02 Variable Aleatoria

1
Universidad Pontificia Bolivariana

Leonardo Betancur Agudelo
leonardo.betancur@upb.edu.co
Plan de Estudio
1. Introduccin
2. Simulacin en Tiempo Discreto
1. Modelos Fsicos
2. Solucin de Ecuaciones Diferenciales
3. Probabilidad y Modelado de Variable Aleatoria
1. Modelo de V.A.
2. Ajuste de V.A.
4. Simulacin en Eventos Discretos
1. Modelos en Eventos
2. Codificacin en Eventos Discretos
5. Anlisis Estadstico de Resultados
1. Teorema central del lmite
2. Presentacin de Resultados

Generacin de variables
aleatorias
La generacin de variables aleatorias es el
corazn de los procesos de simulacin ya que
evitan un sesgo en los resultados obtenidos y le
dan el peso apropiado a cada uno de los datos
necesarios.
-Mayor frecuencia de datos normales.
-Espordicos datos extremos.
aleatorias
Probabilidad : Es una medida numrica de la cantidad de veces que un
evento ocurre entre una cantidad grande de eventos posibles. La expresin
siguiente es vlida si el numero de sucesos medidos tiende a infinito.
sucesos de total . No
a tipo sucesos . No
) a ( P =
Espacio muestral : Todos los
valores posibles del
experimento.
Punto muestra : Un
elemento del espacio
muestral
aleatorias
Todo valor de probabilidad est entre 0 y 1.
-La suma de todas las probabilidades de un espacio
muestral es 1.
-Espacio muestral: Conjunto de todos los posibles
resultados de un evento.
-Punto muestral: Un valor del espacio muestral.
Ejemplo : Lanzamiento de un dado
-Espacio muestral S={1,2,3,4,5,6}
-Punto muestral a={1}
Evento : Es un conjunto de puntos muestrales
Evento de lanzamiento de un nmero par e={2,4,6}
aleatorias
Complemento :
Los puntos
muestrales de
un evento y no
pertenecientes
a un evento
suman una
probabilidad 1
1 ) e ( P ) e ( P = +
Interseccin :
Puntos muestrales
que pertenecen a dos
eventos. Si los
eventos son
excluyentes, la
interseccin es vaca
Unin :
Puntos muestrales
que pertenecen a
cualquiera de dos
eventos.
) b a ( P ) b a ( P ) b ( P ) a ( P ) b a ( P + =
Generacin de variables aleatorias
Dos eventos son excluyentes si no
comparten puntos muestrales.
Dos eventos son dependientes si la
ocurrencia de uno afecta la ocurrencia
de otro.
Dos eventos son independientes, si la
ocurrencia de uno no afecta la
ocurrencia del otro.
Excluyentes: Espacio muestral del
lanzamiento de un dado.
Evento 1: Compuesto por los resultados
pares.
Evento 2: Compuesto por los resultados
impares.

Dependientes: En el mismo espacio
muestral
P(4)=0.167
Probabilidad de que se obtenga un 4,
dado que se conoce que se lanz un
numero par: P(4|par)=0.333
La probabilidad cambia.
Independientes: en el mismo espacio
muestral.
P(4)=0.167
Probabilidad de lanzar un cuatro, dado
que en el lanzamiento anterior cay un
4 P(4|4 en el anterior)=p(4)=0.167
No cambia la probabilidad.
Axiomas de la probabilidad
Generales
) b a ( p ) b ( ) a ( p ) b a ( p
) a ( p 1 ) a ( p , 1 ) S ( p , 1 ) a ( P 0
+ =
= = s s
Eventos
dependientes
) a ( p ) a | b ( p ) b a ( p
) b ( p ) b | a ( p ) b a ( p
) b a ( p ) b ( p ) a ( p ) b a ( p
=
=
+ =
Eventos
independientes
) b ( p ) a ( p ) b ( p ) a ( p ) b a ( p
) b ( p ) a ( p ) b a ( p
) a ( p ) b | a ( p
+ =
=
=
) b ( p ) a ( p ) b a ( p
) b a ( p
+ =
C =
Eventos
excluyentes
aleatorias
Distribuciones de probabilidad: Son funciones
matemticas que asignan probabilidad a puntos
(regiones) muestrales de un espacio muestral.
Distribuciones de probabilidad discretas:
Corresponden a puntos muestrales discretos.
Distribuciones de probabilidad continuas:
Corresponden a valores continuos de variables
aleatorias.

aleatorias
Media o esperanza matemtica: Es el valor
ponderado de los valores del espacio muestral
por sus probabilidades.

