformada Inversa de La place de una

función F (s) es una función única L−1 {F } (t) = f (t), que es continua en [0, ∞), tal
que satisface F (s) = L{f} (s).

En otras palabras, la transformada inversa de La place de una función F (s) es una

función f (t) cuya TL sea F (s).

A la transformada inversa de una función se le denota con la letra minúscula

correspondiente a la de su transformada o utilizando el operador transformada
inversa L−1 {.}.

En las siguientes propiedades se asume que las funciones f(t) y g(t) con funciones
que poseen transformada de La place.
Observaciones:
1.- Podemos escribir lo anterior en forma algorítmica, como

Generar un número aleatorio U

Si U<p0 hacer X = x0 y terminar
Si U<p0+ p1 hacer X = x1 y terminar
Si U<p0+ p1 + p2 hacer X = x2 y terminar
 Generación de variables aleatorias discretas: distribuciones
poisson,Binomial, y geométrica.

Método de la transformación inversa

Sea X una variable aleatoria discreta con función de distribución F y
probabilidades puntuales 

Considerando la función F, que es escalonada, se tiene el siguiente

algoritmo:
1.
Se hace s=p1, i=1.
2.
Se genera  . 

Si  , entonces x=xi es el valor que se genera y finaliza el

algoritmo. Si u>s, entonces se hace i=i+1, s=s+pi y se repite el
paso 2.

Método del alias

(Este método sólo es válido para variables cuya probabilidad está
concentrada en un número finito de puntos) Sea X tal
que P(X=xi)=pi,  . Tras una fase de preprocesamiento que se
detalla más adelante, se tiene el siguiente algoritmo:
1.
Se genera  . Sean y=1+[ku], z=frac(ku).
2.
Si  , entonces k=y. Si z>Q(y), entonces k=A(y). Se
toma x=xk.
Falta determinar los valores Q(i) y los alias A(i) de modo que se tenga 
Fase de preprocesamiento:
1.
Para cada   se define 

2.
Se repiten las siguientes operaciones (a lo sumo) k-1 veces:

 Selecciónese i tal que  , Ii=true. Si esto no es posible,

finaliza el preprocesamiento.
 Selecciónese j tal que  , Ij=true.

 Hágase Ii=false, A(i)=j, Q(i)=kai,  .

Ejemplo: Sea   con x=0,1,2,3. El

vector de probabilidades es (  ) 

i=4, j=1, I(4)=False, A(4)=1,  ,   

i=3, j=2, I(3)=False, A(3)=2,  ,   

i=1, j=2,  , A(1)=2,   

Ahora asignamos el 1 al valor 0, el 2 al 1, el 3 al 2 y el 4 al 3, con lo cual

cuando apliquemos la segunda parte del algoritmo del alias nos dará los
valores que buscamos.

Distribuciones concretas
Distribución geométrica

Representa el número de fracasos hasta que se produce el primer éxito

en un experimento de Bernouilli de parámetro p. 

La variable geométrica se puede relacionar fácilmente con la variable

exponencial: 

Sea  . 

Sea x>0. 
Como  , tomemos   tal que   para conseguir la
expresión de probabilidad puntual de una distribución G(p). Basta
tomar  . Tras esto se toma un valor y generado según
una   y se toma x=[y]. Ya se vio que para ello hay que

hacer  , con  , por lo que se concluye que 

Distribución binomial negativa

Representa el número de fracasos antes del r-ésimo éxito en un

experimento de Bernouilli de parámetro p. 

Existen varias formas de simular variables con distribución binomial

negativa: la más inmediata es ir simulando experimentos de Bernouilli de
parámetro p y contabilizar los fracasos hasta que se obtiene el éxito r-
ésimo. Otro modo consiste en observar que una variable BN(p,r) es suma
de r variables geométricas G(p) independientes, por lo que basta simular
r veces una geométrica con parámetro p y sumar los valores obtenidos. 

Veamos también un algoritmo directo basado en el método de

composición. 

Sean   (Poisson) y  . 
Luego esta composición es  . Como nosotros queremos simular
una BN(p,r), entonces debemos tomar  ,  , resultando el
siguiente algoritmo:
1.
Se genera  .
2.
Se genera  . 

Este valor x está distribuido según una distribución binomial

negativa BN(p,r).

Distribución de Poisson

En la primera parte de la asignatura se vio que si los tiempos entre

sucesos consecutivos son  , entonces el número de sucesos por

unidad de tiempo sigue una distribución de Poisson de parámetro  . En

consecuencia, para generar una variable  , podemos proceder del
siguiente modo: se generan valores   tales que

. Ese valor x corresponderá a una variable  . 

