Apunte Académico

Generación de variables aleatorias continuas.

Clase 8: Generación de variables aleatorias continuas.

Unidad 3: Generación de Variables Aleatorias.
Asignatura: Modelos de Simulación.
Facultad: Ingeniería y Negocios.
VARIABLES ALEATORIAS.

Una variable aleatoria es una función que asigna un valor numérico a cada posible resultado
de un experimento aleatorio. En otras palabras, es una variable cuyo valor depende del
resultado aleatorio de un evento. Las variables aleatorias son fundamentales en la teoría de
la probabilidad y en la estadística, ya que se utilizan para modelar y analizar fenómenos
aleatorios.

La generación de variables aleatorias es un paso fundamental en el método de Monte Carlo

y en la simulación de sistemas complejos. Permite representar incertidumbres y
variabilidades en un sistema y utilizar estadísticas para predecir su comportamiento futuro.

Una variable aleatoria toma valores diferentes en función de un experimento aleatorio. En

otras palabras, su valor no puede ser determinado con certeza antes de realizar el
experimento y su distribución de probabilidad describe la incertidumbre en su valor. Hay
dos tipos de variables aleatorias: discretas y continuas. Las variables aleatorias discretas
toman valores discretos, mientras que las variables aleatorias continuas toman valores en
un intervalo continuo.

Las variables aleatorias son aquellas cuyo valor no puede ser determinado con certeza antes
de realizar una observación o experimento. Son un elemento fundamental en la simulación
y el análisis estadístico, ya que permiten modelar la incertidumbre y la probabilidad en un
problema determinado.

El uso de variables aleatorias en la simulación permite generar escenarios probabilísticos y

analizar las posibilidades y las probabilidades de diferentes resultados. En el análisis
estadístico, las variables aleatorias se utilizan para estimar parámetros y probabilidades a
partir de una muestra de datos.

VARIABLES ALEATORIAS CONTINUAS Y VARIABLES ALEATORIAS DISCRETAS.

Las variables aleatorias discretas toman valores aislados y definidos, como los números
enteros o las categorías. Ejemplos comunes incluyen el número de caras en un lanzamiento
de moneda, el número de personas en una habitación, o el resultado de un examen
(aprobado o reprobado).

Las variables aleatorias continuas pueden tomar cualquier valor dentro de un rango
determinado y pueden ser descritas por una función de densidad de probabilidad. Ejemplos
comunes incluyen la altura de una persona, la temperatura ambiente, o el tiempo que tarda
un automóvil en recorrer una distancia determinada
Variables Aleatorias Discretas: Son aquellas variables que solo pueden tomar un número
finito o un número contable infinito de valores. Por ejemplo, el número de personas que
entran a una tienda en un día dado puede ser 1, 2, 3, etc., pero no puede ser 2.5 o 3.6. , el
número de caras que caen al lanzar una moneda es una variable aleatoria discreta que
puede tomar valores 0, 1, 2, etc. Otras aplicaciones incluyen el número de clientes que
entran en una tienda en un día determinado, el número de llamadas telefónicas que recibe
una empresa en un día determinado, etc. Estas variables se pueden describir mediante una
distribución de probabilidad, como la distribución binomial o Poisson, que describen la
probabilidad de obtener cada uno de los valores posibles.

Características:

• Solo pueden tomar valores discretos.

• La función de probabilidad se puede expresar como una lista de pares (x, p(x)),
donde x es un posible valor y p(x) es la probabilidad de que x ocurra.
• La función de probabilidad debe cumplir con las siguientes propiedades:
o La probabilidad de cualquier valor x es mayor o igual a cero (p(x) ≥ 0).
o La suma de las probabilidades de todos los valores posibles es igual a uno
(Σp(x) = 1).

Las distribuciones discretas más comunes son:

1. Distribución Bernoulli
2. Distribución Binomial
3. Distribución Poisson
4. Distribución Geométrica
5. Distribución Hipergeométrica.