Varianza: Medida de la dispersin de los puntos
muestrales respecto a la media.
= =
i
i i
) x ( P x ) x ( E
( )
= o =
i
i
2
i
2
) x ( P x ) x ( Var
Algunas distribuciones de probabilidad
importantes
Distribucin
continua uniforme
Una variable
aleatoria puede
tomar cualquier
valor entre dos
lmites a y b.
De los axiomas de
la probabilidad se
encuentra el valor
de k, tal que se
defina la funcin de
densidad de
probabilidad.
( )
( )
a b
1
k
1 a b k kdx
1 dx x f
b
a
=
= =
=
}
}

Tambin se pueden
calcular otras
cantidades como:
( )
2
2
a b
12
1
2
b a
= o
+
=
Distribucin discreta
uniforme
Una variable
aleatoria puede
tomar cualquier valor
entre dos lmites a y
b, pero solamente
ciertos valores
discretos.
De los axiomas de la
probabilidad se
encuentra el valor de
k, tal que se defina
la funcin de masa
de probabilidad o
funcin de
probabilidad
simplemente
n
1
k
1 k n
1 p
n
1 i
i
=
=
=
=
Tambin se pueden
calcular otras
cantidades como:
( ) 1 n
12
1
2
b a
2 2
= o
+
=
Distribucin binomial
Suposiciones:
-Se realiza una serie de N ensayos
-En cada ensayo puede haber un
resultado a o b con probabilidades P(a) y
P(b) complementarias.
-Los eventos son independientes entre s
en cada ensayo.
-Las probabilidades permanecen
constantes durante la realizacin del
experimento.
La distribucin binomial determina la
probabilidad de obtener n veces el resultado a
en los N ensayos.
Se debe lograr que ocurran
n veces N-n veces
n N n
) b ( P ) a ( P ) a veces n ( P
) b ( P ... ) b ( P ) a ( P ... ) a ( P ) a veces n ( P
=
=
Dado que los eventos pueden ocurrir en
cualquier orden, realmente
n N n
n N n
) p 1 ( p
! n )! n N (
! N
) n ( P
p 1 ) b ( P
p ) a ( P
) b ( P ) a ( P
! n )! n N (
! N
) n ( P ) a veces n ( P
=
=
=

= =
La dist. Binomial mide la ocurrencia de n
eventos del tipo a en un conjunto N de ensayos.
La varianza y la media se calculan por medio de
las expresiones anteriores y se obtiene:
) p 1 ( Np
Np
) p 1 ( p
! n )! n N (
! N
) n ( P
2
n N n
= o
=
=

Una aplicacin muy importante es la de
determinar los errores en una trama cuando la
probabilidad de error de bit es constante.
Suponiendo que se tienen tramas de longitud N
con capacidad de correccin de errores de 5
bits, la probabilidad que la trama llegue buena
es:
+
|
|
.
|
\
|
+
|
|
.
|
\
|
= s
+ + + + + = s
1 N 1 0 N 0
) p 1 ( p
1
N
) p 1 ( p
0
N
) 5 n ( P
) 5 ( p ) 4 ( p ) 3 ( p ) 2 ( p ) 1 ( p ) 0 ( p ) 5 n ( P
Distribucin de Poisson
Esta distribucin mide la probabilidad de que
ocurran n eventos en un intervalo de tiempo T.
Suposicin: El tiempo T se puede dividir en n
intervalos pequeos de tiempo dt=T/n.
-La probabilidad de que ocurra un evento en un
intervalo de tiempo de duracin dt es
P=dt.
-La probabilidad que no ocurra un evento en el
mismo intervalo es
1-p=1-dt.
-No puede ocurrir mas de un evento.

