Generación de variaciones estocásticas Rubén Medinaceli O.

GENERACIÓN DE VARIACIONES ESTOCÁSTICAS

En un modelo de simulación pueden intervenir una o más variables aleatorias.

Generalmente, estas variables aleatorias siguen distribuciones teóricas o empíricas
diferentes a la distribución uniforme. Para generar números aleatorios de estas variables
aleatorias es necesario contar con un generador de números aleatorios que siguen una
distribución uniforme en el intervalo (0, 1) y una función que a través de un método
específico transforme estos números en valores de la distribución deseada.

𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒:

𝑓𝑋 (𝑥) 𝑓𝑋 (𝑥) 𝑓𝑋 (𝑥)

𝑋 𝑋 𝑎 𝑏 𝑋
𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛:

𝑓𝑋 (𝑥)

FUENTE GENERADORA DE
NÚMEROS ALEATORIOS

Entrega números aleatorios

de una población uniforme
en el intervalo (0, 1)
𝑋
𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑁𝑜𝑟𝑚𝑎𝑙:

𝑓𝑋 (𝑥) 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟:

𝑓𝑋 (𝑥)

𝑋
𝑎 𝑏 𝑐 𝑋

Se cuenta con varios métodos para lograr este fin; entre los más conocidos es posible
mencionar a:

1
Generación de variaciones estocásticas Rubén Medinaceli O.

• El método de la transformación inversa

• El método de rechazo
• El método de composición
• Métodos especiales
Sin embargo, el método a utilizarse depende de la naturaleza de la distribución de interés.
Inicialmente, se presenta la generación de números aleatorios de distribuciones discretas.
Posteriormente, se presentará la generación de números aleatorios de distribuciones
continuas. Finalmente, se hará referencia a la generación de números aleatorios a partir de
datos experimentales o de muestreo.

1. Generación de números aleatorios de distribuciones discretas

Las distribuciones discretas (funciones de distribución de probabilidad) pertenecen a
variables aleatorias discretas.

1.1. Prueba o experimento de Bernoulli

Una prueba o experimento de Bernoulli es un experimento aleatorio que da lugar solamente

a dos resultados genéricamente conocidos como “éxito” y “fracaso”; se conoce además
la probabilidad de uno de los resultados.

Se denominará p a la probabilidad del “éxito” y q = 1- p a la probabilidad del “fracaso”.

• Un ejemplo de experimento de Bernoulli es:

Experimento aleatorio: lanzar una moneda

El espacio de muestreo (𝑆) es:

Cara Sello
“éxito” “fracaso”

𝒑 = 𝟎, 𝟓 𝒒 = 𝟏 − 𝒑 = 𝟏 − 𝟎, 𝟓 = 𝟎, 𝟓

2
Generación de variaciones estocásticas Rubén Medinaceli O.

• Otro ejemplo de experimento de Bernoulli es:

Experimento aleatorio: lanzar un dado

Si interesa que el dado muestre un punto “ace” en su cara superior; el espacio de muestreo
(𝑆) es:

“éxito” “fracaso”

𝟏 𝟏 𝟓
𝒑= 𝒒= 𝟏−𝒑 =𝟏− =
𝟔 𝟔 𝟔

1.2. Distribución binomial

Si se cumplen los siguientes supuestos:

• Se tiene n pruebas o experimentos de Bernoulli

• La probabilidad p del “éxito” es siempre la misma en cada prueba

• Se define la variable aleatoria X como:

X = Número de éxitos en las n pruebas

La función de distribución de probabilidad de X viene dada por:

𝑛
𝑓𝑋 (𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑥

3
Generación de variaciones estocásticas Rubén Medinaceli O.

Si la variable aleatoria X tiene esta función de distribución de probabilidad, se dice que X

sigue o tiene una distribución binomial

Si X sigue una distribución binomial, la media y la varianza de X son:

• 𝐸[𝑋] = 𝜇𝑋 = 𝑛𝑝

• 𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑛𝑝𝑞

Nótese que los parámetros de la distribución binomial son: n y p. Por tanto, si se desea
generar números aleatorios de una distribución binomial, los valores de estos parámetros
deben ser conocidos.

El siguiente ejercicio muestra la generación de números aleatorios de una distribución

binomial.

1.2.1. Ejercicio 1

Problema:

Se lanza un dado seis veces. ¿Cuál es la probabilidad de obtener un “ace” (1 punto en la

cara superior del dado) al menos dos veces?

Primera solución:

El método que se presenta pertenece al grupo de métodos especiales.

Cada lanzamiento del dado es una prueba o experimento de Bernoulli

Por tanto, si se lanza el dado seis veces, se tiene seis experimentos de Bernoulli (n = 6)
1
La probabilidad, 𝑝 = , del éxito es la misma en cada lanzamiento.
6

La variable aleatoria X = Número de “aces” en los seis lanzamientos

Rango de X = {0, 1, 2, 3, 4, 5, 6}

Nótese que se cumplen todos los supuestos para afirmar que la variable aleatoria X sigue
una distribución binomial.

Por tanto, para simular los seis lanzamientos se genera seis números aleatorios que siguen
una distribución uniforme en el intervalo (0,1); y se decide si cada número representa un
éxito o un fracaso, tomado como base el siguiente criterio:

4
Generación de variaciones estocásticas Rubén Medinaceli O.

p = 1/6 = 0,167

0 1

p=1/6=0,167

éxito fracaso

Por ejemplo,

0,794 fracaso (f)

0,952 fracaso
0,012 éxito (e)
0,633 fracaso
0,106 éxito
0,484 fracaso

Por tanto,

X = 2 (dos “aces” en seis lanzamientos del dado)

Ahora, para estimar la probabilidad solicitada, hay que repetir los seis lanzamientos varias
veces, en este caso, digamos diez (10); esto es:

0,155(e) 0,200(f) 0,738(f) 0,605(f) 0,444(f)

0,483(f) 0,990(f) 0,065(e) 0,451(f) 0,155(e)
0,886(f) 0,748(f) 0,286(f) 0,740(f) 0,657(f)
0,226(f) 0,934(f) 0,204(f) 0,846(f) 0,140(e)
0,838(f) 0,144(e) 0,513(f) 0,725(f) 0,055(e)
0,609(f) 0,063(e) 0,922(f) 0,001(e) 0,553(f)
X=1 X=2 X=1 X=1 X=3

0,426(f) 0,350(f) 0,994(f) 0,665(f) 0,485(f)

0,293(f) 0,414(f) 0,416(f) 0,686(f) 0,239(f)
0,019(e) 0,701(f) 0,111(e) 0,781(f) 0,275(f)
0,283(f) 0,147(e) 0,076(e) 0,665(f) 0,455(f)
0,251(f) 0,652(f) 0,368(f) 0,644(f) 0,445(f)
0,019(e) 0,076(e) 0,436(f) 0,117(e) 0,256(f)
X=2 X=2 X=2 X=1 X=0

Inicialmente, indicar que se ha generado la siguiente secuencia de números aleatorios

provenientes de una distribución binomial con n = 6 y p = 1/6: 1, 2, 1, 1, 3, 2, 2, 2, 1, 0

5
Generación de variaciones estocásticas Rubén Medinaceli O.

Luego,

5 5
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2) = 1 − 𝑃(𝑋 ≤ 1) = 1 − =
10 10

Segunda solución:

El método que se presenta ahora es el de la transformación inversa.

Si la variable aleatoria X sigue una distribución binomial con n = 6 y p = 1/6

𝑛 6 1
𝑥
5 𝑛−𝑥
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 = ( ) ( ) ( ) ; 𝑥 = 0, 1, 2, 3, 4, 5 ,6
𝑥 𝑥 6 6
Para el método, es necesario obtener la función de distribución acumulada (FX(x)). Para
ello,

6 1
0
5 6−0
𝑓𝑋 (0) = 𝑃(𝑋 = 0) = ( ) ( ) ( ) = 0,335
0 6 6

6 1
1
5 6−1
𝑓𝑋 (1) = 𝑃(𝑋 = 1) = ( ) ( ) ( ) = 0,401
1 6 6

6 1 2 5 6−2
𝑓𝑋 (2) = 𝑃(𝑋 = 2) = ( ) ( ) ( ) = 0,201
2 6 6

6 1
3
5 6−3
𝑓𝑋 (3) = 𝑃(𝑋 = 3) = ( ) ( ) ( ) = 0,054
3 6 6

6 1
4
5 6−4
𝑓𝑋 (4) = 𝑃(𝑋 = 4) = ( ) ( ) ( ) = 0,008
4 6 6

6 1
5
5 6−5
𝑓𝑋 (5) = 𝑃(𝑋 = 5) = ( ) ( ) ( ) = 0,001
5 6 6

6 1
6
5 6−6
𝑓𝑋 (6) = 𝑃(𝑋 = 6) = ( ) ( ) ( ) = 0,000
6 6 6
En suma, se tiene:

x 𝒇𝑿 (𝒙) 𝑭𝑿 (𝒙)
0 0,335 0,335
1 0,401 0,736
2 0,201 0,937
3 0,054 0,991
4 0,008 0,999
5 0,001 1,000
6 0,000 1,000

El gráfico de la siguiente página representa la función de distribución acumulada de X.