La distribución de Bernoulli es una distribución discreta que se utiliza para modelar

experimentos con dos posibles resultados: éxito o fracaso. La probabilidad de éxito
se denota por p, mientras que la probabilidad de fracaso se denota por q = 1 - p.

La distribución de Bernoulli se caracteriza por un solo parámetro: la probabilidad de

éxito (p). La función de probabilidad de la distribución de Bernoulli se define como:

P(k; p) = pk * (1 - p)(1 - k)

donde k es el resultado del experimento, que puede ser 0 (fracaso) o 1 (éxito).

La distribución de Bernoulli se aplica en muchos campos, como la investigación de
mercado, la ingeniería, la economía, entre otros. Por ejemplo, se puede utilizar para
estimar la probabilidad de que un cliente compre un producto en un período
determinado, la probabilidad de que un dispositivo funcione correctamente en un
período determinado, o la probabilidad de que un votante respalde a un candidato
político.

La distribución binomial es una distribución discreta que se utiliza para modelar el

número de éxitos en un número fijo de intentos independientes de Bernoulli. Cada
intento es un experimento con dos posibles resultados: éxito o fracaso. La
probabilidad de éxito se denota por p, mientras que la probabilidad de fracaso se
denota por q = 1 - p.

La distribución binomial se caracteriza por dos parámetros: el número de intentos

(n) y la probabilidad de éxito (p). La función de probabilidad de la distribución
binomial se define como:

P(k; n, p) = (n sobre k) * p^k * (1 - p)^(n - k)

donde (n sobre k) es el número combinatorio n sobre k, y k es el número de éxitos

en n intentos.

La distribución binomial se aplica en muchos campos, como la investigación de

mercado, la genética, la ingeniería, la economía, entre otros. Por ejemplo, se puede
utilizar para estimar la probabilidad de que una determinada cantidad de personas
compre un producto en un período determinado, la probabilidad de que una
determinada cantidad de plantas generen una característica determinada, o la
probabilidad de que un determinado número de votantes respalde a un candidato
político.

La distribución de Poisson es una distribución discreta que se utiliza para modelar

la frecuencia de eventos raros y aislados en un intervalo de tiempo o en un espacio
determinado. Por ejemplo, se puede utilizar para modelar la frecuencia de llamadas
en un centro de servicio al cliente, la frecuencia de errores en un proceso de
fabricación, o la frecuencia de accidentes de tráfico en una carretera.
La distribución de Poisson se caracteriza por un solo parámetro llamado lambda (λ),
que representa la tasa media de eventos por unidad de tiempo o espacio. La función
de probabilidad de la distribución de Poisson se define como:

P(k; λ) = e^-λ * (λ^k) / k!

donde k es el número de eventos en el intervalo de tiempo o espacio, e es el número

de Euler, y k! es el factorial de k.

La distribución de Poisson es una aproximación útil cuando el número de eventos es

pequeño y la probabilidad de dos o más eventos ocurriendo simultáneamente es
muy pequeña. Sin embargo, es importante tener en cuenta que la distribución de
Poisson no es apropiada para modelar eventos que ocurren con una frecuencia
significativa o que son interdependientes.

La distribución geométrica es una distribución discreta que se utiliza para modelar

el número de intentos necesarios para obtener un primer éxito en una serie de
experimentos independientes de Bernoulli. Cada intento es un experimento con dos
posibles resultados: éxito o fracaso. La probabilidad de éxito se denota por p,
mientras que la probabilidad de fracaso se denota por q = 1 - p.

La distribución geométrica se caracteriza por un solo parámetro: la probabilidad de

éxito (p). La función de probabilidad de la distribución geométrica se define como:

P(k; p) = (1 - p)^(k-1) * p

donde k es el número de intentos necesarios para obtener un primer éxito.