Aplicando la dist. Binomial, se encuentra que la
probabilidad que ocurran n eventos en los N
intervalos es:
n N n
) dt 1 ( ) dt (
! n )! n N (
! N
) n ( P

=
Reemplazando el valor de N por T/dt y
extrayendo el lmite cuando dt tiende a cero se
obtiene:
( )
! n
e T
) n ( P
) dt 1 ( ) dt (
! n ! n
dt
T
!
dt
T
0 dt
Lim
) n ( P
T
n
n
dt
T
n

|
.
|
\
|

=

|
.
|
\
|

|
.
|
\
|
=
La dist. de Poisson mide la ocurrencia de n
eventos en un intervalo de tiempo T.
n N n
) dt 1 ( ) dt (
! n )! n N (
! N
) n ( P

=
( )
T
T
! n
e T
) n ( P
2
T
n
= o
=
=

Esta distribucin permite modelar el nmero de
llamadas que llegan a una central en un tiempo
determinado.
Se conoce como rata o frecuencia de ocurrencia de eventos y tiene
unidades de eventos/seg.
= 10 llamadas/seg.

aleatorias
Distribuciones de probabilidad continuas:
Son funciones matemticas que permiten
encontrar la probabilidad de que una variable
aleatoria se encuentre en una regin del espacio
muestral.
}
= s s
b
a
du ) u ( f ) b x a ( P
aleatorias
Funcin de probabilidad acumulada:
Es una expresin matemtica que permite
determinar la probabilidad que una variable
aleatoria sea menor a un valor cualquiera.
) b ( F du ) u ( f ) b x ( P
b
= = s
}

aleatorias
Funcin de probabilidad acumulada:
) b ( F du ) u ( f ) b x ( P
b
= = s
}

Funcin de densidad de probabilidad (fdp)
}
= s s
b
a
du ) u ( f ) b x a ( P
aleatorias
Media o esperanza matemtica: Para la
distribucin continua queda

Varianza: Para la distribucin continua queda
}

= = dx ) x ( f x ) x ( E
( )
}

= o = dx ) x ( f x ) x ( Var
2
2
Distribucin exponencial
Esta distribucin determina la probabilidad de
que transcurra un intervalo de tiempo
determinado entre dos eventos cualquiera.
-Probabilidad que entre dos eventos cualquiera,
transcurran entre 5 minutos y 15 minutos:

-Probabilidad que entre dos eventos transcurra
mas de 1 hora:

}
= s s
min 15
min 5
du ) u ( f min) 15 t min 5 ( P
}
= s
hr 1
du ) u ( f ) t hora 1 ( P
( )
T
T
0
e
! 0
e T
) eventos 0 ( P

=
=
Suponga la distribucin de Poisson y calcule la
probabilidad que no ocurra ningn evento
durante el tiempo T
La cantidad anterior mide la probabilidad que no
ocurra ningn evento entre 0 y T, debido a que
n=0.
T
e 1 ) evento un menos al ( P

=
El evento complementario al anterior es la
probabilidad que ocurra al menos un evento
entre 0 y T, uno o mas de uno
Esto indica la probabilidad que el tiempo de
ocurrencia del siguiente evento sea menor a T,
lo que equivale a una distribucin acumulada de
probabilidad.

T
T
e 1 ) T ( F du ) u ( f ) T t ( P

= = = s
}
Su funcin de densidad de probabilidad es
Que se llama distribucin de probabilidad
exponencial y mide la probabilidad que el
siguiente evento ocurra entre dos tiempos
cualquiera.
Su aplicacin es en el manejo de tiempos entre
eventos, MUY APLICADA A SIMULACIN.
T
e ) t ( f

