Hay una variedad de mtodos para generar variables aleatorias. Cada mtodo se aplica solo a un subconjunto de distribuciones y para una distribucin en particular un mtodo puede ser ms eficiente que otro. Transformacin Inversa Si la variable aleatoria X tiene una FDA F(x), entonces la variable R = F(x) est distribuida uniformemente entre 0 y 1. Por lo tanto, X se puede obtener generando nmeros uniformes y calculando x = F1 (R).
Analticamente, el mtodo se representa como:
donde f(x) es la funcin de densidad de probabilidad de la distribucin deseada. Para ver porqu el X generado con este mtodo en realidad tiene la distribucin deseada, tome un valor X0 y calcule la probabilidad acumulada:
Este mtodo nos permite generar variables aleatorias siempre que se pueda determinar F1 (x) analticamente o empricamente. Ejemplo (determinacin analtica):
Ejemplo (determinacin emprica):
y la inversa est dada por:
Mtodo de Composicin Este mtodo se puede usar si la FDA F(x) deseada se puede expresar como una suma ponderada de otras n FDA F1 (x), ..., Fn (x):
El nmero de funciones n puede ser finito o infinito, y las n FDA son compuestas para formar la FDA deseada; de aqu el nombre de la tcnica. Esto tambin se puede ver como que la FDA deseada es descompuesta en otras n FDA; por esto la tcnica a veces es llamada descomposicin. La tcnica tambin se puede usar si la funcin de densidad f (x) puede ser descompuesta como una suma ponderada de otras n densidades:
En cualquier caso, los pasos a seguir son: 1. Genere un entero aleatorio I tal que P(I = i ) = pi. Esto puede ser hecho con el mtodo de transformacin inversa. 2. Genere x con la i-esima densidad fi (x) y retorne. Ejemplo: Consideremos la densidad de Laplace dada por
Distribucin Uniforme Una distribucin Uniforme sobre el rango de 0 a 1 es la base para generar valores de distribuciones de probabilidad estndar. Una aplicacin comn es para representar el tiempo de duracin de una actividad cuando se tiene una mnima informacin de la duracin de la actividad. Algunas veces el tiempo para completar se considera que vara aleatoria y uniformemente entre dos valores. Dadas estas condiciones, la distribucin Uniforme es una buena estimacin preliminar para la duracin de una actividad La funcin de densidad de la distribucin Uniforme de probabilidad es definida como sigue:
Distribucin Uniforme de probabilidad para el intervalo (a,b) Para obtener la distribucin acumulada de probabilidad, usando la distribucin original de probabilidad y a travs del clculo, as;
Usando el procedimiento de transformacin inversa involucra establecer una variable aleatoria uniforme R (donde R se encuentra entre cero y uno) igual a F(x) y resolver para x. As, X = a + R(b - a) Ejemplo El tiempo requerido para lavar un auto esta uniformemente distribuido con un tiempo mnimo de 8 minutos y un mximo de 12 minutos. Simule el tiempo de servicio para procesar 10 automviles. Use un proceso generador uniforme en su anlisis. Cul es el tiempo promedio para los 10 autos que se procesan? Sea x = Tiempo de servicio
Distribucin Exponencial Es usada extensivamente en modelos de colas. Es la nica distribucin continua con la propiedad de prdida de memoria: recordar el tiempo desde el ltimo evento no ayuda a predecir el tiempo hasta el prximo evento. Es usada para modelar el tiempo entre eventos sucesivos, por ejemplo: El tiempo entre llegadas. El tiempo entre fallas. Un proceso generador uniforme para esta distribucin puede ser desarrollado con el uso de la tcnica de transformacin inversa. La funcin de densidad de la distribucin Exponencial de probabilidad es la siguiente:
donde es la tasa de servicio o el nmero de unidades servidas por unidad de tiempo. Para desarrollar el proceso generador, se debe encontrar primeramente la funcin de densidad acumulada de probabilidad:
y esta expresin puede ser reemplazada por
Ejemplo 1 El tiempo entre fallas para una operacin particular de manufactura puede ser descrito por una distribucin exponencial con una media de 100 horas. Simule el tiempo de 5 fallas. Use el proceso generador exponencial en su anlisis. 1/100 = .01 hora x= tiempo entre fallas
Ejemplo 2 El tiempo entre arribos de los clientes que entran a una tienda puede ser descrito por una distribucin exponencial con media de 8 minutos. Simule el arribo de 10 clientes a la tienda. Use un proceso generador exponencial en su anlisis. 60/8 =7.5 clientes/hora
Distribucin Gamma La distribucin Gamma puede ser usada para representar el tiempo requerido para completar una actividad o grupo de actividades. La distribucin Gamma pude ser utilizada para generar valores que representan el tiempo total requerido para completar n desempeos independientes de la actividad. Es una generalizacin de la Erlang y tiene parmetros no enteros. Se usa en modelos de colas para modelar tiempos de servicio y tiempos de reparacin. El parmetro es llamado parmetro de forma y es llamado parmetro de escala.