6
Generación de variaciones estocásticas Rubén Medinaceli O.

Es importante recordar que,

• 𝐿𝑖𝑚 𝐹𝑋 (𝑥) 𝑥 → −∞ = 0

• 𝐿𝑖𝑚 𝐹𝑋 (𝑥)𝑥 → ∞ = 1

En otras palabras, la función de distribución acumulada de X toma valores entre 0 y 1,

al igual que los números aleatorios de una distribución uniforme en el intervalo (0,1). Por
tanto, es posible asumir que un determinado número aleatorio generado de una distribución
uniforme en el intervalo (0,1) es un valor de la función de distribución acumulada de X; y
por medio de una transformación inversa, es posible determinar el valor de la variable
aleatoria X, que en este caso sigue una distribución binomial con n = 6 y p = 1/6. Esta
operación se muestra en el gráfico de la siguiente página.

A continuación, se muestra veinte números aleatorios generados utilizando el método

descrito.

r x r x r x r x r x
0,240 0 0,989 3 0,825 2 0,328 0 0,816 2
0,825 2 0,732 1 0,256 0 0,598 1 0,187 0
0,939 3 0,395 1 0,385 1 0,099 0 0,533 1
0,169 0 0,725 1 0,955 3 0,180 0 0,443 1

Luego,

14 6 3
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2) = 1 − 𝑃(𝑋 ≤ 1) = 1 − = =
20 20 10

7
Generación de variaciones estocásticas Rubén Medinaceli O.

FX(x)
0,991 0,999 1,000 1,000
1,0
0,937

0,9

r = 0,825 0,8
0,736

0,7

0,6

0,5

0,4
0,335

0,3
r = 0,240
0,2

0,1

0 1 2 3 4 5 6 X
X=0 X=2

1.3. Distribución geométrica

Si se cumplen los siguientes supuestos:

• Se tiene varias pruebas o experimentos de Bernoulli

• La probabilidad p del “éxito” es siempre la misma en cada prueba

• Se define la variable aleatoria X como:

X = Número de pruebas “fracaso” antes del primer “éxito”

La función de distribución de probabilidad de X viene dada por:

8
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑓𝑋 (𝑥) = 𝑝𝑞 𝑥 ; 𝑥 = 0, 1, 2, ⋯ ⋯

Si la variable aleatoria X tiene la función de distribución de probabilidad anotada, se dice

que X sigue o tiene una distribución geométrica

Si X sigue una distribución geométrica, la media y la varianza de X son:

𝑞
𝐸[𝑋] = 𝜇𝑋 =
𝑝
𝑞
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝑝2

Nótese que el parámetro de la distribución geométrica es p. Recuerde que q = 1 – p. Por

tanto, si se desea generar números aleatorios de una distribución geométrica, se debe
conocer el valor de p.

El siguiente ejercicio muestra la generación de números aleatorios de una distribución

geométrica.

1.3.1. Ejercicio 2

Problema:

Se tiene una bolsa con una bola de billar blanca, dos bolas de billar negras y una roja. Se
selecciona, al azar, una bola de billar, una tras otra y con reemplazo, hasta obtener por
primera vez una bola de billar blanca.

Cuál es la probabilidad de obtener una bola de billar blanca por primera vez en el tercer
intento.

Solución:

El método que se presenta pertenece al grupo de métodos especiales. Es también posible

aplicar, en este caso, el método de la transformación inversa.

9
Generación de variaciones estocásticas Rubén Medinaceli O.

Experimento aleatorio: Seleccionar una bola de billar al azar.

(Cuando se dice con reemplazo, significa que, una vez seleccionada una bola de billar, se anota el
color y se devuelve la bola a la bolsa para la siguiente selección)

El espacio de muestreo (𝑆) es:

“éxito” “fracaso”

1
𝑝=
4
Cada selección de una bola de billar es una prueba o experimento de Bernoulli

Por tanto, si se selecciona una bola de billar varias veces, se tiene varios experimentos de
Bernoulli

Como el muestreo es con reemplazo, la probabilidad p del éxito es la misma en cada

selección efectuada.

La variable aleatoria se define como:

X = Número de selecciones efectuadas antes de obtener por primera vez una bola de billar
blanca.

Rango de X = {0, 1, 2, 3, ⋯}

Nótese que se cumplen todos los supuestos para afirmar que la variable aleatoria X sigue
una distribución geométrica.

10
Generación de variaciones estocásticas Rubén Medinaceli O.

Por tanto, para simular la selección de una bola de billar, hay que generar un número
aleatorio de una distribución uniforme en el intervalo (0,1); y decidir si este número
representa un éxito o un fracaso, con el siguiente criterio:

p = 1/4 = 0,25

0 1

p=1/4=0,25

éxito fracaso

Por ejemplo,

0,794 fracaso (f)

0,952 fracaso
0,633 fracaso
0,106 éxito (e)

Por tanto,

X = 3 (tres “fracasos” antes del primer “éxito”)

Luego, para estimar la probabilidad solicitada, hay que repetir los lanzamientos hasta lograr
el primer “éxito” varias veces, digamos diez veces; esto es:

0,155(e) 0,400(f) 0,738(f) 0,605(f) 0,444(f)

0,990(f) 0,065(e) 0,451(f) 0,155(e)
0,748(f) 0,657(f)
0,234(e) 0,846(f)
0,725(f)
0,001(e)

X=0 X=3 X=1 X=5 X=1

0,426(f) 0,350(f) 0,994(f) 0,665(f) 0,485(f)

0,293(f) 0,414(f) 0,416(f) 0,686(f) 0,339(f)
0,128(e) 0,701(f) 0,111(e) 0,781(f) 0,275(f)
0,147(e) 0,665(f) 0,455(f)
0,644(f) 0,245(e)
0,117(e)

X=2 X=3 X=2 X=5 X=4

11
Generación de variaciones estocásticas Rubén Medinaceli O.

Inicialmente, indicar que se ha generado la siguiente secuencia de diez números aleatorios

de una distribución geométrica con p = 1/4: 0, 3, 1, 5, 1, 2, 3, 2, 5, 4

Luego, probabilidad de obtener por primera vez una bola blanca de billar (éxito) en el tercer
intento; vale decir, la probabilidad de tener dos fracasos antes del primer éxito, o si se quiere
la probabilidad que la variable aleatoria X = 2, es igual a:

2
𝑃(𝑋 = 2) =
10

1.4. Distribución de Poisson

Si X es una variable aleatoria definida como el número de ocurrencias de un determinado

acontecimiento en un intervalo de tiempo o espacio

Por ejemplo,

• El número de accidentes de tránsito por día en la ciudad de Oruro.

• El número de llamadas telefónicas que llegan a la central telefónica de la

Universidad Técnica de Oruro por hora.

• El número de peladuras de un cable eléctrico por metro.

• El número de errores ortográficos en una página de LA PATRIA.

Si, además,

• El número de ocurrencias de este acontecimiento en un determinado intervalo de

tiempo o espacio es independiente del número de ocurrencias de este
acontecimiento en cualquier otro intervalo de tiempo o espacio.

• La probabilidad de una sola ocurrencia en un intervalo de tiempo o espacio muy

pequeño es proporcional al tamaño del intervalo.

• La probabilidad de más de una ocurrencia en este pequeño intervalo es

despreciable.

Es posible demostrar que:

𝑒 −𝜃 𝜃 𝑥
𝑃(𝑋 = 𝑥) = 𝑓𝑋 (𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , ∞
𝑥!

Esta función de distribución de probabilidad se conoce con el nombre de distribución de

Poisson.

La media y la varianza de una variable aleatoria X que sigue una distribución de Poisson
son:

𝐸[𝑋] = 𝜇𝑋 = 𝜃

12
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜃

Nótese que el parámetro de la distribución de Poisson es θ.

Por tanto, si se desea generar números aleatorios de una distribución de Poisson se debe
conocer el valor de θ.

Por otro lado, es posible demostrar que, si el número de ocurrencias de un acontecimiento

en un intervalo de tiempo o de espacio sigue una distribución de Poisson, el tiempo o el
espacio entre ocurrencias del acontecimiento sigue una distribución exponencial.

Si la variable aleatoria T representa el tiempo o el espacio entre ocurrencias del

acontecimiento:

𝑓𝑇 (𝑡) = 𝜃𝑒 −𝜃𝑡 ; 𝑡 ≥ 0

Esta función de densidad de probabilidad es la que recibe el nombre de distribución

exponencial y su media y varianza son:

1
𝐸[𝑋] = 𝜇𝑋 =
𝜃
1
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝜃2

Nótese que el parámetro de la distribución exponencial es también θ

Esta relación entre la distribución de Poisson y la distribución exponencial, permite generar

números aleatorios de una distribución de Poisson.

Considere el siguiente gráfico:

t=1 t=1
ocurrencias

○ ○ ○ ○ ○
t0 t1 t2 t3 t4

Para generar números aleatorios de una distribución de Poisson:

13
Generación de variaciones estocásticas Rubén Medinaceli O.

• Generar los tiempos t0, t1, t2, t3, t4, ……..

• Sumar consecutivamente estos tiempos de tal forma que se cumpla la siguiente

desigualdad:

𝑥 𝑥+1

∑ 𝑡𝑖 ≤ 𝜃 < ∑ 𝑡𝑖
𝑖=0 𝑖=0

Los tiempos t i siguen una distribución exponencial con una media igual a 1. Como se verá
más adelante, estos tiempos se generan con la siguiente expresión:

𝑡𝑖 = −𝐿𝑛 𝑟𝑖

Donde, ri es un número aleatorio de una distribución uniforme en el intervalo (0,1).

