Simulación de Montecarlo

Generadores de procesos aleatorios

J. Alcalde Chigne

1
 Objetivo de la Sesión

• Ejercicio Simulación Montecarlo

• Método Genéricos
– Método de Inversión
• Simulación de Variables Continuas
• Simulación de Variables Discretas
• Método para Simular V.A. :
– Con Distribución Uniformes
– Con Distribución Exponencial
– Con Distribución Triangular
Generación de variables aleatorias
 Método de Inversión

Sea
x
F ( x)   f (t )dt  y

y1
entonces
y0
x  F 1 ( y )

x
x0
 Método de Inversión
Queremos generar valores de X v.a con x
distribución: FX ( x )  f

X ( t )dt

Método de Inversión.
Se iguala la función de distribución de X, a una v.a. U uniforme ( 0,1).
r = Fx(X) X = Fx-1(r).

El problema se reduce a encontrar una expresión analítica de la función inversa, de

modo despejar X en función de r.
 Ejercicio
El tiempo que un cajero de un banco se
demora en atender a sus clientes tiene la
siguiente función de densidad:

• Encontrar un generador que reproduzca los

tiempos de servicio y hallar el tiempo de
servicio asociado al número aleatorio 0.906.
 Ejercicio

1. Generar valores de la V.A. X con

¼, 0  X 1
f(x)= ¾, 1  X 2
 Variables Continuas
En este caso la función de
distribución es continua. Vamos a
utilizar un número aleatorio u,
uniformemente distribuido en (0,1)
y vamos a suponer que es el valor
que toma la función de
distribución en un punto x. Tal
punto va a ser el valor de la
variable que queremos generar. Al
ser la función de distribución
continua, vamos a encontrar un
valor de x para cualquier u.
 Variables Continuas

Distribución uniforme (a,b)

 1  0, x  a
 ,a  x  b xa
f ( x )  b  a F( x )   ,a  x  b
 0 b  a
 1, x  b

Aplicando el método de la transformada inversa

x-a
X  FX1 ( U ) u  X  U(b - a)  a
b-a
 Generador Uniforme

Generar 5 observaciones aleatorias del proceso uniforme

definido en (2,6)

i ri Xi = a + ri (b - a)
1 0.98 5.92
2 0.17 2.68
3 0.14 2.56
4 0.68 4.72
5 0.22 2.88
 Ejercicio

• Supóngase que se gire el dial mostrado en la figura para que pare en

una posición aleatoria. Modele esto como una apropiada función de
densidad de probabilidad, simular 5 giradas usando los siguiente
números.

 
 Variables Continuas

Distribución exponencial ()


e  x , x  0  0, x  0
f(x)  F( x )    x
 0 1  e ,x  0


Aplicando el método de la transformada inversa

ln u
X  FX1( U ) u  1  e x - x  ln u X 

 Generador Exponencial
General las variables aleatorias en el siguiente cuadro, usando una media = 3

i ri VA Exponencial
1 0.98 5.92
2 0.17 2.68
3 0.14 2.56
4 0.68 4.72
5 0.22 2.88
 Ejercicio
• Considere la consulta de un médico en la que los pacientes se les cita cada
20 minutos y el primer cliente llega en el tiempo 0. El tiempo empleado
por el médico en examinar a un paciente es una variable aleatoria con
función de densidad.

• Calcular el tiempo que se demora el médico en examinar al primer

paciente, considerar el número aleatorio 0.456
 Variables Continuas
Distribución Triangular
• Los parámetros que
recibimos para poder
usar esta distribución
son: Un valor mínimo
(a), el modo o más
probable (b) y un valor
máximo (c) Si ba
r
• Para calcular el valor de ca
Entonces
la variable aleatorio
tenemos el siguiente X  a  (c  a )(b  a )r
algoritmo De lo contrario
X  c  (c  a )(c  b)(1  r )
 Generador Distribución Triangular
• Un fabrica produce tinas cuyo pesos sigue una distribución de
probabilidad triangular (a=190, b=210, c=230).
• Generar 10 peso de tinas producidas, usando los siguientes
números aleatorios.

0.225 0.431 0.868 0.048 0.012

0.001 0.953 0.662 0.899 0.855
 Ejercicio

• La Producción de cierto tipo de producto consiste en tres etapas

básicas. El tiempo que se requiere para completar la primera etapa es
exactamente de 10 minutos; el necesario para completar la segunda
etapa está distribuido exponencialmente, con media igual a 8 minutos
y el tiempo necesario para dar por terminada la tercera etapa, se
ajusta a una distribución triangular con parámetros a=3, b=4, y c=5
minutos.
•  
• Realizar 30 simulaciones y estimar el tiempo promedio de producción
para una unidad del producto.
 
