TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TIJUANA

SUBDIRECCIÓN ACADÉMICA

DEPARTAMENTO DE INGENIERÍA INDUSTRIAL

PERIODO: Enero – Junio 2024

INGENIERÍA INDUSTRIAL

MATERIA: Simulación

GRUPO: IN7C

UNIDAD 2

PRÁCTICA #3: Métodos de generación de variables aleatorias

DOCENTE:

Daniel Eduardo Hernandez Morales

ALUMNOS:

Campuzano Escalante Brisia Liliana (21210244)

Cruz Ponce Alan Martin (21210801)

05 de marzo del 2024

 Introducción

En el ámbito de la estadística y la probabilidad, la generación de variables aleatorias

desempeña un papel fundamental. Las variables aleatorias son modelos
matemáticos que representan resultados de experimentos aleatorios, como
lanzamientos de dados, mediciones de tiempo de llegada o cualquier otro fenómeno
sujeto a incertidumbre.
Los métodos de generación de variables aleatorias son técnicas utilizadas para
simular valores que siguen una distribución de probabilidad específica. Existen
varios métodos que nos permiten generar variables aleatorias. Lo normal es que
existan varias opciones para generar una misma variable aleatoria. La elección del
método adecuado se puede basar en una serie de factores como exactitud,se
prefiere un método exacto frente a métodos aproximados, como soluciones
numéricas, asimismo velocidad, uno de los datos que se toma en consideración es
el tiempo de generación de la variable y por último espacio, necesidades de
memoria del método utilizado. En general, los métodos no consumen mucha
memoria.
Investigar los cuatro métodos más comunes para la generación de variables
aleatorias

● Método de transformación inversa (Inverse transform method ITM o

inverse transform sampling ITS)

- Conceptos básicos
El método de transformada inversa, es el método más utilizado en la obtención de
variables aleatorias para experimentos de simulación.
Es un método para la generación de números aleatorios de cualquier distribución de
probabilidad continua cuando se conoce la inversa de su función de distribución.
Este método es en general aplicable, pero puede resultar muy complicado obtener
una expresión analítica de la inversa para algunas distribuciones de probabilidad.
El método utiliza la distribución acumulada F(x) de la distribución de probabilidad
que se va a simular mediante integración. Ya que el rango de F(x) se encuentra en
el intervalo 0 a 1, puede generarse un número aleatorio ri para determinar el valor
de la variable aleatoria cuya distribución acumulada es igual a ri.

- Procedimiento
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
pseudoaleatorios en la función acumulada inversa.
El problema que resuelve el método de la transformada inversa es el siguiente:
● Sea X una variable aleatoria cuya distribución puede ser descrita por la
función de distribución F.
● Se desea generar valores de X que están distribuidos según dicha
distribución.

Numerosos lenguajes de programación poseen la capacidad de generar números

pseudo-aleatorios que se encuentran distribuidos de acuerdo con una distribución
uniforme estándar. Si una variable aleatoria posee ese tipo de distribución, entonces
la probabilidad de que el número caiga dentro de cualquier subintervalo (a, b) del
intervalo entre 0 a 1 es la longitud del subintervalo, o sea b − a.

El método de la transformada inversa funciona de la siguiente manera:

1. Se genera un número aleatorio a partir de la distribución uniforme estándar;
se lo llama u.

2. Se calcula el valor x tal que y se lo llama Xelegido.

3. Se toma Xelegido como el número aleatorio extraído de la distribución
caracterizada por F.

- Restricciones o condiciones que se deben cumplir

● Función de distribución acumulativa (CDF) invertible: Para utilizar el método
de transformación inversa, la función de distribución acumulativa F(x) de la
variable aleatoria de interés debe ser invertible. Esto significa que debe ser
posible expresar la variable aleatoria en términos de la función inversa de la
CDF, F^-1(u) es una variable uniformemente distribuida entre 0 y 1.
● Existencia de la función inversa de la CDF: Además de ser invertible, la
función de distribución acumulativa debe tener una función inversa bien
definida y continua en el intervalo de interés.
● Generación de números pseudoaleatorios uniformemente distribuidos: Antes
de aplicar el método de transformación inversa, es necesario generar
números pseudoaleatorios que sigan una distribución uniforme en el intervalo
[0,1]. Estos números se utilizan como argumento para la función inversa de la
 CDF, y la salida corresponde a valores de la variable aleatoria con la
distribución deseada.
● Independencia de las variables generadas: Cada vez que se genera un
número pseudoaleatorio uniformemente distribuido para utilizar en la función
inversa de la CDF, debe ser independiente de los números generados
anteriormente. Esto asegura que las variables aleatorias generadas sean
independientes entre sí.