Por tanto,
𝑥 𝑥+1

∑ − 𝐿𝑛 𝑟𝑖 ≤ 𝜃 < ∑ − 𝐿𝑛 𝑟𝑖
𝑖=0 𝑖=0

Vale decir,
𝑥 𝑥+1

∑ 𝐿𝑛 𝑟𝑖 ≥ −𝜃 > ∑ 𝐿𝑛 𝑟𝑖
𝑖=0 𝑖=0

Expresión equivalente a:
𝑥 𝑥+1
−𝜃
∏ 𝑟𝑖 ≥ 𝑒 > ∏ 𝑟𝑖 ; 𝑥 = 0, 1, 2, 3, … …
𝑖=0 𝑖=0

Esta es la expresión utilizada para generar números aleatorios de una distribución de

Poisson.

Como ejemplo, generar cuatro números aleatorios de una distribución de Poisson con
θ=4

• Inicialmente, se calcula 𝑒 −𝜃 = 𝑒 −4 = 0,0498

• Para el primer número aleatorio, se genera una secuencia de valores de ri como la

siguiente:

r0 = 0,189
r1 = 0,914
r2 = 0,241
r3 = 0,528

14
Generación de variaciones estocásticas Rubén Medinaceli O.

• Se obtiene los siguientes productos:

r0 x r1 = 0,189 x 0,914 = 0,173

r0 x r1 x r2 = 0,173 x 0,241 = 0,0416

• Nótese que:

0,173 > 0,0498 > 0,0416

Se ha logrado la desigualdad,
𝑥 𝑥+1

∏ 𝑟𝑖 ≥ 𝑒 −𝜃 > ∏ 𝑟𝑖
𝑖=0 𝑖=0

Por tanto, X = 2 (primer número aleatorio)

• Para el segundo número aleatorio, se genera otra secuencia de valores de ri como

la siguiente:

r0 = 0,010
r1 = 0,793
r2 = 0,478
r3 = 0,154

• Nótese que:

e-θ > r0

0,0498 > 0,010

Por tanto, X = 0 (segundo número aleatorio)

• Para el tercer número aleatorio, se genera otra secuencia de valores de ri como la

siguiente:

r0 = 0,451
r1 = 0,946
r2 = 0,630
r3 = 0,081
r4 = 0,630

• Se obtiene los siguientes productos:

r0 x r1 = 0,451 x 0,946 = 0,427

r0 x r1 x r2 = 0,427 x 0,630 = 0,269
r0 x r1 x r2 x r3 = 0,269 x 0,081 = 0,022

15
Generación de variaciones estocásticas Rubén Medinaceli O.

• Nótese que:

0,269 > 0,0498 > 0,022

Se ha logrado la desigualdad
𝑥 𝑥+1

∏ 𝑟𝑖 ≥ 𝑒 −𝜃 > ∏ 𝑟𝑖
𝑖=0 𝑖=0

Por tanto, X = 3 (tercer número aleatorio)

1.4.1. Ejercicio 3

Problema:

El número de aviones comerciales que aterrizan en el aeropuerto de El Alto sigue una

distribución de Poisson con una media igual a 3 aviones por hora.

Estimar el número de aviones que aterrizarán en el aeropuerto de El Alto en cada una de

las próximas seis (6) horas.

Solución:

En la generación de números aleatorios de una distribución de Poisson también se puede

recurrir al método de la transformación inversa.

Si,

X = Número de aviones que aterrizan en el aeropuerto de El Alto

Sigue una distribución de Poisson con θ = 3; luego,

𝑒 −𝜃 𝜃 𝑥
𝑓𝑋 (𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯
𝑥!

Por ejemplo,

𝑒 −3 30
𝑓𝑋 (0) = = 0,050
0!

De esta manera, se han obtenidos los valores de la siguiente tabla

16
Generación de variaciones estocásticas Rubén Medinaceli O.

x 𝒇𝑿 (𝒙) 𝑭𝑿 (𝒙)
0 0,050 0,050
1 0,150 0,200
2 0,225 0,425
3 0,225 0,650
4 0,169 0,819
5 0,101 0,920
6 0,051 0,971
7 0,022 0,993
8 0,008 1,000
Con estos valores se grafica FX(x)

FX(x)
0,993 1,000
1,0 0,971
0,920

0,9
0,819
0,8

0,7
r6=0,684 0,650

0,6

0,5
0,425
r1=0,443
0,4

0,3

0,2 0,200

0,1
0,050

0 1 2 3 4 5 6 X
X 1 = 3 X6 = 4

17
Generación de variaciones estocásticas Rubén Medinaceli O.

Para generar el número de aviones que aterrizarán en el aeropuerto de El Alto en cada una
de las próximas seis horas, se genera una secuencia de números aleatorios de una
distribución uniforme y luego mediante una transformación inversa se estima el número de
aviones que aterrizarán en cada una de las próximas seis horas, tal como muestran la tabla
a continuación y el gráfico superior:

i r x
1 0,443 3
2 0,155 1
3 0,657 4
4 0,055 1
5 0,931 6
6 0,684 4

2. Generación de números aleatorios de distribuciones

continuas
Las distribuciones continuas (funciones de densidad de probabilidad) pertenecen a
variables aleatorias continuas.

2.1. Distribución uniforme

Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:

1
𝑓𝑋 (𝑥) = ;𝑎 ≤ 𝑋 ≤ 𝑏
𝑏−𝑎

Se dice que X sigue una distribución uniforme en el intervalo (a,b)

La media y la varianza de una variable aleatoria X que sigue una distribución uniforme
en el intervalo (a, b) son:

𝑎+𝑏
𝐸[𝑋] = 𝜇𝑋 =
2
2
(𝑏 − 𝑎)2
𝑉𝑎𝑟[𝑋] = 𝜎𝑋 =
12

Por tanto, los parámetros de la distribución uniforme son a y b

18
Generación de variaciones estocásticas Rubén Medinaceli O.

fX(x)

1
𝑏−𝑎

a b X

En el marco del método de la transformación inversa, se debe obtener la función de

distribución acumulada de X:
𝑥
1
𝐹𝑋 (𝑥) = ∫ 𝑑𝑥
𝑏−𝑎
𝑎

𝑥−𝑎
𝐹𝑋 (𝑥) =
𝑏−𝑎

FX(x)

0 a b X
x

r = Número aleatorio de una distribución uniforme en el intervalo (0, 1)

x = Número aleatorio de una distribución uniforme en el intervalo (a, b)

Por tanto,

𝑥−𝑎
𝑟=
𝑏−𝑎

De donde,

𝒙 = 𝒂 + 𝒓(𝒃 − 𝒂)

19
Generación de variaciones estocásticas Rubén Medinaceli O.

Esta es la expresión utilizada para generar números aleatorios de una distribución uniforme
en el intervalo (a, b)

Como ejemplo, generar seis números aleatorios de una distribución uniforme con a = 2 y
b=5

En este caso,
𝑥 = 2 + 3𝑟
La siguiente tabla muestra los números generados:

i r X
1 0,444 3,332
2 0,155 2,465
3 0,657 3,971
4 0,140 2,420
5 0,055 2,165
6 0,553 3,659

2.2. Distribución exponencial

Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:

𝑓𝑋 (𝑥) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0

Se dice que X sigue una distribución exponencial

La media y la varianza de una variable aleatoria X que sigue una distribución

exponencial son:

1
𝐸[𝑋] = 𝜇𝑋 =
𝜃
1
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝜃2

Por tanto, el parámetro de la distribución exponencial es θ. Para generar números aleatorios

de una distribución exponencial, θ debe tener un valor.

20
Generación de variaciones estocásticas Rubén Medinaceli O.

fX(x)

0 X
1
𝐸[𝑋] =
𝜃

En el marco del método de la transformación inversa, se debe obtener la función de

distribución acumulada de X:
𝑥

𝐹𝑋 (𝑥) = ∫ 𝜃𝑒 −𝜃𝑥 𝑑𝑥
0

𝐹𝑋 (𝑥) = 1 − 𝑒 −𝜃𝑥

FX(x)

0 x X

r = Número aleatorio de una distribución uniforme en el intervalo (0, 1)

x = Número aleatorio de una distribución exponencial con media igual a 1/θ

Por tanto,

𝑟 = 1 − 𝑒 −𝜃𝑥

1 − 𝑟 = 𝑒 −𝜃𝑥

21
Generación de variaciones estocásticas Rubén Medinaceli O.

Para este propósito, tanto 1 – r como r están idénticamente distribuidos

Por tanto,

𝑟 = 𝑒 −𝜃𝑥

𝐿𝑛 𝑟 = −𝜃𝑥

Finalmente,

𝟏
𝒙 = − 𝑳𝒏 𝒓
𝜽

Esta es la expresión utilizada para generar números aleatorios de una distribución

exponencial con parámetro θ.

2.2.1. Ejercicio 4

Problema:

El sistema de seguridad de una fábrica tiene un dispositivo que debe estar encendido las
24 horas del día. Sin embargo, este dispositivo presenta fallas; el tiempo entre fallas sigue
una distribución exponencial con una media igual a 3 horas; su reparación es inmediata y
significa un tiempo fijo igual a 30 minutos.

Suponga que la última falla del dispositivo se produjo a hrs.: 8:00 a.m.

Estimar las horas a las que se presentarán las siguientes cinco (5) fallas.