=
Distribucin Normal
Se conoce como distribucin
Normal o Gaussiana a la
curva que modela el
comportamiento de los
errores, pues originalmente
fue creada para analizar los
errores que se cometen en
las mediciones.
( )
|
|
.
|
\
|
o

t o
=
2
2
2
x
e
2
1
) x ( f
Generacin de nmeros
aleatorios
Los computadores no pueden generar nmeros
completamente aleatorios.
Se genera una secuencia de nmeros
aparentemente aleatorios que se llaman
seudoaleatorios (parecen aleatorios pero se
parecen entre si al largo plazo).
Generacin de nmeros
aleatorios
Los generadores lineales congruenciales LCG,
funcionan a partir de una serie recursiva de
nmeros as:
( ) M % b X a X
1 n n
+ =

Los valores de a, b y M determinan las
caractersticas del generador, as como el valor
inicial de Xo, llamado semilla (SEED)
Generacin de nmeros
aleatorios
Caso a b M Xo
1 6 2 13 1 8 11 3 7 5 6 12 9 4 0 2 1 8 11
2 7 3 13 10 8 7 0 3 11 2 4 5 12 9 1 10 8 7
3 5 5 13 5 4 12 0 5 4 12 0 5 4 12 0 5 4 12
4 7 6 11 5 8 7 0 6 4 1 2 9 3 5 8 7 0 6
5 6 1 11 3 8 5 9 0 1 7 10 6 4 3 8 5 9 0
Salidas
Constantes del generador
Por ejemplo con parmetros cualquiera se
obtienen series muy cortas de nmeros.
Generacin de nmeros
aleatorios
Pero con los parmetros
apropiados se obtienen series
de perodo muy extenso
Caso a b M Xo
6 16807 0 2E+09 2
Constantes del generador
33614 564950498 1097816499 1969887316 140734213 940422544 202055088
229615974 127561359 735081007 33063458 1646757680 287085224 1793088606
1786703632 864107023 1762314547 1126132005 1127227024 203858534 1013963973
956319139 1088155025 650767323 312183490 565366809 1652304535 1171280388
2089576248 1707920745 1757535413 260121806 1737971797 19425685 69973451
3036949 1649877962 1190057270 1777332379 127764083 1994779628 1893994479
1581609387 556384743 1014576563 968137161 2145155255 1668904949 1001564376
1156708876 1784106288 160219355 2009689794 1233567742 765911656 660222274
234435843 1678204703 536223623 1469048949 686196284 913760798 922172289
1880754579 1030409060 776942012 1363821924 1662112237 653087083 645684164
387013533 1955966015 241145829 636306114 2075779585 1755639580 609111280
1371166908 555206799 544224578 649629873 522414163 1301688605 1064472246
1921941085 1762281068 563450452 1656347141 395882726 696637476 305215688
1326906897 1854027431 651314847 924484770 771343345 1756306123 1074281246
1938608437 570108375 1886909358 1394564657 811666841 868470943 2092273989
329495459 1617337447 1889951650 986758773 1585975677 926176775 1291583969
916641887 2099994878 720176101 781895015 857081112 1789428955 1571454097
Generacin de nmeros
aleatorios
Con los generadores anteriores se pueden
generar nmeros aleatorios uniformes entre 0 y
M como valor mximo. Los dems nmeros
aleatorios se obtienen a partir de estos
generadores.
NOTA: Para obtener nmeros decimales entre
0 y 1 basta con dividir los nmeros por M
Generacin de nmeros
aleatorios
El mtodo en
forma
general,
depende de
la
distribucin
acumulada
de
probabilidad
de la variable
a generar.
Generacin de nmeros
aleatorios
El mtodo consiste en generar nmeros
aleatorios uniformes entre 0 y 1. Ubicar estos
nmeros en el eje de probabilidad acumulada y
leer la variable aleatoria en el eje horizontal.
Esto garantiza que se generen con mayor
probabilidad los nmeros que estn en la zona
de mayor densidad de probabilidad.
Generacin de nmeros
aleatorios
Generacin de nmeros
aleatorios
Transformada inversa
El mtodo anterior se llama en general como el
de la transformada inversa.
X=F
-1
(U). Su aplicacin es inmediata en las
distribuciones de probabilidad continuas.
Por ejemplo para generar una variable aleatoria
con distribucin exponencial...
( )
=
= =

