Licenciatura en Estadística
FCEyE - UNR
TÉCNICAS DE SIMULACIÓN
GENERACIÓN DE
VARIABLES ALEATORIAS
DR. JOSÉ ALBERTO PAGURA
LIC. CECILIA RAPELLI
Técnicas de Simulación
GENERACIÓN DE
VARIABLES ALEATORIAS
DISCRETAS
Método de la transformada inversa
Se desea generar el valor de una variable aleatoria discreta X con función de masa
de probabilidad: 𝑃 𝑋 = 𝑥𝑗 = 𝑝𝑗 , con 𝑗 = 0,1, . . . y 𝑗 𝑝𝑗 = 1
El método consiste en generar un número aleatorio U con distribución uniforme
en (0;1) y hacer:
𝑥0 si 𝑈 < 𝑝0
𝑥1 si 𝑝0 ≤ 𝑈 < 𝑝0 + 𝑝1
Si F(mj) USF(mi)
Se
genera j
...
𝑋=
𝑗−1 𝑗
𝑥𝑗 si 𝑖=0 𝑝𝑖 ≤𝑈< 𝑖=0 𝑝𝑖
...
Método de la transformada inversa
Si se genera U=0,534
ordenado
𝑥 𝑃 𝑋=𝑥 𝐹 𝑥 =𝑃 𝑋≤𝑥
1 0,05 0,05
2 0,05 0,10
3 0,10 0,20
4 0,15 0,35
Resulta X=5 5 0,20 0,55
6 0,15 0,70
7 0,12 0,82
8 0,08 0,90
9 0,06 0,96
10 0,04 1,00
Método de la transformada inversa
U=0,534 conduce a X=5
El método enunciado genera variables aleatorias de
la distribución deseada.
Si se emplea el método enunciado, ?
p(x mj) pj
=
=
PTUzF(i ))
=
𝑗−1 𝑗 PTUSF(i))
-
-
𝑃 𝑋 = 𝑥𝑗 = 𝑃 𝑖=1 𝑝𝑖 ≤𝑈< 𝑖=1 𝑝𝑖 P(x mi)
=
=
F(mi) F(uj 1) pj
=
- -
Por ser U una V.A. con distribución uniforme en (0;1)
𝑗 𝑗−1
Entonces: 𝑃 𝑋 = 𝑥𝑗 = 𝑖=1 𝑝𝑖 - 𝑖=1 𝑝𝑖 =𝑝𝑗
La aplicación del procedimiento consistirá en generar un número U
aleatorio uniforme en (0; 1) y encontrar el intervalo [𝐹 𝑥𝑗−1 ; 𝐹 𝑥𝑗 ]
que contiene al U generado y hacer 𝑋 = 𝑥𝑗 a partir de comparar U con
𝐹 𝑋=0 .
Número de iteraciones necesario para generar una V.A.
El número de comparaciones o iteraciones a ejecutar hasta generar un
valor X de una distribución deseada puede ser muy grande, y en un
estudio por simulación deben generarse al menos varios miles de
estos valores. Por este motivo será de gran importancia encontrar
métodos eficientes en cuanto a la velocidad de generación de una V.A.
Número de iteraciones necesario para generar una V.A.
El número de iteraciones necesario para generar una V.A. es menor si los valores
de X se ordenan de acuerdo a p.
Si se quiere generar X con la siguiente distribución:
X=j 0 1 2 3 4
𝒑𝒋 0,05 0,08 0,12 0,30 0,45
El valor 1 se genera si 0,05 ≤ 𝑈 < 0,13, es decir que se “aceptará” el valor 1 luego
de verificar si U<0,05 y al no serlo, comparar con 0,13. Se han realizado dos
iteraciones y la probabilidad de hacerlo es 0,13.
Cuantas iteraciones se realizarán para generar X=3? Cual es la probabilidad de
realizar ese número de iteraciones? 4 iteraciones con
proba
0 . 55
para generar
X =
3
Número de iteraciones necesario para generar una V.A.
Si se reordenan los valores de la siguiente forma:
X=j 4 3 2 1 0
𝒑𝒋 0,45 0,30 0,12 0,08 0,05
Cuantas iteraciones se realizan para generar X=3?
Cuáles son los “número medio” de iteraciones para generar un valor en
el caso anterior y este?
Generación de una variable aleatoria uniforme discreta
Se desea generar un valor aleatorio entre 1 y n y cada uno de ellos tiene probabilidad
1/n.