Solución:

La media de la distribución exponencial es igual a:

1
= 3 ℎ𝑜𝑟𝑎𝑠 = 180 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃

Por tanto, el generador del tiempo entre fallas del dispositivo en minutos, será igual a:

1
𝑥 = − 𝐿𝑛 𝑟 = −180 𝐿𝑛 𝑟
𝜃

La siguiente tabla muestra la estimación de la hora a la que se presentarán las próximas

cinco fallas:

22
Generación de variaciones estocásticas Rubén Medinaceli O.

Falla r Ln r Tiempo de Tiempo Hora de

No. reparación entre fallas falla
(min) (min)
8:00
1 0,336 -1,09064 30 196 11:46
2 0,608 -0,49758 30 90 13:46
3 0,484 -0,72567 30 131 16:27
4 0,856 -0,15548 30 28 17:25
5 0,152 -1,88387 30 339 23:34

2.3. Distribución normal

Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:

1 1 𝑥−𝜇 2
− 2( 𝜎 )
𝑓𝑋 (𝑥) = 𝑒 ; −∞ ≤ 𝑥 ≤ ∞
√2𝜋𝜎

Se dice que X sigue una distribución normal con media µ y varianza σ2 y se denota por:

𝑋 ~ 𝑁(𝜇; 𝜎 2 )

La media y la varianza de una variable aleatoria X que sigue una distribución normal son
precisamente:

𝐸[𝑋] = 𝜇𝑋 = 𝜇

𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜎 2

Por tanto, los parámetros de la distribución normal son µ y σ2.

fX(x)

σ2

X
µ

Es importante recordar que siempre es posible estandarizar una distribución normal

cualquiera; vale decir, convertirla en una distribución normal estandarizada (media µ = 0 y
varianza σ2 = 1) con el siguiente cambio de variable:

23
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑋−𝜇
𝑍= ~ 𝑁(0; 1) (∗)
𝜎

Ahora bien, si se quiere generar números aleatorios de una variable aleatoria X que sigue
distribución normal con media µ y varianza σ2, no es factible recurrir al método de la
transformación inversa como en los dos casos anteriores, ya que no es posible expresar la
función de distribución acumulada de la distribución normal en forma explícita.

Por ello, se recurre al siguiente método especial:

Sean 𝑅1 , 𝑅2 , 𝑅3 , ⋯ , 𝑅𝑛 variables aleatorias independientes, cada una de las cuales sigue una
distribución uniforme en el intervalo (0,1).

Se conoce que,

1
𝐸[𝑅𝑖 ] =
2
1
𝑉𝑎𝑟[𝑅𝑖 ] =
12

Si la variable aleatoria Y es definida como:

𝑌 = 𝑅1 + 𝑅2 + 𝑅3 + ⋯ + 𝑅𝑛

De acuerdo al teorema del límite central, a medida que 𝑛 → ∞, la función de densidad de

probabilidad de la variable aleatoria Y converge a una distribución normal con una media
que es igual a la suma de las medias de las variables aleatorias Ri y varianza igual a la
suma de las varianzas de las variables aleatorias Ri. Esto es,
𝑛
𝑛 𝑛
𝑌 = ∑ 𝑅𝑖 ~ 𝑁( ; )
2 12
𝑖=1

En palabras, Y sigue una distribución normal con media n/2 y varianza n/12

Estandarizando Y se tiene,
𝑛
∑𝑛𝑖=1 𝑅𝑖 −
𝑍= 2 ~ 𝑁(0; 1) (∗∗)
𝑛
√
12

Igualando ambas distribuciones normales estandarizadas (∗) y (∗∗), se tiene:

𝑛 𝑛
𝑋 − 𝜇 ∑𝑖=1 𝑅𝑖 − 2
=
𝜎 𝑛
√
12

De donde,

24
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑛
∑𝑛𝑖=1 𝑅𝑖 −
𝑋=𝜇+𝜎 2
𝑛
√
[ 12 ]

Se ha comprobado que haciendo n = 12, la confiabilidad de los números aleatorios

generados es aceptable.

Por tanto, la expresión utilizada para generar números aleatorios de una distribución normal
con media µ y varianza σ2 es:

𝟏𝟐

𝒙 = 𝝁 + 𝝈 [∑ 𝒓𝒊 − 𝟔]
𝒊=𝟏

Como ejemplo, generar tres números aleatorios de una variable aleatoria X que sigue una
distribución normal con µ = 10 y σ2 = 9

De acuerdo a la metodología descrita, para cada número aleatorio de la distribución normal

se requiere una secuencia de 12 números aleatorios de una distribución uniforme en el
intervalo (0,1). La siguiente tabla muestra tres de estas secuencias, también se detalla los
números generados.

i r r r
1 0,426 0,701 0,368
2 0,293 0,147 0,436
3 0,019 0,652 0,186
4 0,283 0,076 0,375
5 0,252 0,372 0,147
6 0,019 0,333 0,940
7 0,700 0,185 0,665
8 0,150 0,656 0,686
9 0,690 0,994 0,781
10 0,114 0,416 0,665
11 0,350 0,111 0,644
12 0,414 0,076 0,117
Σ 3,710 4,719 6,010

𝑥1 = 10 + 3(3,710 − 6) = 3,130

𝑥2 = 10 + 3(4,719 − 6) = 6,157
𝑥3 = 10 + 3(6,010 − 6) = 10,030

2.4. Distribución triangular

La forma general de esta distribución es la siguiente:

25
Generación de variaciones estocásticas Rubén Medinaceli O.

fX(x)

0 a b c X

Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:

2
𝑓𝑋 (𝑥) = (𝑥 − 𝑎) ; 𝑎 ≤ 𝑥 ≤ 𝑏
(𝑐 − 𝑎)(𝑏 − 𝑎)

2
= − (𝑥 − 𝑐); 𝑏 < 𝑥 ≤ 𝑐
(𝑐 − 𝑎) (𝑐 − 𝑏))

Se dice que X sigue una distribución triangular, y se denota por 𝑋 ~ 𝑇(𝑎, 𝑏, 𝑐)

Para generar números aleatorios de esta distribución se recurre nuevamente al método de
la transformación inversa. Por tanto, es necesario obtener la función de distribución
acumulada de X. Esto es:
Para el primer tramo (𝑎 ≤ 𝑥 ≤ 𝑏):
𝑥 𝑥
2 2
𝐹𝑋 (𝑥) = ∫ (𝑥 − 𝑎)𝑑𝑥 = ∫(𝑥 − 𝑎)𝑑𝑥
(𝑐 − 𝑎)(𝑏 − 𝑎) (𝑐 − 𝑎)(𝑏 − 𝑎)
𝑎 𝑎
𝑥 𝑥
2 2 𝑥2 𝑥
𝐹𝑋 (𝑥) = [∫ 𝑥𝑑𝑥 − ∫ 𝑎𝑑𝑥 ] = [ | − 𝑎𝑥|𝑎𝑥 ]
(𝑐 − 𝑎)(𝑏 − 𝑎) (𝑐 − 𝑎)(𝑏 − 𝑎) 2 𝑎
𝑎 𝑎

2 1 1
𝐹𝑋 (𝑥) = [ (𝑥 2 − 𝑎2 ) − 𝑎(𝑥 − 𝑎)] = [𝑥 2 − 2𝑎𝑥 + 𝑎2 ]
(𝑐 − 𝑎)(𝑏 − 𝑎) 2 (𝑐 − 𝑎)(𝑏 − 𝑎)
Finalmente,
(𝒙 − 𝒂)𝟐
𝑭𝑿 (𝒙) = ;𝒂 ≤ 𝒙 ≤ 𝒃
(𝒄 − 𝒂)(𝒃 − 𝒂)

Para el segundo tramo (𝑏 < 𝑥 ≤ 𝑐):

𝑥
(𝑏 − 𝑎)2 2
𝐹𝑋 (𝑥) = +∫− (𝑥 − 𝑐)𝑑𝑥
(𝑐 − 𝑎)(𝑏 − 𝑎) (𝑐 − 𝑎)(𝑐 − 𝑏)
𝑏

26
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑥
𝑏−𝑎 2
𝐹𝑋 (𝑥) = − ∫(𝑥 − 𝑐)𝑑𝑥
𝑐 − 𝑎 (𝑐 − 𝑎)(𝑐 − 𝑏)
𝑏

Después de algunas operaciones adicionales, finalmente se llega a:

(𝒙 − 𝒄)𝟐
𝑭𝑿 (𝒙) = 𝟏 − ;𝒃 < 𝒙 ≤ 𝒄
(𝒄 − 𝒂)(𝒄 − 𝒃)
Nótese que:
Para x = a,
(𝑎 − 𝑎)2
𝐹𝑋 (𝑎) = =0
(𝑐 − 𝑎)(𝑏 − 𝑎)
Para x = b
(𝑏 − 𝑎)2 𝑏−𝑎
𝐹𝑋 (𝑏) = =
(𝑐 − 𝑎)(𝑏 − 𝑎) 𝑐 − 𝑎
Para x = c
(𝑐 − 𝑐)2
𝐹𝑋 (𝑐) = 1 − =1
(𝑐 − 𝑎)(𝑐 − 𝑏)
Esto es,
FX(x)
r

𝑏−𝑎
𝑐−𝑎

0 a b c X
x x
Ya en la generación de números aleatorios de una distribución triangular:
Para valores de r tales que,

27
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑏−𝑎
0≤𝑟≤
𝑐−𝑎
Se tiene que:
(𝑥 − 𝑎)2
𝑟=
(𝑐 − 𝑎)(𝑏 − 𝑎)
De donde,

𝒙 = 𝒂 + √(𝒄 − 𝒂)(𝒃 − 𝒂)𝒓

Para valores de r tales que,

𝑏−𝑎
≤𝑟≤1
𝑐−𝑎
Se tiene que:
(𝑥 − 𝑐)2
𝑟 =1−
(𝑐 − 𝑎)(𝑐 − 𝑏)
De donde:

𝒙 = 𝒄 − √(𝒄 − 𝒂)(𝒄 − 𝒃)(𝟏 − 𝒓)

Como ejemplo se pide generar cinco números aleatorios de una variable aleatoria X que
sigue una distribución triangular con a=2, b=4 y c=6

• Inicialmente se evalúa:
𝑏−𝑎 4−2
= = 0,500
𝑐−𝑎 6−2
• Para el primer número aleatorio, se genera r

𝑟 = 0,444

• Como r < 0,500

𝑥 = 𝑎 + √(𝑐 − 𝑎)(𝑏 − 𝑎)𝑟 = 2 + √(6 − 2)(4 − 2)0,444 = 3,885

• Para el segundo número aleatorio, se genera r

𝑟 = 0,657

• Como r > 0,500

𝑥 = 𝑐 − √(𝑐 − 𝑎)(𝑐 − 𝑏)(1 − 𝑟) = 6 − √(6 − 2)(6 − 4)(1 − 0,657) = 4,343

De esta manera se llena la siguiente tabla:

28
Generación de variaciones estocásticas Rubén Medinaceli O.

i r x
1 0,444 3,885
2 0,657 4,343
3 0,140 3,058
4 0,054 2,657
5 0,553 4,343

2.5. Distribución lognormal

Si una variable aleatoria X sigue una distribución lognormal; la variable aleatoria

Y = Ln X sigue una distribución normal; de ahí su nombre.