- Distribuciones que se pueden simular con el método

El método se utiliza para simular valores de las distribuciones exponencial, Cauchy,
triangular, de Pareto y Weibull, generación de una variable bernoulli, distribución
uniforme discreta y distribución de Poisson.
 ● Método de aceptación-rechazo (ARM)
- Conceptos básicos
El Método de Aceptación-Rechazo (ARM), también conocido como método de
aceptación-rechazo de Von Neumann,conocido también como el método mixto
permite generar variables aleatorias X cuando estas provienen de una función de
densidad fx que puede expresarse como la combinación convexa de m
distribuciones de probabilidad fi(x). Es una técnica utilizada en estadística y
simulación para generar valores de una distribución de probabilidad específica a
partir de una distribución de probabilidad conocida más simple.

Este método consiste en los siguientes pasos:

1. Se selecciona una constante M, tal que M es el valor más grande de f(x) en el

intervalo [a, b].

2. Se generan dos números aleatorios r1 y r2, r1, r2 ∈ [0,1].

3. Se calcula x* = a + (b – a)r1. (Esto asegura que cada miembro de [a,b] tiene

una probabilidad igual de ser elegido como x*).

4. Se evalúa la función f(x) en el punto x*; sea f(x*).

5. Si r2 ≤ f(x*) / M, entonces se acepta x* como una variable aleatoria continua. De

lo contrario, se rechaza x* y se vuelve al paso 2.

- Procedimiento
El Método de Aceptación-Rechazo (ARM) se puede describir con los siguientes
pasos:

Supongamos que queremos generar variables aleatorias según una cierta

distribución de probabilidad (llamémosla distribución objetivo) a partir de una
distribución de probabilidad de referencia conocida (llamémosla distribución de
referencia), que generalmente es más fácil de generar.

Seleccionar una Distribución de Referencia:

 ● Elegir una distribución de probabilidad de referencia que sea más fácil de
generar. La distribución de referencia a menudo es una distribución uniforme
en el intervalo [0, 1], pero puede ser otra distribución conocida.
Calcular la Constante de Proporcionalidad:
● Determinar una constante de proporcionalidad M tal que f(x)≤M⋅g(x) para
todo x, donde f(x) es la función de densidad de probabilidad (FDP) de la
distribución objetivo y g(x) es la FDP de la distribución de referencia.
Generar Puntos Aleatorios de Referencia:
● Generar puntos aleatorios U desde la distribución de referencia (por ejemplo,
Uniforme(0,1))
Calcular la Función de Aceptación:
● Calcular la función de aceptación A(x)=M⋅g(x)/ f(x) . Esta función indica la
probabilidad de aceptar un valor x generado a partir de la distribución de
referencia.
Generar Puntos de Prueba:
● Generar un punto aleatorio U desde la distribución de referencia.
Aceptación o Rechazo: Si U ≤A(x), entonces aceptar el punto x generado y
considerarlo como una observación de la distribución objetivo. Si U >A(x), rechazar
el punto y regresar al paso 3 para generar otro punto de prueba.
Repetir el Proceso:
● Repetir los pasos 3-6 hasta obtener el número deseado de observaciones
según la distribución objetivo.

Este procedimiento garantiza que las observaciones generadas sigan la distribución

deseada f(x) porque se están aceptando puntos de acuerdo con la proporción f(x) en
relación con g(x).
Es fundamental encontrar la constante de proporcionalidad M de manera eficiente
para mejorar la eficacia del método. Una elección óptima de la distribución de
referencia y la constante de proporcionalidad M mejora la eficiencia del algoritmo.
- Restricciones o condiciones que se deben cumplir
El Método de Aceptación-Rechazo (ARM) es una técnica eficaz para generar
variables aleatorias según una distribución de probabilidad deseada a partir de una
distribución de referencia conocida. Sin embargo, hay ciertas condiciones y
restricciones que deben cumplirse para garantizar la validez y eficacia del método:

Positividad de las Funciones de Densidad de Probabilidad (FDP):