El procedimiento dado es: generar U y
𝑗−1 𝑗
hacer X=j si ≤𝑈<
𝑛 𝑛
Es decir, X=j si 𝑗 − 1 ≤ 𝑛𝑈 < 𝑗
La parte entera de 𝑛𝑈, 𝐸𝑛𝑡 𝑛𝑈 , es 𝑗 − 1
Por lo que 𝑋 = 𝐸𝑛𝑡 𝑛𝑈 + 1
Este procedimiento, derivado de la aplicación del método de la transformada
inversa para este caso particular, no requiere comparaciones y resulta más eficiente
en términos de rapidez.
Generación de una variable aleatoria con distribución Geométrica
X es una variable aleatoria geométrica con parámetro p si:
𝑃 𝑋 = 𝑗 = 𝑝𝑞 𝑗−1 , con 𝑗 ≥ 1, 𝑞 = 1 − 𝑝
X puede pensarse como el número de ensayos de Bernoulli
independientes hasta el primer éxito, con probabilidad de éxito p.
Entonces, la probabilidad de X=j podrá expresarse como la
probabilidad de que los primeros j-1 ensayos sean fracasos.
La aplicación del método de la transformada inversa consiste en
generar U y hacer: 𝑋 = 𝑗 si 𝐹(𝑗 − 1) ≤ 𝑈 < 𝐹(𝑗)
Generación de una variable aleatoria con distibución Geométrica
j 1
F ( j 1) pq i 1 p pq pq 2 ... pq j 2
i 1
pq
i 1
i 1
p pq pq 2
... pq j 2
pq j 1
pq j
... 1;
j 1
pq
i 1
i 1
p pq pq 2
... pq j 2
1 pq j 1
pq j
... 1 P X j 1
Probabilidad de que los
P X j 1 j-1 primeros ensayos
sean “fracasos”
1 P primeros (j-1)ensayos sean todos fracasos 1 q j 1 , j 1
j 1
Entonces, X=j si: 1 q U 1 q j
Generación de una variable aleatoria con distribución geométrica
Puede probarse también que 𝐹 𝑗 − 1 = 1 − 𝑞 𝑗−1 de la siguiente forma:
𝑗−1 𝑘−1 𝑗−2 𝑘
Siendo 𝐹 𝑗 − 1 = 𝑘=1 𝑝𝑞 = 𝑘=0 𝑝𝑞
Conociendo el resultado de la suma de los términos de una progresión
geométrica con constante 𝑝 y razón 𝑞, con 𝑞 < 1,
𝑗−2 𝑘 𝑞𝑝𝑞𝑗−2 −𝑝𝑞
𝐹 𝑗−1 = 𝑘=0 𝑝𝑞 =𝑝 + = 1 − 𝑞 𝑗−1
𝑞−1
Generación de una variable aleatoria Geométrica
Entonces q j 1 U q j 1
j log(q) log(1 U ) ( j 1) log(q)
log(1 U )
( j 1) j
log(q)
log(1 U )
Por lo que ( j 1) j
log(q)
log(U )
O lo que es o mismo: ( j 1) j
log(q)
log U 1-P
Entonces: X Ent 1 dande q
=
log q -
Generación de una variable aleatoria de Poisson
X sigue una distribución de Poisson con media 𝜆 si
𝑒 −𝜆 𝜆𝑖
𝑝𝑖 = 𝑃 𝑋 = 𝑖 = con 𝑖 = 0,1, …
𝑖!
En este caso, no es posible generar X en forma directa. Un
procedimiento que permite lograr mejor tiempo para generar X se basa
en la siguiente fórmula recursiva
𝑒 −𝜆 𝜆𝑖+1 𝜆
Observar que 𝑝𝑖+1 = = 𝑝 con 𝑖 ≥ 0
(𝑖+1)! 𝑖+1 𝑖
Generación de una variable aleatoria de Poisson
Una variable aleatoria que sigue una distribución de Poisson con
parámetro 𝜆 podrá generarse, aplicando el método de la transformada
inversa, mediante los siguientes pasos:
(1) Generar U
(2) Hacer 𝑖 = 0, 𝑝 = 𝑒 −𝜆 , 𝐹 = 𝑝
(3) Si 𝑈 < 𝐹 entonces 𝑋 = 𝑖 y terminar
(4) Hacer 𝑝 = 𝜆𝑝 𝑖 + 1 , 𝐹 = 𝐹 + 𝑝, 𝑖 = 𝑖 + 1
(5) Ir a (3)
Generación de una variable aleatoria Binomial
Dar un procedimiento para generar una variable aleatoria binomial
(n,p) con un razonamiento similar al presentado para una variable
Poisson
Dar un procedimiento basado en que el número de éxitos en n ensayos
independientes es una variable aleatoria binomial.