Si X sigue una distribución lognormal, su función de densidad de probabilidad viene dada

por:

1 1
− 2 (𝐿𝑛 𝑥−𝛼)2
𝑓𝑋 (𝑥) = 𝑒 2𝛽 ;𝑥 ≥ 0
𝑥𝛽√2𝜋

Donde:

𝛼 = 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑌 = 𝐿𝑛 𝑋

𝛽 2 = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒 𝑌 = 𝐿𝑛 𝑋

La media y la varianza de X, vienen dadas por:

𝛽2
𝐸[𝑋] = 𝜇 = 𝑒 𝛼+ 2
2
𝑉𝑎𝑟[𝑋] = 𝜎 2 = 𝜇2 (𝑒 𝛽 − 1)

fX(x)

σ2

0 µ X

Tal como se ha señalado, Y = Ln X sigue una distribución normal con media α y varianza
β2. Esto es:

29
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑓𝑌 (𝑦)

𝛽2

𝑌 = ln 𝑋
𝛼

1 1 𝑦−𝛼 2
− 2(
𝑓𝑌 (𝑦) = 𝑒 𝛽 ) ; −∞ ≤ 𝑦 ≤ ∞
√2𝜋𝛽

Si se va a generar números aleatorios de una variable aleatoria X que sigue una distribución
lognormal, hay que necesariamente especificar los valores de su media (µ) y su varianza
(σ2).

Inicialmente, hay que obtener los valores de α y β2 a partir de los valores de µ y σ2

Si,
2
𝜎 2 = 𝜇2 [𝑒 𝛽 − 1]

Se tiene que,

2 𝜎2
𝑒𝛽 = 1 +
𝜇2

De donde,

𝝈𝟐
𝜷𝟐 = 𝑳𝒏 [𝟏 + ]
𝝁𝟐

Ahora, si:

𝛽2
𝜇 = 𝑒𝛼 + 2

Se tiene que,

𝛽2
𝐿𝑛 𝜇 = 𝛼 +
2

Despejando α y reemplazando el valor de β2, se tiene:

30
Generación de variaciones estocásticas Rubén Medinaceli O.

𝟏 𝝈𝟐
𝜶 = 𝑳𝒏 𝝁 − 𝑳𝒏 [𝟏 + 𝟐 ]
𝟐 𝝁

Ahora, si:

𝑌 ~ 𝑁(𝛼; 𝛽 2 )

Es posible estandarizar Y; esto es,

𝑌 − 𝛼 𝐿𝑛 𝑋 − 𝛼
𝑍= = ~ 𝑁(0; 1)
𝛽 𝛽

Despejando Ln X se tiene,

𝐿𝑛 𝑋 = 𝑍𝛽 + 𝛼

De donde,

𝑋 = 𝑒 𝛼+𝛽𝑍

Del punto 2.3. de este tema, se conoce como generar números aleatorios de una
distribución normal; por tanto,

𝑛
∑𝑛
𝑖=1 𝑟𝑖 −
𝛼+𝛽 2
𝑛
√
𝑥=𝑒 [ 12 ]

Para n = 12, finalmente se tiene que:

𝟏𝟐
𝒙 = 𝒆𝜶+𝜷[∑𝒊=𝟏 𝒓𝒊 −𝟔]

Como ejemplo, generar tres números aleatorios de una variable aleatoria X que sigue una
distribución lognormal con µ = 10 y σ2 = 9.

Inicialmente, se obtiene 𝜷𝟐 ,

𝜎2 9
𝛽 2 = 𝐿𝑛 [1 + 2 ] = 𝐿𝑛 [1 + 2 ] = 0,08618
𝜇 10

De donde,

𝛽 = √0,08618 = 0,29356

Luego, se obtiene α,

1 𝜎2 1 9
𝛼 = 𝐿𝑛 𝜇 − 𝐿𝑛 [1 + 2 ] = 𝐿𝑛 10 − 𝐿𝑛 [1 + 2 ] = 2,25949
2 𝜇 2 10

31
Generación de variaciones estocásticas Rubén Medinaceli O.

Para generar los tres números aleatorios solicitados, se requiere generar tres secuencias
de doce números aleatorios de una distribución uniforme en el intervalo (0,1) como las
siguientes:

i r r r
1 0,426 0,701 0,368
2 0,293 0,147 0,436
3 0,019 0,652 0,186
4 0,283 0,076 0,375
5 0,252 0,372 0,147
6 0,019 0,333 0,940
7 0,700 0,185 0,665
8 0,150 0,656 0,686
9 0,690 0,994 0,781
10 0,114 0,416 0,665
11 0,350 0,111 0,644
12 0,414 0,076 0,117
Σ 3,710 4,719 6,010

Luego, el primer número aleatorio solicitado es igual a:

12
𝑥1 = 𝑒 𝛼+𝛽[∑𝑖=1 𝑟𝑖−6] = 𝑒 2,25949+0,29356[3,710−6] = 4,90

El segundo número aleatorio será igual a:

12
𝑥2 = 𝑒 𝛼+𝛽[∑𝑖=1 𝑟𝑖−6] = 𝑒 2,25949+0,29356[4,719−6] = 6,58

El tercer número aleatorio es igual a:

12
𝑥3 = 𝑒 𝛼+𝛽[∑𝑖=1 𝑟𝑖−6] = 𝑒 2,25949+0,29356[6,010−6] = 9,61

2.6. Distribución Ji (Chi) cuadrada

La distribución Ji cuadrada es una distribución del muestreo. Para conocer su origen es

importante recordar el siguiente teorema:

Sean Z1, Z2, Z3, … , Zn variables aleatorias independientes cada una de las cuales sigue
una distribución normal estandarizada (µ = 0; σ2 = 1)

Sea U una variable aleatoria tal que,

𝑈 = 𝑍12 + 𝑍22 + 𝑍32 + ⋯ + 𝑍𝑛2

Luego, U sigue una distribución Ji cuadrada con n grados de libertad y se denota por:

𝑈 ~ 𝑋𝑛2

32
Generación de variaciones estocásticas Rubén Medinaceli O.

En palabras, una distribución Ji cuadrada con n grados de libertad es igual a la suma de

n distribuciones normales estandarizadas elevadas al cuadrado.

Por tanto, siguiendo el método de composición, para generar números aleatorios de una
distribución Ji cuadrada con n grados de libertad hay que generar n números aleatorios de
una distribución normal estandarizada, elevar cada uno de estos números al cuadrado y
luego sumarlos. Recuerde que para generar un número aleatorio de una distribución normal
estandarizada se debe generar previamente una secuencia de doce números aleatorios de
una distribución uniforme en el intervalo (0; 1).

Como ejemplo, generar un número aleatorio de una variable aleatoria U que sigue una
distribución Ji cuadrada con tres (3) grados de libertad.

Para generar el número aleatorio solicitado, se requiere generar inicialmente tres números
aleatorios de una variable aleatoria Z que sigue una distribución normal estandarizada; para
cada uno de estos números aleatorios se requiere una secuencia de doce números
aleatorios de una distribución uniforme en el intervalo (0; 1). La siguiente tabla muestra tres
de esas secuencias:

i r r r
1 0,426 0,701 0,368
2 0,293 0,147 0,436
3 0,019 0,652 0,186
4 0,283 0,076 0,375
5 0,252 0,372 0,147
6 0,019 0,333 0,940
7 0,700 0,185 0,665
8 0,150 0,656 0,686
9 0,690 0,994 0,781
10 0,114 0,416 0,665
11 0,350 0,111 0,644
12 0,414 0,076 0,117
Σ 3,710 4,719 6,010

12

𝑧1 = ∑ 𝑟𝑖 − 6 = 3,710 − 6 = −2,290
𝑖=1

12

𝑧2 = ∑ 𝑟𝑖 − 6 = 4,719 − 6 = −1,281
𝑖=1

12

𝑧3 = ∑ 𝑟𝑖 − 6 = 6,010 − 6 = 0,010
𝑖=1

Finalmente,

33
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑢1 = 𝑧12 + 𝑧22 + 𝑧32 = (−2,290)2 + (−1,281)2 + 0,0102 = 6,88

2.7. Ejercicio 5

Problema:

Generar diez (10) números aleatorios de una variable aleatoria X cuya función de densidad
de probabilidad viene dada por:

𝑓𝑋 (𝑥) = 0,3 ; 0 < 𝑥 ≤ 1

= 0,5 ; 1 < 𝑥 ≤ 2
= 0,2 ; 2 < 𝑥 ≤ 3

fX(x)

0,6

0,4

0,2

0 1 2 3 X

Solución:

Se va a recurrir al método de la transformación inversa.

Por tanto, se debe obtener la función de distribución acumulada de X, FX(x)

Para el primer tramo (0 < x ≤ 1):

𝑥

𝐹𝑋 (𝑥) = ∫ 0,3𝑑𝑥 = 0,3𝑥

0

Para el segundo tramo (1 < x ≤ 2):

𝑥

𝐹𝑋 (𝑥) = 0,3(1) + ∫ 0,5𝑑𝑥 = 0,5𝑥 − 0,2

1

Para el tercer tramo (2 < x ≤ 3):

34
Generación de variaciones estocásticas Rubén Medinaceli O.

𝐹𝑋 (𝑥) = 0,5(2) − 0,2 + ∫ 0,2𝑑𝑥 = 0,4 + 0,2𝑥

2

Si se quiere graficar FX(x),

𝐹𝑋 (0) = 0,3(0) = 0
𝐹𝑋 (1) = 0,3(1) = 0,3
𝐹𝑋 (2) = 0,5(2) − 0,2 = 0,8
𝐹𝑋 (3) = 0,4 + 0,2(3) = 1,0

FX(x)
r
1

0,8

0,3

0 1 2 3 X
x x x

Por tanto,

Para valores 0 ≤ 𝑟 ≤ 0,3

𝑟 = 0,3𝑥

De donde,

𝒓
𝒙=
𝟎, 𝟑

Para valores 0,3 < 𝑟 ≤ 0,8

𝑟 = 0,5𝑥 − 0,2

De donde,

𝒓 + 𝟎, 𝟐
𝒙=
𝟎, 𝟓

35
Generación de variaciones estocásticas Rubén Medinaceli O.

Para valores 0,8 < 𝑟 ≤ 1

𝑟 = 0,4 + 0,2𝑥

De donde,

𝒓 − 𝟎, 𝟒
𝒙=
𝟎, 𝟐

Por tanto, para el primer número aleatorio,

r = 0,800

Como 0,3 < 𝑟 ≤ 0,8

𝑟 + 0,2 0,800 + 0,2

𝑥= = = 2,00
0,5 0,5

Para el segundo número aleatorio,

r = 0,120

Como 0 ≤ 𝑟 ≤ 0,3

𝑟 0,120
𝑥= = = 0,400
0,3 0,3

De esta manera han sido generados los números aleatorios que se muestran en la siguiente
tabla:

i r x
1 0,800 2,000
2 0,120 0,400
3 0,080 0,267
4 0,680 1,760
5 0,050 0,017
6 0,410 1,220
7 0,630 1,660
8 0,650 1,700
9 0,780 1,960
10 0,990 2,950

2.8. Ejercicio 6

Problema:

Un camión frigorífico mediano traslada diariamente galletas Ferrari Guezzi de Oruro a

Cochabamba y productos PIL de Cochabamba a Oruro.

Cada día, la jornada del camión empieza en la ciudad de Oruro a hrs. 8:00 a.m.

36
Generación de variaciones estocásticas Rubén Medinaceli O.

El tiempo que el camión tarda en Oruro para cargar las galletas sigue una distribución
triangular con a = 30 minutos, b = 50 minutos y c = 60 minutos.

El tiempo de viaje Oruro – Cochabamba sigue la siguiente distribución:

X = Tiempo de viaje (horas) 4,0 4,5 5,0 5,5

𝑓𝑋 (𝑥) 0,40 0,25 0,20 0,15

El tiempo que el camión permanece en la ciudad de Cochabamba, para descargar las

galletas y cargar productos PIL sigue una distribución exponencial con una media igual a
40 minutos.

El tiempo de retorno (Cochabamba – Oruro) sigue una distribución Lognormal con una
media (𝜇) igual a 3,5 horas y una varianza (𝜎 2 ) igual a 6 horas2.

Estimar la hora a la que el camión frigorífico estará de retorno en la ciudad de Oruro en

cada uno de los próximos dos (2) días.

Utilizar el siguiente generador de números aleatorios:

𝐻𝑖+1 ≡ 11 𝐻𝑖 𝑚𝑜𝑑(301)
𝐻1 = 99
𝑟𝑖 ≡ 𝐻𝑖 𝑚𝑜𝑑(100)⁄100

Solución:

El viaje (ida y vuelta) del camión frigorífico viene representado por el siguiente modelo:

Inicio

n=2

i=0
A
i=i+1

>
i:n

≤
CLOCK = 8:00 Fin

37
Generación de variaciones estocásticas Rubén Medinaceli O.

Generar TOR

Generar VOC

Generar TCB

Generar VCO

CLOCK = CLOCK + TOR + VOC + TCB + VCO

CLOCK

Donde:

𝑛= Número de experimentos
𝑖= Contador de experimentos
𝐶𝐿𝑂𝐶𝐾 = Reloj
𝑇𝑂𝑅 = Tiempo de carguío en Oruro (minutos)
𝑉𝑂𝐶 = Tiempo de viaje Oruro – Cochabamba (minutos)
𝑇𝐶𝐵 = Tiempo de descarga y carguío en Cochabamba
𝑉𝐶𝑂 = Tiempo de viaje Cochabamba – Oruro

Siguiendo el modelo se tiene que,

𝑛=2

𝑖 𝑟 𝑇𝑂𝑅 𝑟 𝑉𝑂𝐶 𝑟 𝑇𝐶𝐵 12 𝑉𝐶𝑂 𝐶𝐿𝑂𝐶𝐾

∑ 𝑟𝑖
𝑖=1

0
1 8:00
0,99 58 0,86 330 0,40 37 6,38 219 18:44
2 8:00
0,57 48 0,25 240 0,75 12 5,64 137 15:17

38
Generación de variaciones estocásticas Rubén Medinaceli O.

A continuación, se muestran detalles de la generación de números aleatorios,

Generación de 𝑟

𝐻𝑖+1 ≡ 11 𝐻𝑖 𝑚𝑜𝑑(301)
𝐻1 = 99
𝑟𝑖 ≡ 𝐻𝑖 𝑚𝑜𝑑(100)⁄100

𝐻1 = 99
99 𝑚𝑜𝑑(100)
𝑟1 = = 0,99
100

𝐻2 = 11(99) 𝑚𝑜𝑑(301) = 186

186 𝑚𝑜𝑑(100)
𝑟2 = = 0,86
100

De esta manera se han generado los números aleatorios que se muestran en la siguiente
tabla:

𝒊 𝑯𝒊 𝒓𝒊 𝒊 𝑯𝒊 𝒓𝒊 𝒊 𝑯𝒊 𝒓𝒊
1 99 0,99 11 60 0,60 21 9 0,09
2 186 0,86 12 58 0,58 22 99 0,99
3 240 0,40 13 36 0,36 23 186 0,86
4 232 0,32 14 95 0,95 24 240 0,40
5 144 0,44 15 142 0,42 25 232 0,32
6 79 0,79 16 57 0,57 26 144 0,44
7 267 0,67 17 25 0,25 27 79 0,79
8 228 0,28 18 275 0,75 28 267 0,67
9 100 0,00 19 15 0,15 29 228 0,28
10 197 0,97 20 165 0,65 30 100 0,00

Generación de 𝑇𝑂𝑅

Distribución Triangular con 𝑎 = 30 𝑚𝑖𝑛𝑢𝑡𝑜𝑠, 𝑏 = 50 𝑚𝑖𝑛𝑢𝑡𝑜𝑠, 𝑐 = 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑏 − 𝑎 50 − 30
= = 0,667
𝑐 − 𝑎 60 − 30

Luego,

𝑇𝑂𝑅 = 𝑎 + √(𝑐 − 𝑎)(𝑏 − 𝑎)𝑟 ; 𝑠𝑖 𝑟 ≤ 0,667

𝑇𝑂𝑅 = 𝑐 − √(𝑐 − 𝑎)(𝑐 − 𝑏)(1 − 𝑟) ; 𝑠𝑖 𝑟 > 0,667

Por tanto,

𝑟1 = 0,99

39
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑇𝑂𝑅1 = 60 − √(60 − 30)(60 − 50)(1 − 0,99) = 58,268 = 58 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑟16 = 0,57

𝑇𝑂𝑅2 = 30 + √(60 − 30)(50 − 30)0,57 = 48,49 = 48 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

Generación de 𝑉𝑂𝐶

𝑭𝑽𝑶𝑪 (. )
1,00
1,0
0,85
𝑟2 = 0,86
0,8
0,65

0,6

0,40
0,4

0,2

4,0 4,5 5,0 5,5 6,0 6,5 𝑽𝑶𝑪 (ℎ𝑜𝑟𝑎𝑠)

𝑉𝑂𝐶 = 5,5 ℎ𝑜𝑟𝑎𝑠 = 330 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑟2 = 0,86

𝑉𝑂𝐶1 = 5,5 ℎ𝑜𝑟𝑎𝑠 = 330 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑟17 = 0,25

𝑉𝑂𝐶2 = 4,0 ℎ𝑜𝑟𝑎𝑠 = 240 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

Generación de 𝑇𝐶𝐵
1
Distribución Exponencial con = 40 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃

En general,

1
𝑇𝐶𝐵 = − ln 𝑟
𝜃

Por tanto,

40
Generación de variaciones estocásticas Rubén Medinaceli O.

𝑟3 = 0,40

𝑇𝐶𝐵1 = −40 ln 0,40 = 36,65 = 37 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑟18 = 0,75