 Ejercicio
• Realizar una simulación y hallar la posible
duración del proyecto que tiene la siguiente
Red de actividades.
 Variables Aleatorias
• Los números aleatorios con distribución uniforme son
utilizados para la generación de números con distribución
cualquiera denominados valores aleatorios.
• Generar un proceso aleatorio significa generar valores
muéstrales de una variable aleatoria X con función
distribución de probabilidad f(x) y distribución acumulada
F(x):

x
F ( x)   f (t )dt  Pr( X  x)


19
 Método de Transformada Inversa
• El método se basa en que:
– r, el valor aleatorio de la distribución uniforme entre 0 y 1 y
– F(x) para cualquier variable aleatoria x varían entre cero y uno por lo
que se pueden igualar
F(r) F(x)
1
F(x0)
r0

x0

1
f(x) f(x0)

x0

20
 Distribuciones Discretas
F(x)
f(x) 1

ri

0 x 0 ri = F-1(ri) x
• Calcular los valores P(x) para la distribucion de
probabilidades
• Calcular el acumulado F(x)
• Generar un valor ri, verificar en F(x) a que intervalo de x
pertenece, esa sera la V.A. Generada por la dist.
propuesta. 21
 Ejemplo 1
construir un generador de valores aleatorias y generar 10 valores
para una variable con f.d.p f(x)


2 x , 0  x  1
f ( x)  
0, Otro caso


Hallamos primero la distribución acumulada:

x x
F ( x)   f (t )dt   2tdt  t
2 x
0 x 2
0 0

22
 Ejemplo 1

x   0,1
2
F ( x)  x

Como:
F ( x)   0,1 y r   0,1

Igualamos F(x) con r

r   0,1
2
rx x r

23
 Ejemplo 1

i ri Xi  ri
1 0.10 0.316
2 0.32 0.566
3 0.76 0.872
4 0.13 0.361
5 0.34 0.538
6 0.54 0.735
7 0.80 0.894
8 0.09 0.300
9 0.39 0.624
10 0.74 0.860

24
 Caso Para el Alumno
Generar valores aleatorios para la
siguiente variable aleatoria X
2
 b  b  4ac
2(1  x) 0  x 1 x

f ( x)  
2a
0
 Otro caso

i 1 2 3 4 5 6 7 8 9
ri 0.37 0.04 0.65 0.89 0.27 0.24 0.10 0.35 0.68
Generador

25
 Caso Para el Alumno

1
4
0  x 1

f (x)  
3

4 1 x  2

Genere 7 valores aleatorios usando los siguientes números aleatorios:

0.13 0.32 0.54 0.38 0.23 0.99 0.75

26
 Caso Para el Alumno

1 0 x2
6

1
f (x)   2 x3
3
1
12 3 x 7


Genere 7 valores aleatorios usando los siguientes números aleatorios:

0.13 0.48 0.84 0.38 0.23 0.99 0.75

27
 Generador Uniforme
Se presenta cuando se analiza observaciones sujetas a errores de precisión
Por ejemplo cuando se mide el peso en gramos y se observa que la diferencia
entre el peso real observado varia entre  30 gramos

 1 ,a<x<b

f  x  b  a
0 , Otro caso

xa
F  x  ,a < x < b
ba

xa
r  F ( x)   Xi  a  r i  b  a 
ba ,a < x< b ; 0 < r <1
28
 Generador Uniforme
Algoritmo
• i=1
• Generar ri  (0,1)
• Hacer Xi = a + ri (b - a)
• i = i +1

29
 Generador Uniforme
Generar 5 observaciones aleatorias del proceso uniforme
definido en (2,6)

i ri Xi = a + ri (b - a)
1 0.98 5.92
2 0.17 2.68
3 0.14 2.56
4 0.68 4.72
5 0.22 2.88

30
 Generador Exponencial
Sea la función exponencial:
f ( x)  e
 x 1
,X > 0 E x 

 F  x  1  e
 X
1
V  x 

2

Igualando F(x) con r:

F  x  1  e
 X
r
 X
 1 r  e
Aplicando logaritmo:
Ln1  r 
 Ln1  r   x  X 

31
 Generador Exponencial
• El generador para la fdp exponencial:

Ln1  r 
X

• Puede tener también esta forma por ser su equivalente:

Ln r i 
X

• Los intervalos de tiempo entre ocurrencias de evento tales que cada
intervalo, es independiente de anterior, están distribuidos
exponencialmente
• El proceso exponencial generalmente se da en los casos de tiempos
entre arribos y tiempos de servicio

32
 Caso Para el Alumno
General las variables aleatorias en el siguiente cuadro, usando una media = 3

i ri VA Exponencial
1 0.98 5.92
2 0.17 2.68
3 0.14 2.56
4 0.68 4.72
5 0.22 2.88

33
 Generador de variables aleatorias
normal
Método: Suma de 12 números uniformes

Además, si ri es un numero aleatorio independiente

Sea Y ~ N(0,1)
uniformemente distribuido U(0,1)
Sea X ~ N(,)
 E(ri ) = 1/2  El promedio de los números es 1/2
 X =  + Y
var(ri ) = 1/12  La varianza es 1/12

n
n Caso especial si n = 12:
 ri 
2 12
Y i 1
n X     ( ri  6)
12 i 1

34
 Conclusiones
• Simulación Montecarlos es la generación de valores de
variableas aleatorias usando números aleatorios.
• Para la generación de valores de variables aleatorias se usan
números aleatorios U(0,1).
• Existen métodos generales y especiales, estos se usan de
acuerdo a la función de la variables aleatoria.