U 1 Ln
t
U e 1 ) t ( F
t
Donde U es una
variable uniforme entre
0 y 1
En las distribuciones de
probabilidad continuas
discretas el asunto es un
poco mas complejo
puesto que es necesario
acumular las
probabilidades hasta que
se supera la probabilidad
acumulada, as:
Generar U
i=0
F=0
Calcula P(i)
F=F+P(i)
F<U?
Si
i=i+1
i
No
Al generar un nmero
aleatorio u=0.55, por
ejemplo, se ve, siguiendo la
distribucin acumulada, que
el primer valor superior
ocurre en n=1, por lo tanto
se genera este nmero.
Con u=0.98, se genera un 3
y as sucesivamente.
Variable Binomial, N=6, p=0,2
n P(n) F(n)
0 0,2621 0,2621
1 0,3932 0,6554
2 0,2458 0,9011
3 0,0819 0,9830
4 0,0154 0,9984
5 0,0015 0,9999
6 0,0001 1,0000
Generacin distribucin Poisson
En la distribucin Poisson se puede simplificar el
clculo de la probabilidad acumulada as:
( )
( )
( )
) i ( P
1 i
t
) 1 i ( P
)! 1 i (
e t
) 1 i ( P
! i
e t
) i ( P
t
1 i
t
i
+
= +
+
= +
=

+

Con estos valores se calcula
la probabilidad acumulada
sin necesidad de calcular el
factorial o el exponencial en
cada paso.
Ajuste de distribuciones de
probabilidad
Cuando se tienen datos experimentales de una
variable aleatoria, es necesario estimar el
modelo para poder genera valores equivalentes.
Es necesario conocer varias curvas de
distribucin de probabilidad (experiencia). Una
vez se conoce, se ajustan los parmetros de la
distribucin y se chequea el ajuste.
probabilidad
Ejemplo: Nmero de llamadas que se hicieron
en un PBX en un da:
93 107 96 107 82 85 110 89 89 124
99 79 113 100 116 103 111 116 95 100
89 125 96 101 94 93 88 96 104 87
97 101 100 92 124 116 92 100 96 86
112 99 92 96 96 101 100 97 103 87
127 106 72 105 112 91 92 92 99 113
89 114 119 110 110 110 109 76 123 84
100 103 76 105 107 87 99 112 99 107
87 94 111 108 93 102 102 89 105 108
125 95 100 98 97 102 119 105 105 110
=100.77

o
2
=131.59
probabilidad
El histograma de
los valores
anteriores,
muestran una
curva que podra
ser Poisson. La
cercana de la
media y la
desviacin
estndar, tambin
muestran lo
mismo.
-0,01
0
0,01
0,02
0,03
0,04
0,05
0,06
0 50 100 150
Probabilidad medida Frecuencia calculada
probabilidad
Se debe encontrar los parmetros de la
distribucin de manera experimental
para calcular la distribucin terica.
Se aplica la prueba de Kolmogorov
Smirnov para poder evaluar si la
distribucin corresponde a la supuesta.
probabilidad
Esta prueba exige calcular un
estadstico igual a :
D=max(|F(x
i
)-Sn(x
i
)|)
Y compararlo con algn valor de tabla
de acuerdo con el nivel de significacin
deseado (usualmente 0.05)
probabilidad
El estadstico
mide la
diferencia de
las funciones
acumuladas
experimental
y terica.
Ejemplos
Ejemplos de Generadores en Matlab
Ejemplos de Ajuste en Excel
Ejemplos de Ajuste en Matlab
Ejemplo de Flujo de trfico en Matlab en
una red LTE
Ejercicio
Modelar y calcular el trfico de una red de IP
TV para N usuarios con V.A.

Bibliografa
Simulation usign digital computers
(prentice hall) Wallace, Graham F et Al
Simulation Modeling and Analysis (Mc
Graw Hill) Law A.M. et al
Computer Simulation (Wiley & Sons)
Watson H. J.

02 Variable Aleatoria

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

02 Variable Aleatoria

Uploaded by

Copyright:

Available Formats

1

Universidad Pontificia Bolivariana

You might also like