● Las funciones de densidad de probabilidad (FDP) tanto de la distribución
objetivo (x) como de la distribución de referencia g(x) deben ser no negativas
para todos los valores de x Es decir, f(x)≥0 y g(x)≥0.
Soporte de la Distribución Objetivo:
● El soporte (conjunto de valores donde la probabilidad es mayor que cero) de
la distribución objetivo debe estar completamente contenido dentro del
soporte de la distribución de referencia. Es decir, cualquier valor que pueda
ser generado por el método de referencia también debe ser un valor posible
para la distribución objetivo.
Relación de Mayoración:
● Debe existir una constante de mayoración M tal que f(x)≤M⋅g(x) para todo x
en el rango de interés. Esta constante de mayoración garantiza que la
distribución de referencia pueda generar valores suficientemente grandes
para cubrir la distribución objetivo.
Eficiencia del Método de Referencia:
● El método de generación de valores aleatorios de la distribución de referencia
debe ser eficiente y rápido. Si la distribución de referencia es difícil de
generar, la eficacia del método disminuirá.
Fácil Evaluación de la Función de Densidad de Aceptación:
● La función de densidad de aceptación A(x), definida como M⋅g(x)//f(x), debe
ser fácil de evaluar. La simplicidad en la evaluación de esta función
contribuye a la eficiencia del método.
Lección Adecuada de la Distribución de Referencia:
​ La elección de la distribución de referencia debe ser adecuada y cuidadosa.
La distribución de referencia debe ser lo más parecida posible a la
distribución objetivo para maximizar la eficacia del método.
Consideración de Costos:
● Se debe considerar el costo computacional de generar valores según la
distribución de referencia y evaluar la función de densidad de aceptación. La
eficiencia del método depende de la capacidad para realizar estas
operaciones de manera rápida y con bajo costo computacional.

Al cumplir con estas condiciones, el Método de Aceptación-Rechazo proporciona

una forma efectiva de generar variables aleatorias según una distribución de
probabilidad deseada. La elección adecuada de las distribuciones y la constante de
mayoración son cruciales para el éxito del método.

- Distribuciones que se pueden simular con el método

El Método de Aceptación-Rechazo (ARM) es una técnica general que se puede
utilizar para simular diversas distribuciones de probabilidad, siempre y cuando se
cumplan ciertas condiciones y restricciones. Algunas de las distribuciones que
comúnmente se simulan utilizando este método incluyen:

​ Distribución Exponencial:
● La distribución exponencial se puede simular utilizando una
distribución de referencia exponencial o uniforme.
​ Distribución Normal:
● La distribución normal se puede simular utilizando una distribución de
referencia normal o uniforme. Es posible utilizar transformaciones
como el método de Box-Muller para generar variables normales a
partir de variables uniformes.
​ Distribución Poisson:
● La distribución Poisson se puede simular utilizando una distribución de
referencia que sea una mezcla de distribuciones exponenciales.
​ Distribución Gamma:
● La distribución gamma se puede simular utilizando una distribución de
referencia gamma o exponencial.
​ Distribución Beta:
● La distribución beta se puede simular utilizando una distribución de
referencia beta o uniforme.
 ​ Distribución Weibull:
● La distribución Weibull se puede simular utilizando una distribución de
referencia Weibull o exponencial.
​ Distribución Logística:
● La distribución logística se puede simular utilizando una distribución de
referencia logística o uniforme.
​ Distribución de Cauchy:
● La distribución de Cauchy se puede simular utilizando una distribución
de referencia de Cauchy o uniforme.
​ Distribución de Pareto:
● La distribución de Pareto se puede simular utilizando una distribución
de referencia de Pareto o uniforme.
​ Distribución de Laplace:
● La distribución de Laplace se puede simular utilizando una distribución
de referencia de Laplace o uniforme.
​ Distribución de Rayleigh:
● La distribución de Rayleigh se puede simular utilizando una
distribución de referencia exponencial o normal.

La elección de la distribución de referencia y la constante de mayoración M es

fundamental para el éxito del método. Es importante seleccionar una distribución de
referencia que sea fácil de generar y que se asemeje lo más posible a la distribución
objetivo. La eficacia del método depende en gran medida de estas elecciones.
 ● Método de composición
- Conceptos básicos
El Método de Composición es una técnica utilizada en estadística y probabilidad
para generar variables aleatorias con una distribución específica a partir de la
combinación de varias distribuciones más simples. La idea básica es expresar la
distribución deseada como una combinación ponderada de distribuciones conocidas
y luego utilizar un procedimiento aleatorio para seleccionar cuál de estas
distribuciones se utilizará para generar la variable aleatoria deseada.

