Professional Documents
Culture Documents
Introducción
Métodos de generación:
Transformada Inversa
Aceptación-Rechazo
Composición
Convolución
Referencias
Características deseables:
Exacto, si es posible (existen métodos aproximados).
Eficiente: Poco almacenamiento, rápido, robusto.
Sencillo, fácil de comprender y de implementar.
Que precise solo números U(0,1) y, si es posible un número genere
una variable.
Lenguajes de simulación 2006-2007
Algunas distribuciones utilizadas
Solución:
x
F(x) = ∫ 2tdt
0
=x ,0≤x≤1
2
2
Ahora hacemos F(x) = U ==> U=x
Se hace F(x) = U
Se busca la solución para x, ==>
1 - e-λx = U
e-λx = 1 - U
- λx = ln(1 - U)
x = - {ln(1 - U)} / λ o - {ln(U)} / λ
Lenguajes de simulación 2006-2007
Paso 2. F(x) = (x - a) / (b - a) = U
Paso 3. x = a + (b - a) U
Cuando R1 = 0.83, se puede apreciar que (R1 - 0.66) / (1 - 0.66) = 0.5, por lo que X1
estará a la distancia mitad entre 1.5 y 2.0 ya que R1 está a la distancia mitad
entre 0.66 y 1.00
El algoritmo es: Paso 1. Generar R
Paso 2. Encontrar el intervalo i en el que cae R, es decir,
encontrar i de forma que ri ≤ R ≤ ri+1
Paso 3. Calcular X mediante X = xi + ai (R - ri)
x⎧ 1 ⎫ −t 2 2
Φ( x) = ∫ ⎨ ⎬*e
− ∞ ⎩ ( 2π ) ⎭
dt , -∞ < x < ∞
Eje Z2 Z1 = B cos θ
(Z1,Z2) Z2 Z2 = B sin θ
Se sabe que B2 = Z12 + Z22 tiene
θ
una distribución chi-cuadrado de
Z1 0 dos grados de libertad, lo que es
Eje Z1
equivalente a una distribución
exponencial de media 2, por tanto el
radio B se puede obtener mediante
B 2 = (−2 ln U )
Representación polar de un par de variables 1
B = (−2 ln U ) 2
de una distribución normal estándar
f(x) c
a x b
2
f(x) g(x)
1 1
1 1
Antes de escalar Después de escalar
Ten en cuenta: x = 0 + (1) U = U, y además g(U) = (1/2) × f(U) = (1/2) × (2U) = U
Por lo tanto, en este ejemplo los pasos se pueden resumir en:
1 Generar U1 y calcular g(U1).
2 Generate U2 y compararlo con g(U1).
3 Si U2 ≤ g(U1), se acepta U1 como x con función densidad f(x). Si U2 > g(U1)
se rechaza U1 y se vuelve al paso 1.
a x b
Una variable aleatoria X está distribuida de acuerdo con una gamma con
parámetros β y θ si su función densidad está dad por
⎧⎧ βθ ⎫.( βθx) β −1 e − βθx x>0
⎪⎨ ⎬
f ( x ) = ⎨⎩ Γ ( β ) ⎭
⎪⎩0 en el resto de los casos
El parámetro β se llama parámetro de forma y θ de escala. En la siguiente
transparencia se ven varias distribuciones para θ = 1 y distintos valores β.
i =1
0 < ωi < 1 para i = 1,...,r ∑ω
i =1
i =1
Algoritmo
1. Generar aleatoriamente un entero aleatorio I tal que
Pr(I=i) = ωi for i=1,..,r.
2. Generar aleatoriamente Z de la distribución FI(Z).
3. Return Z
Ejemplo
• Distribución doble exponencial (Laplace)
⎧⎪0,5e x si x < 0
f ( x) = ⎨
⎪⎩0,5e − x si x ≤ 0
• Distribución hiper-exponencial
F(x) = ω1F1(x) + ω2F2(x) +..+ωkFk(x)
donde Fi(x) es la distribución exponencial con media bi, i=1,,k.
1.- Certeza
• Certeza teórica
• Errores aritméticos en los algoritmos
2.- Velocidad de ejecución
3.- Facilidad de implementación
• Esfuerzo de codificación
• Soporte de rutinas necesarias
4.- Transportabilidad
5.- Necesidades de memoria
6.- Interacción con técnicas de reducción de varianza