La distribución geométrica se aplica en muchos campos, como la investigación de

mercado, la ingeniería, la economía, entre otros. Por ejemplo, se puede utilizar para
estimar el número de intentos necesarios para encontrar un defecto en un proceso
de fabricación, el número de intentos necesarios para vender un producto en una
exhibición comercial, o el número de intentos necesarios para que un cliente visite
una tienda en un período determinado.

La distribución hipergeométrica es una distribución discreta que se utiliza para

modelar experimentos que involucran muestreo sin reemplazo de una población
finita. Por ejemplo, se puede utilizar para estimar la probabilidad de seleccionar un
cierto número de elementos exitosos de una población conocida, donde el número
de elementos exitosos y el número total de elementos son conocidos.
 La distribución hipergeométrica se caracteriza por tres parámetros: N (tamaño de la
población), K (número de elementos exitosos en la población) y n (tamaño de la
muestra). La función de probabilidad de la distribución hipergeométrica se define
como:

P(x; N, K, n) = (C(K, x) * C(N-K, n-x)) / C(N, n)

donde x es el número de elementos exitosos en la muestra, C(a, b) es la función de

combinación de a elementos tomados en grupos de b, y N, K y n son los parámetros
de la distribución.

La distribución hipergeométrica se aplica en muchos campos, como la investigación

de mercado, la ingeniería, la economía, entre otros. Por ejemplo, se puede utilizar
para estimar la probabilidad de seleccionar un cierto número de elementos exitosos
de un lote de productos, la probabilidad de seleccionar un cierto número de
votantes que respalden a un candidato político, o la probabilidad de seleccionar un
cierto número de elementos exitosos de una muestra de muestreo de una
población.

Generación de Variables Aleatorias Discretas:

Hay varios métodos para generar variables aleatorias discretas:

1. Método de la función de distribución acumulativa (FDA): Este método implica el uso

de la función de distribución acumulativa para generar valores aleatorios de una
variable discreta. En resumen, se genera un número aleatorio uniforme entre 0 y 1
y se utiliza la FDA para encontrar el valor correspondiente de la variable aleatoria.
2. Método de la inversión de la FDA: Este método es similar al método de la FDA, pero
en lugar de buscar el valor correspondiente de la variable aleatoria en la FDA, se
utiliza la función inversa de la FDA. Esto puede simplificar los cálculos si la función
inversa es fácil de encontrar.
3. Método de la tabla de valores: Este método implica crear una tabla que contenga
los valores de la variable aleatoria junto con sus probabilidades asociadas. Luego, se
genera un número aleatorio uniforme entre 0 y 1 y se utiliza la tabla para encontrar
el valor correspondiente de la variable aleatoria.

En general, el método que se elige dependerá de la complejidad de la distribución de la

variable aleatoria y la disponibilidad de información sobre la distribución.
Variables Aleatorias Continuas: Son aquellas variables que pueden tomar cualquier valor
dentro de un intervalo determinado. Por ejemplo, la altura de una persona puede ser
cualquier valor entre 1.5 y 2 metros.

Características:

• Pueden tomar cualquier valor dentro de un intervalo determinado.

• La función de densidad de probabilidad se utiliza para describir la distribución de la
variable aleatoria continua.
• La función de densidad de probabilidad debe cumplir con las siguientes
propiedades:
o La función de densidad de probabilidad es mayor o igual a cero en todo el
intervalo (f(x) ≥ 0).
o La integral de la función de densidad de probabilidad sobre el intervalo debe
ser igual a uno (∫f(x)dx = 1).
• En la teoría estadística, las variables aleatorias continuas se describen mediante una
función de densidad de probabilidad, que da la probabilidad de que una variable
aleatoria continua tome un valor en un intervalo dado. Esta función de densidad de
probabilidad permite calcular probabilidades y estadísticos relacionados con la
variable aleatoria continua.

Las distribuciones continuas más comunes son:

• Distribución normal o Gaussiana.