- Procedimiento

​ Expresión de la Distribución Deseada:

● Expresar la distribución de probabilidad deseada en términos de una
combinación de distribuciones más simples. Supongamos que
queremos generar una variable aleatoria X con una distribución
deseada FX (x) y podemos expresarla como X=X1+X2+…+Xk, donde
X1​,X2​,…,Xk ​son variables aleatorias independientes con distribuciones
conocidas.
​ Cálculo de Probabilidades de Combinación:
● Calcular las probabilidades p1,p2,…,pk asociadas con cada una de las
distribuciones X1​,X2​,…,Xk​. Estas probabilidades indican la
probabilidad de que la variable aleatoria X provenga de cada una de
las distribuciones componentes.
​ Generación de una Variable Aleatoria Auxiliar:
● Generar una variable aleatoria discreta Y con probabilidades p1​
,p2​,…,pk. Esto determina cuál de las distribuciones componentes será
utilizada para generar la variable aleatoria deseada X.
​ Generación de la Variable Aleatoria Deseada:
● Según el valor de Y, utilizar la distribución componente
correspondiente (por ejemplo, X1​,X2,…,Xk​) para generar la variable
aleatoria deseada X.

Este procedimiento permite descomponer una distribución de probabilidad

complicada en partes más simples y manejables. El Método de Composición es
particularmente útil cuando se pueden expresar distribuciones complejas como la
suma de distribuciones más simples y conocidas.

La elección de las distribuciones componentes y las probabilidades asociadas es

crucial para el éxito del método. Además, las variables aleatorias componentes
deben ser independientes entre sí para que el método funcione correctamente.

- Restricciones o condiciones que se deben cumplir

independencia de Variables Aleatorias Componentes:
● Las variables aleatorias componentes (X1​,X2​,…,Xk) deben ser
independientes entre sí. La independencia es crucial para asegurar que la
combinación de estas variables resulte en una distribución adecuada para la
variable aleatoria deseada.

Expresión Clara de la Distribución Deseada:

● La distribución de probabilidad deseada (X) debe poder expresarse como una
combinación ponderada de distribuciones más simples (X1​,X2​,…,Xk). Esta
expresión debe ser clara y manejable para que el método sea aplicable.

Suma de Variables Aleatorias:

● La variable aleatoria deseada X debe ser expresada como la suma de las
variables aleatorias componentes (X1+X2​+…+Xk​). Esta estructura de suma
es esencial para la aplicación del Método de Composición.

Conocimiento de Distribuciones Componentes:

● Se debe conocer o ser capaz de caracterizar las distribuciones de
probabilidad de las variables aleatorias componentes (X1X2,…,Xk). La
aplicabilidad del método depende de la capacidad para expresar y trabajar
con estas distribuciones.

​ Probabilidades de Combinación Positivas:

● Las probabilidades de combinación (p1,p2​,…,pk​) asociadas con cada
distribución componente deben ser positivas. Esto asegura que la
combinación sea bien definida y que cada componente tenga una
oportunidad de contribuir a la variable aleatoria deseada.
​ Normalización de Probabilidades:
​
 ​ Las probabilidades de combinación (p1,p2,…,pk) deben sumar 1. Esto
garantiza que la variable aleatoria auxiliar (Y) se distribuya correctamente y
sea una distribución de probabilidad válida.
​
​ Eficiencia Computacional:
● La eficiencia computacional es importante. Si bien el método puede
ser conceptualmente válido, se debe considerar la facilidad de
generación de variables aleatorias de cada distribución componente y
el costo computacional asociado.

Al cumplir con estas restricciones y condiciones, el Método de Composición puede

ser una herramienta efectiva para generar variables aleatorias que sigan una
distribución de probabilidad específica.

- Distribuciones que se pueden simular con el método

​ Distribución Exponencial:
● La distribución exponencial se puede simular utilizando el Método de
Composición mediante la combinación de distribuciones exponenciales
más simples.
​ Distribución Normal:
● La distribución normal puede ser simulada mediante la combinación de
distribuciones normales más simples o mediante el uso de técnicas
específicas, como el método de Box-Muller.
​ Distribución Poisson:
● La distribución Poisson se puede simular mediante la combinación de
distribuciones de Poisson más simples o mediante el Método de
Composición de Poisson.
​ Distribución Binomial:
● La distribución binomial puede ser simulada mediante la combinación
de distribuciones binomiales más simples o mediante el Método de
Composición de Binomial.
​ Distribución Gamma:
● La distribución gamma se puede simular mediante la combinación de
distribuciones gamma más simples o mediante el Método de
Composición de Gamma.
​ Distribución Weibull:
 ● La distribución Weibull se puede simular mediante la combinación de
distribuciones Weibull más simples o mediante el Método de
Composición de Weibull.
​ Distribución Logística:
● La distribución logística se puede simular mediante la combinación de
distribuciones logísticas más simples o mediante el Método de
Composición de Logística.
​ Distribución de Pareto:
● La distribución de Pareto se puede simular mediante la combinación
de distribuciones de Pareto más simples o mediante el Método de
Composición de Pareto.
​ Distribución de Cauchy:
● La distribución de Cauchy se puede simular mediante la combinación
de distribuciones de Cauchy más simples o mediante el Método de
Composición de Cauchy.
​ Distribución Triangular:
● La distribución triangular se puede simular mediante la combinación de
distribuciones triangulares más simples o mediante el Método de
Composición Triangular.