Pi () pigni
=
Pite (1) pitsqu-sit
=
pip p
Pit1 =-(in)
( ) =! -i-1)
Técnica de aceptación y rechazo
Se quieren generar valores de una variable aleatoria X con función de masa
de probabilidad 𝑝𝑗 , 𝑗 ≥ 0
Se tiene un método eficiente para generar una variable aleatoria de una
distribución con masa de probabilidad 𝑞𝑗 , 𝑗 ≥ 0
𝑝𝑗
Sea c una constante tal que: 𝑐 ≥ , para toda j donde 𝑝𝑗 > 0
𝑞𝑗
La técnica de aceptación y rechazo para generar una variable aleatoria 𝑋 con
masa de probabilidad 𝑝𝑗 consiste en:
1) Simular un valor de 𝑌
2) Generar un número aleatorio 𝑈
3) Si 𝑈 < 𝑝𝑦/(𝑐. 𝑞𝑦 ) hacer 𝑋 = 𝑌: En caso contrario regresar a 1)
Técnica de aceptación y rechazo
El método presentado en la diapositiva anterior: genera
valores aleatorios j con 𝑷(𝑿 = 𝒋) = 𝒑𝒋 ?
Un valor 𝑗 será seleccionado si el valor generado 𝑌 es igual a 𝑗, y si este
es aceptado, es decir 𝑈 < 𝑝𝑦/𝑐. 𝑞𝑦
La probabilidad de aceptar un número 𝑗 en una iteración es:
𝑝𝑗 𝑝𝑗 𝑝𝑗
𝑃 𝑌 = 𝑗, 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑎 = 𝑃 𝑌 = 𝑗 𝑃 𝑈 < = 𝑞𝑗 =
𝑐𝑞𝑗 𝑐𝑞𝑗 𝑐
𝑝𝑗 1
La probabilidad de aceptar: 𝑃 𝑎𝑐𝑒𝑝𝑡𝑎𝑟 = 𝑗 𝑐 =
𝑐
Técnica de aceptación y rechazo – comentario adicional
Es necesario probar en primer lugar que la probabilidad de aceptar es
1/𝑐 teniendo en cuenta el razonamiento que sigue:
𝑃(𝑋 = 𝑗) es la probabilidad de que en algún momento luego de rechazar
varios números 𝑌 generados con distribución 𝑞 𝑌 se genera 𝑌 = 𝑗 y se
acepta.
Entonces se aceptará 𝑋 = 𝑗, si se acepta en la primera iteración, o en la
primera iteración hay un rechazo y se acepta en la segunda, etc.
Así, se deberá calcular la probabilidad de que 𝑌 = 𝑗 sea aceptada en la
primera o en la segunda etc.
Para ello será necesario disponer del valor de la probabilidad de no
aceptar un valor de 𝑌, y de aceptar un valor 𝑗
Técnica de aceptación y rechazo
La probabilidad de generar X=j es:
n 1 n 1
pj 1 pj 1 pj p
1
P X j 1 ... 1 j 1 p j
c c c c c n 1 c c
En una
iteración En dos En n
iteraciones iteraciones
Número de iteraciones necesarias para generar un valor
En cada iteración se genera un valor de 𝑌 que será aceptado o rechazado
Se demostró que la probabilidad de generar un valor de 𝑌 y hacer 𝑋 = 𝑌
es 1/𝑐.
El número de iteraciones hasta aceptar un valor, es una variable
aleatoria geométrica con 𝑝 = 1/𝑐
Entonces, el valor medio del número de iteraciones hasta aceptar será 𝑐.
Esto indica que será preferible encontrar el valor de c menor para el
𝑝𝑗
cual se verifique 𝑐 ≥
𝑞𝑗
Técnicas de Simulación
GENERACIÓN DE
VARIABLES ALEATORIAS
CONTINUAS
Método de la transformada inversa
Se desea generar valores de una variable aleatoria continua X con
función de distribución F invertible.
El método de la transformada inversa se basa en los siguiente:
Se genera un valor U, variable aleatoria uniforme en (0; 1)
La variable aleatoria 𝑋 = 𝐹 −1 𝑈 tiene como distribución F.