Los pasos a seguir son los siguientes:
La idea bsica de todos los mtodos de aceptacin-rechazo es nuevamente ilustrar aqu, pero la prueba de esto no es la intencin de este libro. En el paso 3, X = [R1/(1-R1)]a no esta distribuida en forma Gamma, pero el rechazo de cierto valores de X en el paso 4 garantiza que los valores aceptados en el paso 4b tienen una distribucin Gamma. Ejemplo:
Este ejemplo tomo 2 pruebas para generar una variable aleatoria distribuida Gamma, pero en promedio para generar una 1000 variables Gamma, el mtodo requerir entre 1130 y 470 pruebas, o en forma equivalente, entre 2260 y 2940 nmeros aleatorios.
Distribucin Poisson Se usa extensivamente en modelos de colas para modelar el nmero de llegadas en cierto intervalo: Nmero de consultas a un servidor en un intervalo t. Nmero de fallas en componentes por unidad de tiempo. Nmero de consultas a una base de datos en t segundos. Nmero de errores de tecleo por forma. Si los datos son obtenidos en la forma d el nmero de arribos por unidad de tiempo, entonces los datos pueden ser descritos por una distribucin Poisson. La funcin de masa de probabilidad para la distribucin Poisson se define como sigue:
El mtodo de composicin para generar variables aleatoria Poisson es el siguiente: Paso 1 Identifique la longitud del perodo T. Inicialice a cero el contador de arribos, n y el contador de intervalo de tiempo t. Paso 2 Genere el intervalo de tiempo para un arribo utilizando el generador de proceso exponencial. Paso 3 Sume el tiempo entre arribos en el paso 2 a t; sume 1 al contador de nmero de arribo n. Paso 4 si t>T en el paso 3, entonces deseche el ultimo arribo y reste 1 del contador de nmero de arribos, n, y vaya a el paso 5 de otra forma vaya al paso 2. Paso 5 El valor de n es la variable aleatoria para la distribucin Poisson. Problema El nmero de clientes que llegan a un banco est descrita por una distribucin poisson con una media de 4 arribos cada hora. Simule el arribo de los clientes sobre un perodo de 1 hora. (Recordar la relacin recproca entre el tiempo entre arribos (dist. Exponencial) y el No. de arribos por perodo de tiempo (Dist. Poisson)).
10 arribos/ hora tiempo de entre arribo = 6 min. Cuando 15, la tcnica de aceptacin-rechazo se convierte en algo caro (por la cantidad de clculos que se realizan), pero afortunadamente se usa una tcnica para aproximar basada en la distribucin Normal que trabaja bastante bien. Cuando , es grande,
Distribucin Geomtrica El nmero de ensayos hasta e incluyendo el primer xito en una secuencia Bernoulli es una Geomtrica. Es la equivalente discreta de la exponencial en cuanto a la propiedad de prdida de memoria: recordar el pasado no ayuda a predecir el futuro.