Estas son solo algunas ejemplos, y la aplicabilidad del Método de Composición

puede extenderse a otras distribuciones. La elección de las distribuciones

componentes y las ponderaciones asociadas es crucial para el éxito del método.

Además, es importante que las distribuciones componentes sean independientes

entre sí.
 ● Método de convolución

- Conceptos básicos
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.
En algunas distribuciones de probabilidad la variable aleatoria a simular, y ,puede
generarse mediante la suma de otras variables aleatorias x de manera más rápida
que a través de otros métodos. La idea básica del método de convolución es
expresar la muestra deseada como la suma estadística de otras variables aleatorias
fáciles de muestrear.

- Procedimiento
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.
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.
A pesar de que la convolución no es necesaria para la generación de números
aleatorios. Nótese la diferencia entre composición y convolución. La primera se usa
cuando la densidad o FDA puede ser expresada como la suma de otras densidades
o FDA. La segunda se usa cuando la variable misma puede ser expresada como la
suma de otras variables.

- Restricciones o condiciones que se deben cumplir

El método de convolución se puede usar siempre y cuando la variable aleatoria x se
puede expresar como una combinación lineal de k variables aleatorias:

X= b1x1+b2x2+…bkxk

- Distribuciones que se pueden simular con el método

Puede ser usada para obtener variables con distribuciones Erlang, binomiales,
normal, poisson y gamma.
 Conclusión

En conclusión, los métodos de generación de variables aleatorias son herramientas

esenciales en el campo de la estadística y la probabilidad, así como en diversas
áreas de aplicación, como la simulación de sistemas complejos, el diseño de
experimentos y la modelización de fenómenos naturales y sociales. Estos métodos
permiten generar valores aleatorios que siguen distribuciones de probabilidad
específicas, lo que facilita el análisis y la comprensión de la variabilidad en
diferentes contextos.

Es importante tener en cuenta que la elección del método de generación adecuado

depende de varios factores, como la precisión requerida, la eficiencia computacional
y la complejidad de la distribución de probabilidad. Además, es fundamental validar
los resultados generados mediante métodos de generación de variables aleatorias
para garantizar su adecuación a los propósitos específicos de la aplicación.

En resumen, los métodos de generación de variables aleatorias son herramientas

poderosas y versátiles que desempeñan un papel fundamental en la modelización y
el análisis de fenómenos aleatorios en una amplia variedad de campos,
contribuyendo así al avance del conocimiento y la toma de decisiones informadas.
 Bibliografía

Veronicaaguinaga, A. (2016, 2 octubre). Método de transformada inversa y de

convolución. SIMULACIÓN DE PROCESOS.
https://aguinagasimulacion.wordpress.com/2016/10/02/metodo-de-transforma
da-inversa-y-de-convolucion/#:~:text=M%C3%A9todo%20de%20convoluci%
C3%B3n&text=En%20este%20m%C3%A9todo%20se%20necesita,se%20de
sea%20obtener%20por%20convoluci%C3%B3n.
Simupano. (2016, 11 marzo). Método de transformada inversa y convolución.
Simulación de Procesos Por Pano.
https://simupano.wordpress.com/2016/03/11/metodo-de-transformada-inversa
-y-convolucion/
Gbandrea. (2016, 9 octubre). Trasformada inversa y convolución. AGB Simulación.
https://gbandrea24.wordpress.com/2016/10/02/trasformada-inversa-y-convolu
cion/
Rubén Fernández Casal ([email protected]), Ricardo Cao ([email protected]), &
Julián Costa ([email protected]). (s. f.). 4.2 Método de aceptación rechazo
| Técnicas de Simulación y Remuestreo.
https://rubenfcasal.github.io/simbook/AR.html
Jorge Huertas. (2018, 3 julio). Generación de variables aleatorias - Aceptación y
RMétodo de composición :: Unidad3simulacion. (s. f.-b).
https://unidad3simulacion.webnode.es/noticias-institucionales-/metodo-de-composici
on/
echazo [Vídeo]. YouTube. https://www.youtube.com/watch?v=5du6OudVhdg
Rodrigo Combe. (2020, 20 octubre). Método de composición [Vídeo]. YouTube.
https://www.youtube.com/watch?v=iItLLDQ1P18