Método de la transformada inversa
Definimos 𝑋 = 𝐹 −1 𝑈
Llamemos con 𝐺 𝑥 a la función de distribución de X.
Es decir: 𝐺 𝑥 = 𝑃 𝑋 ≤ 𝑥
Entonces:
𝐺 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃 𝐹 −1 𝑈 ≤ 𝑥 = 𝑃 𝑈 ≤ 𝐹 𝑥 =𝐹 𝑥
Es decir X, que es la variable aleatoria generada, tiene función de
distribución F.
Ejemplo
Se quiere generar una variable aleatoria X con función de
distribución 𝐹 𝑥 = 𝑥 𝑛 con 0 < 𝑥 < 1
La aplicación del método de la transformada inversa consiste en:
Generar U=u y hacer 𝑥 = 𝑢1/𝑛
Por ejemplo, generar U, digamos u=0,728
Hacer Y=(0,728)1/n
Generación de una variable aleatoria con distribución uniforme en
(a;b)
Se desea generar valores de X con distribución 𝒰 𝑎; 𝑏 , 𝑎 < 𝑋 < 𝑏
𝑥−𝑎
La función de distribución de X es: 𝐹 𝑥 =
𝑏−𝑎
𝑥−𝑎
Entonces, generando 𝑈, y haciendo 𝑈 = se encuentra 𝑥 =
𝑏−𝑎
𝑈 𝑏−𝑎 +𝑎
Generación de una variable aleatoria con distribución exponencial
(1)
La variable aleatoria X es exponencial con parámetro 𝜆, si tiene la
siguiente función de distribución: 𝐹 𝑥 = 1 − 𝑒 −𝜆𝑥
La aplicación del algoritmo de la transformada inversa consistirá en
generar una variable aleatoria U, uniforme en 0; 1 notando con 𝑢 a un
valor particular generado, y hacer 𝑥 = 𝐹 −1 𝑢
Esto es, hacer 𝑢 = 1 − 𝑒 −𝜆𝑥 , 1 − 𝑢 = 𝑒 −𝜆𝑥 ,
1
𝑙𝑜𝑔 1 − 𝑢 = −𝜆𝑥, 𝑥= − 𝑙𝑜𝑔 1−𝑢 ,
𝜆
Si 𝑈 es uniforme en (0; 1), 1 − 𝑈 también lo es. Una variable aleatoria
1
exponencial se podrá generar entonces, haciendo 𝑋 = − 𝑙𝑜𝑔 𝑈
𝜆
Generación de una variable aleatoria de Poisson a partir de
generar una exponencial (1)
Una variable de Poisson con parámetro 𝜆 corresponde a el número
máximo de variables exponenciales independientes con razón 𝜆 cuya
suma resulta menor o igual que 1.
Llamando con 𝑁 a la V.A. con distribución de Poisson con media 𝜆, y
𝑋 a una V.A. exponencial con razón 𝜆, será:
𝑁 = 𝑀𝑎𝑥 𝑛: 𝑛 𝑖=1 𝑋𝑖 ≤ 1
Generación de una variable aleatoria de Poisson a partir de
generar una exponencial (2)
𝑛 1
Es decir: 𝑁 = 𝑀𝑎𝑥 𝑛: 𝑖=1 − 𝜆 𝑙𝑜𝑔𝑈𝑖 ≤1
1
𝑁 = 𝑀𝑎𝑥 𝑛: − 𝑙𝑜𝑔 𝑛𝑖=1 𝑈𝑖 ≤ 1
𝜆
𝑁 = 𝑀𝑎𝑥 𝑛: 𝑙𝑜𝑔 𝑛𝑖=1 𝑈𝑖 ≥ −𝜆
𝑁 = 𝑀𝑎𝑥 𝑛: 𝑛𝑖=1 𝑈𝑖 ≥ 𝑒 −𝜆
Una variable de Poisson N con media 𝜆 puede obtenerse, generando
variables 𝑈1 , 𝑈2 , … multiplicándolas. Apenas el producto deje de ser
mayor que 𝑒 −𝜆 se habrá superado en 1 el valor de 𝑁.
𝑁se podrá generar
Generación de una variable aleatoria con distribución gamma (1)
La función de distribución de una variable aleatoria gamma(n, 𝜆) es:
𝑥 𝜆𝑒 −𝜆𝑥 𝜆𝑦 𝑛−1
𝐹 𝑥 = 0
𝑑𝑦
𝑛−1 !
Al no poder encontrar una expresión cerrada para la función inversa, no
es posible aplicar el método de la transformada inversa.