𝑇𝐶𝐵2 = −40 ln 0,75 = 11,51 = 12 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

Generación de 𝑉𝐶𝑂

Distribución lognormal con 𝜇 = 3,5 ℎ𝑜𝑟𝑎𝑠 𝑦 𝜎 2 = 6; 𝜎 = 2,45 ℎ𝑜𝑟𝑎𝑠

En general,
12
𝑉𝐶𝑂 = 𝑒 𝛼+𝛽(∑𝑖=1 𝑟𝑖 − 6)

Donde,

𝜎2 6
𝛽 2 = ln (1 + 2 ) = ln (1 + ) = 0,3986
𝜇 3,52

𝛽 = 0,6313

1 𝜎2 1
𝛼 = ln 𝜇 − ln (1 + 2 ) = ln 3,5 − (0,3986) = 1,0535
2 𝜇 2

Por otro lado,

𝒊 𝒓𝒊 𝒊 𝒓𝒊
4 0,32 19 0,15
5 0,44 20 0,65
6 0,79 21 0,09
7 0,67 22 0,99
8 0,28 23 0,86
9 0,00 24 0,40
10 0,97 25 0,32
11 0,60 26 0,44
12 0,58 27 0,79
13 0,36 28 0,67
14 0,95 29 0,28
15 0,42 30 0,00
∑ 6,38 5,64

Por tanto,

𝑉𝐶𝑂1 = 𝑒 1,0535+0,6313(6,38−6) = 3,65 ℎ𝑜𝑟𝑎𝑠 = 219 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝑉𝐶𝑂2 = 𝑒 1,0535+0,6313(5,64−6) = 2,28 ℎ𝑜𝑟𝑎𝑠 = 137 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

41
Generación de variaciones estocásticas Rubén Medinaceli O.

2.9. Pruebas de bondad de ajuste

Una vez generada una secuencia de números aleatorios de una variable aleatoria que sigue
una determinada distribución, es recomendable efectuar una prueba estadística de bondad
de ajuste para ver si los números aleatorios generados realmente pertenecen a la
distribución deseada.

Tal como se mencionó en el tema anterior hay dos pruebas disponibles para ese propósito:

• La prueba Ji cuadrada
• La prueba de Kolmogorov – Smirnov (K-S)

2.9.1. Ejercicio 7

Problema:

a)

Generar 40 números aleatorios de una distribución exponencial que tiene una media igual
a 10; vale decir,

1
= 10
𝜃

Utilizar la siguiente relación de congruencia para generar números aleatorios que siguen
una distribución uniforme en el intervalo (0, 1)

𝐻𝑖+1 ≡ 11 𝐻𝑖 𝑚𝑜𝑑(201)
𝐻1 = 99
𝑟𝑖 ≡ 𝐻𝑖 𝑚𝑜𝑑(100)⁄100

b)

Con 𝛼 = 0,05, averiguar si los números generados vienen de una población que sigue una
distribución Exponencial con media igual a 10. Utilizar la prueba Chi – cuadrada.

c)

Repetir el ejercicio b) utilizando la prueba 𝐾 − 𝑆

Solución:

a)

La siguiente tabla muestra los números aleatorios generados; para el efecto, se ha recurrido
a la siguiente expresión:

1
𝑥𝑖 = − ln 𝑟𝑖 = −10 ln 𝑟𝑖
𝜃

42
Generación de variaciones estocásticas Rubén Medinaceli O.

De esta manera,

𝑥1 = −10 ln 0,99 = 0,100 = 0

𝑥2 = −10 ln 0,84 = 1,743 = 2

𝑥3 = −10 ln 0,20 = 16,094 = 16

𝑒𝑡𝑐.

𝒓𝒊 𝒙𝒊 𝒓𝒊 𝒙𝒊 𝒓𝒊 𝒙𝒊 𝒓𝒊 𝒙𝒊
0,99 0 0,69 4 0,42 9 0,78 2
0,84 2 0,56 6 0,6 5 0,54 6
0,20 16 0,08 25 0,57 6 0,92 1
0,14 20 0,83 2 0,24 14 0,02 39
0,48 7 0,03 35 0,63 5 0,17 18
0,26 13 0,33 11 0,9 1 0,81 2
0,80 2 0,62 5 0,86 2 0,87 1
0,71 3 0,74 3 0,36 10 0,53 6
0,72 3 0,05 30 0,95 1 0,75 3
0,89 1 0,5 7 0,35 10 0,21 16

b)

Para determinar las frecuencias observadas, se elabora una tabla de frecuencias como la
que se muestra a continuación,

Intervalo de clase Frecuencia

Límite Límite Observada
inferior superior
0,00 7,00 26
7,01 14,00 6
14,01 21,00 4
21,01 28,00 1
28,01 35,00 2
35,01 42,00 1

Para obtener frecuencias esperadas, se debe obtener la proporción de valores que se

debería tener en cada uno de los intervalos de clase, si la distribución deseada es
1
exponencial con una media, = 10
𝜃

43
Generación de variaciones estocásticas Rubén Medinaceli O.

fX(x)

A1 A2 A3 A4 A5 A6

0 7 14 21 28 35 X

Recuerde que función de densidad de probabilidad de la distribución exponencial viene

dada por:

𝑓𝑋 (𝑥) = 𝜃𝑒 − 𝜃𝑥 ; 𝑥 ≥ 0

1
𝑆𝑖 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑋 = = 10
𝜃

𝑓𝑋 (𝑥) = 0,1𝑒 − 0,1 𝑥 ; 𝑥 ≥ 0

Por tanto,
7

𝐴1 = 0,1 ∫ 𝑒 −0,1 𝑥 𝑑𝑥 = 0,503

0

14

𝐴2 = 0,1 ∫ 𝑒 −0,1 𝑥 𝑑𝑥 = 0,250

7

De esta manera se van obteniendo los valores de 𝐴𝑖 Los resultados se muestran en la

siguiente tabla.

Lógicamente, las frecuencias esperadas (Ei*) en cada intervalo de clase se obtienen a partir
del siguiente producto:

𝐸𝑖∗ = 𝑛 𝐴𝑖 = 40 𝐴𝑖

Los resultados se muestran en la siguiente tabla:

44
Generación de variaciones estocásticas Rubén Medinaceli O.

Intervalo de clase Frecuencia Frecuencia Área Frecuencia Frecuencia (Oi – Ei)2

Límite Límite Observada Observada (proporción) Esperada Esperada Ei
inferior superior Corregida Corregida
𝑶∗𝒊 Oi Ai 𝑬∗𝒊 Ei
0,00 7,00 26 26 0,503 20,12 20,12 1,718
7,01 14,00 6 6 0,250 10,00 10,00 1,600
14,01 21,00 4 8 0,125 5,00 9,24 0,166
21,01 28,00 1 0,061 2,44
28,01 35,00 2 0,030 1,20
35,01 42,0 1 0,015 0,60
Σ 40 3.484

Las frecuencias corregidas se deben a la corrección por frecuencia mínima (> 5) en las
frecuencias esperadas (Ei)

Ahora, se puede llevar adelante la prueba Chi - cuadrada de bondad de ajuste:

1.
H0: Los números aleatorios generados siguen una distribución exponencial con
una media igual a 10

H1: Los números aleatorios generados no siguen una distribución exponencial

con una media igual a 10

2.

α = 0,05

3.
Estadístico de prueba

𝑘
(𝑂𝑖 − 𝐸𝑖 )2 2
𝑈=∑ ~ 𝑋𝑘−𝑟−1
𝐸𝑖
𝑖=1

Criterio de rechazo de H0

fU(u)

Rechazar H0 si Ucalculado > 5,99

k = Número de intervalos de clase = 3

r = Número de parámetros estimados con la muestra = 0

α = 0,05

2
0 U0 = 5,99 𝑈 ~ 𝑋𝑘−𝑟−1 ~ 𝑋22

45
Generación de variaciones estocásticas Rubén Medinaceli O.

4.

Del último cuadro arriba se tiene que:

𝑘
(𝑂𝑖 − 𝐸𝑖 )2
𝑈𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = ∑ = 3,484
𝐸𝑖
𝑖=1

5.

Para α = 0,05
ACEPTAR H0
→ Los números aleatorios generados siguen una distribución exponencial con una
media igual a 10

c)

1.

H0: Los números aleatorios generados siguen una distribución exponencial con
una media igual a 10

H1: Los números aleatorios generados no siguen una distribución exponencial

con una media igual a 10

2.

𝛼 = 0,05

3.

Estadístico de prueba:

𝐷 = |𝑆𝑋 (𝑥) − 𝐹𝑋 (𝑥)|

Criterio de rechazo de H0

fD(d)

Rechazar H0 si dmax > 0,21

α = 0,05

D0 = 0,21 𝐷

46
Generación de variaciones estocásticas Rubén Medinaceli O.

El valor D0 se obtiene de la siguiente tabla:

Tabla
Distribución de la variable D para la prueba K-S

fD(d)

D0 D

α
n 0,10 0,05 0,01
1 0,95 0,98 0,995
2 0,78 0,84 0,93
3 0,64 0,71 0,83
4 0,56 0,62 0,73
5 0,51 0,56 0,67
6 0,47 0,52 0,62
7 0,44 0,49 0,58
8 0,41 0,46 0,54
9 0,39 0,43 0,51
10 0,37 0,41 0,49
11 0,35 0,39 0,47
12 0,34 0,38 0,45
13 0,33 0,36 0,43
14 0,31 0,35 0,42
15 0,30 0,34 0,40
16 0,30 0,33 0,39
17 0,29 0,32 0,38
18 0,28 0,31 0,37
19 0,27 0,30 0,36
20 0,26 0,29 0,36
25 0,24 0,27 0,32
30 0,22 0,24 0,29
35 0,21 0,23 0,27
40 0,19 0,21 0,25
50 0,17 0,19 0,23
>50 1,22 1,36 1,63
√𝑛 √𝑛 √𝑛

Fuente: STATISTICAL PROCEDURES FOR ENGINEERING,

MANAGEMENT, AND SCIENCE (Leland Blank)

47
Generación de variaciones estocásticas Rubén Medinaceli O.

4.