Como los valores Tj son exponenciales de parámetro  , entonces se

tiene que  , con  , por lo que 
En resumen, el algoritmo es el siguiente:
1.
Sean k=1, x=1.
2.
Se genera   y se hace k=kui.
3.
Si  , entonces x-1 es el valor buscado. En caso contrario se
hace x=x+1 y se va al paso 2.
Generación de variables aleatorias continuas: distribuciones Uniforme,
Exponencial, normal, Erlang, Gamma, Beta, y Triangular

Distribución exponencial
Un método que ya se usado varias veces consiste en tomar 

con  . Otro método, basado en los estadísticos ordenados y que

permite generar n valores a la vez, es el siguiente: se generan 

Ordenando   obtenemos   y
definimos u(0)=0, u(n)=1. Ahora se hace 

Estos valores corresponden a una variable Exp(1) y son independientes.

Distribución gamma

Sea   y  . Como esta distribución es reproductiva respecto

del segundo parámetro y una variable   es una  ,
consideramos la siguiente descomposición: 

Es por esto por lo que basta limitarse a simular variables   

con  . El siguiente teorema nos da un método directo para simular
estas variables. Si   y  son independientes,
entonces 
Demostración: 
Sean v>0, 0<w<1. Por la independencia de W y V: 

Se considera el cambio 

Así 

El recinto transformado es 

La distribución marginal de X es 

Luego  . 
Q.E.D.

Distribución beta

Si  ,  , entonces f está acotada y se puede aplicar aceptación y

rechazo. El valor máximo de f se alcanza en   para una cota de 

Sin embargo, el método sólo es eficiente si tanto   como   están

próximos a uno. En los dos siguientes teoremas veremos dos métodos
para simular variables beta de modo eficiente. Si   e   
son independientes, entonces 

Demostración: 
Se considera el cambio de variable 

La densidad conjunta es 

El recinto transformado es 

La distribución marginal de X1 es 

Luego   
Q.E.D. 

Sean U1,   e independientes,  . Si  ,

entonces 

Demostración: Como U1 y U2 son independientes,
entonces Y1 e Y2 también lo son. 

Distribución de Y1 (la de Y2 se obtiene de forma análoga pero

considerando   en lugar de  ): 

El recinto transformado es 0<y1<1. Distribución de (Y1,Y2): 

Como Y1 e Y2 son independientes, entonces 

Distribución de  : 

Se considera el cambio de variable 

El recinto transformado es 

Ahora, si  , entonces: 

En consecuencia, 
Luego 

Además, la probabilidad de que se acepte el par (y1,y2) en una iteración

concreta es 

Q.E.D.

Distribución normal

Para generar una variable  , basta generar una variable N(0,1),

pues 

Con el fin de generar una variable N(0,1) se considera el cambio de

coordenadas siguiente (cambio polar): 

con   e independientes. Las variables Z1, Z2 son N(0,1) e

independientes.

Demostración:
El recinto transformado es  . 

Así 

Luego   y son independientes. 

Distribuciones Empíricas de probabilidad

La distribución empírica asociada a una muestra es la ley de

probabilidad sobre el conjunto de las modalidades, que afecta a

cada observación con el peso  . La idea es la siguiente.

Supongamos que queremos aumentar artificialmente la cantidad de
datos. La forma más simple sería sacar aleatoriamente nuevos
valores a partir de los valores ya observados, respetando sus
frecuencias. En otras palabras, se simularía la distribución empírica.

Definición 2.1   Sean   una muestra,   los

diferentes valores que toman los  . Para   denotamos:

el número de veces que el valor   aparece o sea el efectivo del

valor  . La distribución empírica de la muestra es la ley de

probabilidad  sobre el conjunto  , tal que:

La media, la varianza y la desviación estándar pueden ser vistas
como carácterísticas probabilistas de la distribución empírica.
La media de la muestra es la esperanza de su distribución
empírica. 

Para un carácter discreto, la moda de la distribución empírica es el

valor que tiene la frecuencia más alta. Para un carácter continuo
agrupado en clases de amplitudes iguales, hablamos de clase
modal. Una distribución empírica se llama unimodal si la frecuencia
maximal es significativamente mayor que las otras. Puede
ser bimodal o multimodal en otros casos. 

Para estudiar una distribución empírica, la primera etapa consiste en

ordenar los datos en orden creciente, es decir escribir
sus estadígrafos de orden.

Definición 2.2   Sea   una muestra numérica.

Llamamos estadígrafos de orden de la muestra, a los
valores   iguales a los   puestos en orden creciente:

Aquí tenemos como ejemplo a una muestra de tamaño   y sus   

estadígrafos de orden.

La función de distribución empírica es la función de distribución de

la distribución empírica.
Definición 2.3   La función de distribución empírica es la función

de   en  , que denotamos por   y que toma los valores:

En otras palabras,   es la proporción de los elementos de la

muestra que son menores o iguales a  .