Generación de una variable aleatoria con distribución gamma (2)
Una variable aleatoria con distribución gamma con parámetros n, 𝜆
corresponde a la suma de n variables exponenciales independientes con
parámetro 𝜆
Entonces, se pueden generar n variables exponenciales independientes
con parámetro 𝜆 y obtener X mediante la suma de ellas.
1 1 1
𝑋= − 𝑙𝑜𝑔 𝑈1 − ⋯ − 𝑙𝑜𝑔 𝑈𝑛 = − 𝑙𝑜𝑔 𝑈1 … 𝑈𝑛
𝜆 𝜆 𝜆
Método de aceptación y rechazo
Se desea generar una variable aleatoria X con densidad 𝑓(𝑥) y se tiene
un método eficiente para generar una variable aleatoria con densidad
𝑔(𝑥)
Se genera un valor Y, a partir de la densidad 𝑔(𝑥), y se acepta ese valor
con probabilidad proporcional a 𝑓 𝑌 𝑔 𝑌 .
Método de aceptación y rechazo
𝑓 𝑦
Se busca 𝑐≥ para todo 𝑦
𝑔 𝑦
El procedimiento se lleva a cabo de acuerdo a los pasos del siguiente diagrama de
flujo
Generar 𝑌~𝑔
Generar 𝑈
No Si
𝑓 𝑌
𝑈 ≤ 𝑐𝑔 Hacer 𝑋 = 𝑌
𝑌
Método de aceptación y rechazo
Puede demostrarse, en forma análoga al caso de variable discreta que:
La variable 𝑋 generada, tiene función de densidad 𝑓.
El número de iteraciones necesario para generar un valor de 𝑋 es una
variable aleatoria geométrica con media 𝑐 (relevante a la hora de elegir
𝑐).
Ejemplos
Generar, por el método de aceptación y rechazo, una variable aleatoria
3
con función de densidad 𝑓 𝑥 = 20𝑥 1 − 𝑥 con 0 < 𝑥 < 1
3
Generar una variable aleatoria con densidad gamma ;1 , teniendo en
2
1 1/2 −𝑥 2 1 2 −𝑥
cuenta que: 𝑓 𝑥 = 𝑥 𝑒 = 𝑥 𝑒 con 𝑥 > 0
Γ 3 2 𝜋
Ayuda: utilizar como densidad 𝑔 a la correspondiente a una exponencial
con media 3 2.
Generación de una variable aleatoria normal
Método de aceptación y rechazo
Se desea generar 𝑍~𝑁 0; 1
Teniendo en cuenta que 𝑋 = 𝑍 tiene la siguiente función de densidad
de probabilidad:
2 −𝑥 2 2
𝑓 𝑥 = 𝑒 , con 𝑥 > 0
2𝜋
Se generará 𝑓 𝑥 utilizando el método de aceptación y rechazo
empleando la función de densidad exponencial con media 1:
𝑔 𝑥 = 𝑒 −𝑥 , con 𝑥 > 0
Habrá que encontrar el valor de la constante 𝑐 y luego aplicar el
método
Generación de una variable aleatoria normal
2 −𝑥2 2
𝑓 𝑥 𝑒
2𝜋 𝑥−𝑥 2 2
= = 2 𝜋𝑒
𝑔 𝑥 𝑒 −𝑥
El valor máximo de 𝑓 𝑥 𝑔 𝑥 se obtiene cuando 𝑥 − 𝑥 2 2 es máximo
𝑑 𝑥−𝑥 2 2
= 1 − 𝑥 = 0, entonces 𝑥 = 1es un punto crítico que
𝑑𝑥
corresponde al máximo
Entonces 𝑐 = 𝑀𝑎𝑥 𝑓 𝑥 𝑔 𝑥 = 𝑓 1 𝑔 1 = 2𝑒 𝜋
2
𝑓 𝑥 2 𝜋𝑒 𝑥−𝑥 2 𝑥−𝑥 2 2−1 2 − 𝑥−1 2 2
y = = 𝑒 = 𝑒
𝑐𝑔 𝑥 2𝑒 𝜋
Generación de una variable aleatoria normal
Los pasos para la generación de 𝑋 serán
1) Generar una variable Y~𝐸𝑥𝑝(1)
2) Generar un valor 𝑈
− 𝑦−1 2 2
3) Si 𝑈 <𝑒 hacer 𝑥 = 𝑦; en otro caso volver a 1)
Aplicando logaritmo a ambos miembros de la desigualdad anterior resulta
log 𝑈 < − 𝑦 − 1 2 2; multiplicando por -1 ambos miembros:
− log 𝑈 ≥ 𝑦 − 1 2 2
Y teniendo en cuenta que −log 𝑈 corresponde a la expresión
matemática empleada para generar un variable aleatoria 𝐸𝑥𝑝(1), el
algoritmo puede escribirse como sigue.