• Distribución t de Student.
• Distribución chi cuadrado.
• Distribución exponencial.
• Distribución uniforme continua.

La distribución normal es una de las distribuciones de probabilidad más importantes

en estadística y se utiliza ampliamente en la generación de variables aleatorias
continuas. También se conoce como distribución gaussiana o distribución de Bell.

La distribución normal tiene una forma de campana simétrica y se define por dos
parámetros: la media y la desviación estándar. La media representa el valor
esperado o promedio de la distribución, mientras que la desviación estándar indica
la variabilidad de los valores alrededor de la media.

La importancia de la distribución normal en la generación de variables aleatorias

radica en que muchas variables reales, como la altura de las personas, el tiempo de
respuesta en un sistema informático, etc., siguen una distribución normal. Además,
muchos métodos estadísticos, como la regresión lineal y el análisis de varianza,
suponen que los datos provienen de una distribución normal.
En resumen, la distribución normal es una herramienta valiosa en la generación de
variables aleatorias continuas y su importancia radica en que modela muchas
variables reales y es fundamental en muchos métodos estadísticos.

La distribución t de Student es una distribución continua que se utiliza para estimar

la media de una población a partir de una muestra de datos, cuando se desconoce
la varianza de la población. La distribución t de Student se utiliza en el análisis de
datos y la investigación para determinar si existe una diferencia significativa entre
dos grupos de datos o para estimar los intervalos de confianza para la media de una
población.

La distribución t de Student se caracteriza por el número de grados de libertad, que

es un valor que se basa en el tamaño de la muestra.

La distribución t de Student es una herramienta valiosa en el análisis de datos, ya

que permite a los investigadores hacer inferencias acerca de la media de una
población a partir de una muestra de datos, incluso cuando se desconoce la varianza
de la población. Es importante tener en cuenta que la distribución t de Student se
aplica solo en el caso de muestreo independiente y normalmente distribuido.

La distribución chi cuadrado es una distribución continua que se utiliza en

estadística para probar la hipótesis de que una variable aleatoria sigue una
distribución específica. La distribución chi cuadrado se utiliza principalmente en la
validación de modelos de distribución y en la realización de pruebas de bondad de
ajuste, es decir, para determinar si una determinada distribución es un buen modelo
para describir los datos observados.

La distribución chi cuadrado se caracteriza por el número de grados de libertad, que

se basa en el tamaño de la muestra y la cantidad de parámetros que se están
estimando.

La distribución chi cuadrado es una herramienta valiosa en la validación de modelos

de distribución, ya que permite a los investigadores probar la hipótesis de que una
variable aleatoria sigue una distribución específica y determinar si un modelo es un
buen ajuste para los datos observados. Es importante tener en cuenta que la
distribución chi cuadrado solo se aplica en el caso de muestreo independiente y
normalmente distribuido.

La distribución exponencial es una distribución continua que se utiliza en estadística

para modelar la cantidad de tiempo entre eventos de un proceso de Poisson, en el
que los eventos ocurren de manera independiente y con una tasa constante. Por
ejemplo, se puede utilizar la distribución exponencial para modelar el tiempo entre
fallas en un sistema, el tiempo entre llamadas telefónicas en un centro de llamadas
o el tiempo entre llegadas de clientes en una tienda.

La función de densidad de probabilidad de la distribución exponencial se define

como:

f(x; λ) = λ * e(-λx)
donde x es el tiempo, λ es la tasa de eventos y “e” es la base del logaritmo natural.
La tasa λ es un parámetro positivo que se estima a partir de los datos.

La distribución exponencial es una herramienta valiosa en la modelización de

procesos de Poisson y en la estimación de tiempos entre eventos. Es importante
tener en cuenta que la distribución exponencial se aplica solo en el caso de muestreo
independiente y normalmente distribuido.

La distribución uniforme continua es una distribución de probabilidad que modela

una situación en la que todos los valores posibles para una variable aleatoria son
igualmente probables. En otras palabras, la distribución uniforme continua
representa una situación de incertidumbre total, en la que no se tiene ninguna
información previa sobre los valores posibles que puede tomar una variable
aleatoria.

La función de densidad de probabilidad de la distribución uniforme continua se

define como:

f(x; a, b) = 1/(b-a) si a <= x <= b

=0 en otro caso

donde x es la variable aleatoria, a es el límite inferior y b es el límite superior de la

distribución, y b > a.

La distribución uniforme continua es una herramienta valiosa en la modelización de

situaciones en las que no se tiene información previa sobre la probabilidad de los
valores posibles que puede tomar una variable aleatoria. Además, se utiliza como
una distribución de referencia en la validación de otros modelos de distribución.
Generación de Variables Aleatorias Continuas:

Hay varios métodos para generar variables aleatorias continuas. Aquí se presentan tres
métodos comunes:

1. Método de la transformación inversa: Este método implica utilizar una distribución

uniforme para generar valores aleatorios de una variable continua. Se aplica la
función inversa de la función de distribución acumulativa de la variable continua de
interés al número aleatorio generado.
2. Método de la aproximación por series de Taylor: Este método se utiliza para generar
variables aleatorias de una distribución compleja que no tiene una función inversa
fácilmente calculable. La idea es aproximar la función de distribución acumulativa
mediante una serie de Taylor y luego invertir la serie para obtener los valores de la
variable aleatoria.
3. Método de aceptación-rechazo: Este método se utiliza para generar variables
aleatorias de una distribución complicada a partir de una distribución simple. Se
genera una variable aleatoria de la distribución simple y se utiliza para aceptar o
rechazar el valor generado de la distribución complicada. Este proceso se repite
hasta que se obtiene un valor aceptado.

En general, la elección del método dependerá de la complejidad de la distribución de la

variable aleatoria y la disponibilidad de información sobre la distribución

Generación de variables aleatorias y su utilización en el método de Montecarlo.

1. La generación de variables aleatorias es un aspecto fundamental del método de

Monte Carlo. Las variables aleatorias se utilizan para modelar la incertidumbre y la
probabilidad en un problema específico.
2. Para generar variables aleatorias, se utiliza un generador de números aleatorios.
Este generador utiliza un algoritmo matemático para producir secuencias de
números que se distribuyen de manera uniforme o según otras distribuciones
estadísticas.
3. En el método de Monte Carlo, las variables aleatorias se utilizan para simular los
diferentes escenarios posibles en un problema. Por ejemplo, en la valuación de
instrumentos financieros, se pueden generar variables aleatorias para simular los
precios futuros de un activo o la evolución de las tasas de interés. A partir de estas
simulaciones, se pueden calcular probabilidades y estadísticas relevantes para el
problema.
4. En resumen, la generación de variables aleatorias es una parte esencial del método
de Monte Carlo, ya que permite modelar y simular escenarios probabilísticos y
obtener información estadística valiosa.
 Referencias

1. Coss Bu, Raúl (2000). Simulación: un enfoque práctico. México: Limusa.

2. Devore, Jay (2008) Probabilidad y Estadística para Ingeniería y Ciencias.
Séptima Edición. Ed. Cengage Learning.
3. Di Rienzo, Julio (2008) Estadística para las Ciencias Agropecuarias.
Séptima Edición.
4. García, Roberto (2004) Inferencia estadística y diseño de experimentos.
Primera Edición. Ed. Eudeba.
5. Himmelblau, David Mautner, Bischoff, Kenneth B. (1976). Análisis y
simulación de procesos. Barcelona: Reverte.
6. Wackerly, Dennis (2002) Estadística matemática con aplicaciones. Sexta
edición. Ed. Thomson.
 ANEXOS
Distribuciones Continuas y Discretas más comunes
--*--