Para obtener dmax se recomienda utilizar una tabla como la siguiente:

Intervalo de clase Frecuencia Frecuencia Frecuencia Función de

Límite Límite Acumulada Acumulada Distribución
Inferior superior Relativa Acumulada
𝑺𝑿 (𝒙) 𝑭𝑿 (𝒙) 𝒅 = |𝑺𝑿 (𝒙) − 𝑭𝑿 (𝒙)|

0,00 7,00 26 26 0,65 0,50 0,15

7,01 14,00 6 32 0,80 0,75 0,05
14,01 21,00 4 36 0,90 0,88 0,02
21,01 28,00 1 37 0,92 0,94 0,02
28,01 35,00 2 39 0,97 0,97 0,00
35,01 42,00 1 40 1,00 1,00 0,00

𝑑𝑚𝑎𝑥 = 0,15

Notas

• 𝑆𝑋 (𝑥) se ha calculado utilizando la siguiente expresión

𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎
𝑆𝑋 (𝑥 ) =
𝑛

Por ejemplo,

32
𝑆𝑋 (14,00) = = 0,80
40

• En el caso de la distribución exponencial

𝑓𝑋 (𝑥 ) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0

𝐹𝑋 (𝑥) = 1 − 𝑒 −𝜃𝑥

Por tanto, por ejemplo,

𝐹𝑋 (7) = 1 − 𝑒 −0,1(7) = 0,50

5.

Para α = 0,05
ACEPTAR H0
→ Los números aleatorios generados siguen una distribución exponencial con una
media igual a 10

48
Generación de variaciones estocásticas Rubén Medinaceli O.

3. Ajuste de modelos probabilísticos

Siempre es posible ajustar modelos probabilísticos a un conjunto de valores medidos en el

terreno u obtenidos de alguna fuente de información. Considere el siguiente caso:

3.1. Ejercicio 8

Problema:

Se han medido los siguientes tiempos (en minutos) entre llegadas de buses a la nueva
terminal de Oruro:

Tiempos entre llegadas (minutos)

0 13 4 11 9 1 2 2
2 2 6 5 5 2 6 1
16 3 25 3 6 10 1 6
20 3 2 30 14 1 39 3
7 1 35 7 5 10 18 16

Buscar un modelo probabilístico para estos tiempos entre llegadas.

Solución:

Inicialmente, se obtiene la tabla de distribución de frecuencias de los valores medidos.

Intervalo de clase Frecuencia Frecuencia

Límite Límite relativa
Inferior superior
0,00 7,00 26 0,650
7,01 14,00 6 0,150
14,01 21,00 4 0,100
21,01 28,00 1 0,025
28,01 35,00 2 0,050
35,01 42,00 1 0,025
𝛴 40 1,000

Luego, se dibuja el histograma correspondiente,

49
Generación de variaciones estocásticas Rubén Medinaceli O.

𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎
𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑎

0,6

0,5

0,4

0,3

0,2

0,1

0 7 14 21 28 35 42 𝑇𝑖𝑒𝑚𝑝𝑜
(𝑚𝑖𝑛𝑢𝑡𝑜𝑠)

La forma de este histograma sugiere una distribución exponencial para el tiempo entre
llegadas.

El estimador de máxima verosimilitud de la media de la distribución exponencial es igual a

la media de la muestra; vale decir,

40
̂
1 1 0 + 13 + 4 + 11 + ⋯ + 10 + 18 + 16
= 𝑋̅ = ∑ 𝑋𝑖 = = 8,8 = 9 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃 𝑛 40
𝑖=1

Seguidamente, se efectúa la correspondiente prueba de bondad de ajuste. En este caso se

recurre a la prueba 𝐾 − 𝑆. Esto es,

1.

𝐻0 : Los tiempos entre llegadas de buses a la terminal de Oruro siguen una distribución
exponencial con una media igual a 9 minutos
𝐻0 : Los tiempos entre llegadas de buses a la terminal de Oruro siguen una distribución
exponencial con una media igual a 9 minutos

2.

𝛼 = 0,05

50
Generación de variaciones estocásticas Rubén Medinaceli O.

3.

Estadístico de prueba:

𝐷 = |𝑆𝑋 (𝑥) − 𝐹𝑋 (𝑥)|

Criterio de rechazo de H0

𝑓𝐷 (𝑑)

Rechazar H0 si dmax > 0,21

α = 0,05

D0 = 0,21 𝐷

El valor D0 se ha obtenido de la tabla que se muestra en la página 47.

4.

En el caso de la distribución exponencial,

𝑓𝑋 (𝑥) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0

𝐹𝑋 (𝑥) = 1 − 𝑒 −𝜃𝑥

Además,

1
𝜃= = 0,11
9

Consecuentemente, por ejemplo,

𝐹𝑋 (7) = 1 − 𝑒 −0,11(7) = 0,53

𝐹𝑋 (14) = 1 − 𝑒 −0,11(14) = 0,79

Y, así sucesivamente,

51
Generación de variaciones estocásticas Rubén Medinaceli O.

Intervalo de clase Frecuencia Frecuencia Frecuencia Función de

Límite Límite Acumulada Acumulada Distribución
Inferior superior Relativa Acumulada
𝑺𝑿 (𝒙) 𝑭𝑿 (𝒙) 𝒅 = |𝑺𝑿 (𝒙) − 𝑭𝑿 (𝒙)|

0,00 7,00 26 26 0,65 0,53 0,12

7,01 14,00 6 32 0,80 0,79 0,01
14,01 21,00 4 36 0,90 0,90 0,00
21,01 28,00 1 37 0,92 0,95 0,03
28,01 35,00 2 39 0,97 0,99 0,02
35,01 42,00 1 40 1,00 1,00 0,00

𝑑𝑚𝑎𝑥 = 0,12

5.

Para α = 0,05
ACEPTAR H0
→ Los tiempos entre llegadas de buses a la terminal de Oruro siguen una
distribución exponencial con una media igual a 9 minutos

4. Generación de números aleatorios a partir de datos

experimentales o de muestreo.

No siempre es posible ajustar un modelo probabilístico a datos experimentales o de

muestreo. En estos casos, generalmente se prefiere generar números aleatorios
directamente a partir de la curva de frecuencia acumulada relativa (modelo probabilístico
empírico) correspondiente a los valores experimentales o de muestreo, tal como se muestra
en el siguiente ejercicio.

4.1. Ejercicio 9

Problema:

En cierta operación minera a cielo abierto se han registrado tiempos entre fallas (en horas)
correspondientes a la pala cargadora que se utiliza. Los resultados registrados se muestran
en la siguiente tabla:

Tiempo entre fallas - AT (horas) 6 7 8 9 10

Número de observaciones 20 60 50 30 40

Generar aleatoriamente diez (10) tiempos entre fallas

Solución:

Inicialmente, se obtiene la frecuencia acumulada relativa:

52
Generación de variaciones estocásticas Rubén Medinaceli O.

Tiempo entre fallas Frecuencia Frecuencia Frecuencia Frecuencia

AT relativa acumulada acumulada
(horas) relativa
6 20 0,10 20 0,10
7 60 0,30 80 0,40
8 50 0,25 130 0,65
9 30 0,15 160 0,80
10 40 0,20 200 1,00

Se grafica la curva de frecuencia acumulada relativa:

Frecuencia acumulada
Relativa 1,00
1,0

0,80
0,8
0,65

0,6

r = 0,453 0,40
0,4

0,2 0,10

6 7 8 9 10 AT = Tiempo entre fallas

(horas)
AT = 8 horas

Finalmente, son aleatoriamente generados los tiempos entre fallas solicitados, de la manera
como se muestra en el gráfico superior. La siguiente tabla muestra los tiempos entre fallas
generados:

i r AT
(horas)
1 0,453 8
2 0,075 6
3 0,613 8
4 0,318 7
5 0,144 7
6 0,709 9
7 0,837 10
8 0,424 8
9 0,566 8
10 0,344 7

53
Generación de variaciones estocásticas Rubén Medinaceli O.

Ejercicios propuestos

1. Se lanza un par de dados. Estimar la probabilidad que ambos muestren números

iguales en sus caras superiores. Utilice la distribución binomial y un mínimo de diez
números aleatorios.

2. El tiempo entre accidentes graves de tránsito por día en el Departamento de Oruro

sigue una distribución exponencial con una media igual a 4 horas. Estimar el número
de accidentes de tránsito en el Departamento de Oruro en los próximos siete días.

3. Generar 20 números aleatorios de una variable aleatoria de una variable aleatoria

cuya función de densidad de probabilidad viene dada por:

𝑓𝑋 (𝑥) = 𝑥 ⁄2 ; 0 ≤ 𝑥 ≤ 1
= 0,5 ; 1 ≤ 𝑥 ≤ 2
= 0,25 ; 2 ≤ 𝑥 ≤ 3

4. Con α = 0,05, averiguar si los números aleatorios generados en la pregunta anterior

realmente pertenecen a la función de densidad de probabilidad de interés.

54