Generación de una variable aleatoria normal
Los pasos para la generación de 𝑋 serán
1) Generar 𝑌1 𝑒 𝑌2 independientes y con distribución𝐸𝑥𝑝(1)
2) Si 𝑌2 ≥ 𝑌1 − 1 2 2 hacer 𝑋 = 𝑌1 ; en otro caso, volver a 1
y luego, para generar 𝑍, se genera 𝑈 y si 𝑈 ≤ 0,5 será 𝑍 = −𝑋, mientras
que si 𝑈 > 0,5 será 𝑍 = 𝑋
Comentario adicional: dado que 𝑐 = 2 𝑒 𝜋 ≅ 1,32, el número de
iteraciones hasta generar 𝑋 será una variable aleatoria geométrica con
media 1,32.
Generación de una variable aleatoria normal – Algoritmo de Box-
Muller
El algoritmo de Box-Muller permite generar dos variables 𝑍1 𝑦 𝑍2
normales estándar e independientes a partir de la generación de dos
variables 𝑈1 𝑦𝑈2 independientes.
Se parte de la representación en coordenadas polares de dos variables
2 2 𝑧1
𝑍1 𝑦 𝑍2 independientes, es decir 𝑑 = 𝑧1 + 𝑧2 y 𝜃 = 𝑎𝑟𝑐𝑡𝑔
𝑧2
Puede probarse que 𝑍1 =−2𝑙𝑜𝑔 𝑈1 𝑐𝑜𝑠 2𝜋𝑈2 y
𝑍2 = −2𝑙𝑜𝑔 𝑈1 𝑠𝑒𝑛 2𝜋𝑈2 son 𝑁 0; 1 independientes.
Generación de una variable aleatoria normal – Algoritmo de Box-
Muller
El algoritmo se implementa mediante los siguientes pasos
1) Se generan 𝑈1 𝑦𝑈2 con distribución 𝑈 0; 1 independientes.
2) 𝑍1 = −2𝑙𝑜𝑔 𝑈1 𝑐𝑜𝑠 2𝜋𝑈2 y 𝑍2 = −2𝑙𝑜𝑔 𝑈1 𝑠𝑒𝑛 2𝜋𝑈2
El problema que presenta este algoritmo es la necesidad de calcular
valores de las funciones logaritmo, seno y coseno, lo que implica
tiempos de cálculo más importantes.
Se encuentra un procedimiento con mejor tiempo de procesamiento
basado en el cálculo indirecto de seno y coseno, el cual requiere solo
operaciones aritméticas. (ver Simulación, S. Ross, 5.3)
Generación de un vector aleatorio de una distribución normal
multivariada
Sea 𝐱 un vector aleatorio de dimensión 𝑝 tal que 𝐱~𝑁𝑝 𝛍, 𝚺
Donde 𝛍 es el vector de medias y 𝚺 matriz de covariancias
Teniendo en cuenta que 𝚺 es simétrica definida positiva, existe una
única matriz 𝐂 bajo triangular tal que 𝚺 = 𝐂𝐂′ (descomposición de
Cholesky)
Puede probarse que 𝐱 = 𝛍 + 𝐂𝐳 donde 𝐱~𝑁𝑝 𝟎, 𝐈 , donde 𝐈 es la matriz
identidad
Generación de un vector aleatorio de una distribución normal
multivariada
Para simular un vector de p variables normales independientes, es decir
𝚺 diagonal se generan 𝑝 variables normales por separado con los
parámetros correspondientes.
Si 𝚺 no es diagonal, se procederá de acuerdo a los siguientes pasos:
1) Encontrar C
2) generar 𝑝 variables 𝑁(0; 1) construyendo el vector 𝐙
3) Hacer 𝐗 = 𝛍 + 𝐂𝐙
Generación de un vector aleatorio de una distribución normal
multivariada - Ejemplo
Se desea generar 10000 vectores aleatorios normales con los siguientes
vector de medias y matriz de covariancias
Generación de un vector aleatorio de una distribución normal
multivariada - Ejemplo
Una forma de hacerlo utilizando R es:
