Вы находитесь на странице: 1из 35

Simulacin

Clase 30/08/2011

Generacin de Nmero Aleatorios

Definicin intuitiva: Una sucesin de nmeros aleatorios puros, se caracteriza por


que no existe ninguna regla o plan que nos permita conocer sus valores.

Los nmeros obtenidos a travs de algoritmos recursivos se llaman


pseudoaleatorios.

Al utilizar algoritmos se remueve el potencial de verdadera aleatoriedad. Si el


mtodo es conocido, los nmero pueden ser replicados.

Generacin de Nmero Aleatorios

Una sucesin de nmeros aleatorios {u1, u2,..., un} tiene las mismas propiedades
estadsticas que una sucesin de nmeros U(0,1) independientes.

Es decir:

Propiedades computacionales de los algoritmos:

Velocidad de generacin vs. consumo de memoria

Reproducibilidad

Perodo largo

Generacin de Nmero Aleatorios

En general la Generacin de Nmeros Aleatorios consta de 3 etapas:


[Semilla - Algoritmo - Validacin]

Obtener semilla (valores iniciales)

Aplicacin de Algoritmos recursivos !

Validacin del conjunto de datos ! !

Existen varios mtodos de generacin, 2 de ellos:

Mtodo de los cuadrados medios

Mtodos Congruenciales

Mtodos Congruenciales

Produce una secuencia de nmeros enteros entre 0 y m-1 siguiendo la siguiente


relacin

xi +1 = (axi + c)mod m ,i = 1, 2,..

z mod m = y (z y) divisible por m sin resto

Los parmetros del algoritmo se llaman

a!

multiplicador

c!

sesgo

m! mdulo

Xo! semilla (valor inicial)

La

seleccin de a, c y m afecta considerablemente las propiedades y el largo del


periodo de los nmeros generados

Generador Congruencial

Tener cuidado con semillas aleatorias, por ejemplo hora del da:

No se puede reproducir la simulacin

No se puede garantizar que las secuencias no se solapen

Generadores congruenciales ms generales tienen la forma:


Xn +1 = g(Xn , Xn 1 ,..., Xn k ,...)mod m
con
g = aXn
g = aXn + b
g = aXn + bXn 1

Generador Congruencial

Generadores combinados: desarrollados por LEcuyer

Sea: Wi,1 ,Wi,2 ,..., Wi,k variables aleatorias discretas, con Wi,1 entera y uniforme en
0 y m1-1

Entonces: Wi = Wi, j mod(m1 1) es uniforme sobre los enteros 0 y m1-2


j =1

Sean Xi,1, Xi,2, ..., Xi,k la i-esima salida de k generadores diferentes, donde el jesimo tiene modulo primo mj y el factor a fue escogido tal que P=mj-1

Generador Congruencial

LEcuyer sugiere generadores combinados de la forma:

j 1
Xi = (1) Xi, j mod(m1 1)
j =1

Xi
m , Xi > 0
1
Ui =
m1 1 , X = 0
i
m1
(m 1)(m2 1)...(mk 1)
Pmax = 1
2 k 1

Generador Congruencial

Arena usa:
Z1,i = (14.035.580Z1,i 2 810.728Z1,i 3 ) mod(2 32 208)

Z 2,i = ( 527.612Z 2,i 2 1.370.589Z 2,i 3 ) mod(2 32 22.853)


Zi = (Z1,i Z 2,i )mod(2 32 209)
Zi

(2 32 208) , Zi > 0

U i = 32
(2 209) , Z = 0
(2 32 208) i
Pmax = 3 10 57

Generador Congruencial

Ejemplo sencillo:
Xn = 5Xn 1 mod(7)
Yn = 3Yn 1 mod(5)
Wn = (Xn Yn )mod(7 1)
(7 1)(5 1)
Pmax =
= 12
2
X0 = 1
Y0 = 3

Correlativo

10

11

12

13

14

15

16

17

18

19

20

Otros generadores

Los generadores de pseudo aleatorios son eficientes, pero:

Son predecibles

Pueden llegar a repetirse

No son adecuados en algunos casos:

Juegos de azar o apuestas

Encriptacin de datos

Los generadores de verdaderos aleatorios extraen aleatoriedad de procesos


fsicos y luego la introducen en el computador

Otros generadores

Algunas fuentes de aleatoriedad

Tirar un dado y registrarlo

Usar una fuente radiactiva (Hotbits)

Registrar el ruido atmosfrico (random.org)

Es decir, todos son fenmenos que no se pueden reproducir

Otros generadores

Otros generadores

Resumiendo algunas caractersticas

Pseudo-aleatorios

Aleatorios verdaderos

Eficientes

Ineficientes

Determinsticos

No determinsticos

Peridicos

Aperiodicos

Usos:
Simulacin
Modelacin

Usos:
Juegos de azar, apuestas
Seguridad

Test nmeros aleatorios

Se pueden realizar distintos tipos de pruebas, basadas en las propiedades


estadsticas que deben tener las secuencias generadas.

Tests de frecuencias: compara la distribucin de la muestra con la distribucin


uniforme

Test de Kolmogorov-Smirnov

Test chi-cuadrado

Test de autocorrelacin: compara la correlacin de la muestra con la correlacin


esperada
Otros tests: Test de rachas a los lados de la mediana

Test nmeros aleatorios

Para testear la uniformidad, la hiptesis es la siguiente:

H 0 : Ri U[0,1]
H 1 : Ri U[0,1]

Para testear la independencia, la hiptesis es la siguiente:

H 0 : Ri independientes
H 1 : Ri independientes

En ambos casos se debe definir

= p(rechazar H 0 / H 0 es verdad)

Test de frecuencias

Test K-S; Kolmogorov-smirnov: Compara F(x) de la distribucin uniforme, con la


distribucin acumulada emprica SN(x) del conjunto de N nmeros aleatorios
generados

Dado que F(x)=x, 0 x 1 se espera que SN(x) se aproxime lo suficiente a F(x)


para n grande

El test utiliza como estadstica, la mxima desviacin absoluta entre las funciones
de distribucin acumulada: !

D = max F(x) SN (x)

Test K-S

Paso 1: Ordenar los nmeros aleatorios de menor a mayor

R(1) R(2) ... R( N )

Paso 2: Calcular

i 1
i

D = max R(i ) D = max R(i )

N
N

Paso 3: Calcular

D = max D + , D

Paso 4: comparar D , N con el valor critico apropiado para el tamao de la muestra

Paso 5: si D > D , N se rechaza la hiptesis nula

Test K-S

Ri
0,350
0,254
0,244
0,929
0,814

Grados de
libertad N

D0.10

D0,05

D0.01

0,950

0,975

0,995

0,776

0,842

0,929

0,642

0,708

0,828

0,564

0,624

0,733

0,510

0,565

0,669

0,470

0,521

0,618

0,438

0,486

0,577

0,411

0,457

0,543

0,388

0,432

0,514

10

0,368

0,410

0,490

11

0,352

0,391

0,468

12

0,338

0,375

0,450

13

0,325

0,361

0,433

14

0,314

0,349

0,418

15

0,304

0,338

0,404

16

0,295

0,328

0,392

17

0,286

0,318

0,381

18

0,278

0,309

0,371

19

0,272

0,301

0,363

20

0,264

0,294

0,356

Ms de 35

1.22 / N

1.36 / N

1.63 / N

Test chi-cuadrado

Este es un test de bondad de ajuste.

Es poco potente, por lo que permite justificar el rechazo de una hiptesis, pero
proporciona escaso apoyo en la aceptacin, es conveniente para muestras mayores
a 50

Es un test de frecuencias, para testear la uniformidad, la hiptesis es la siguiente:

H 0 : Ri U[0,1]
H 1 : Ri U[0,1]

Test chi-cuadrado

Paso 1: Se hace una particin en k subconjuntos


k

Paso 2: Se calcula la estadstica

=
2
0

(Oi Ei )

i =1

Ei

2 , k 1

Oi: Nmero observado de aleatorios en el intervalo i

Ei: Nmero esperado de aleatorios en el intervalo k

Paso 3: se compara el valor de la estadstica con el valor crtico

Si 02 2 , k 1 se rechaza la hiptesis nula

Test chi-cuadrado
0,030 0,650 0,220 0,220 0,390 0,240 0,880 0,950 0,390 0,050

0,710 0,090 0,680 0,680 0,800 0,640 0,490 0,070 0,270 0,100

0,130 0,870 0,040 0,040 0,080 0,960 0,180 0,720 0,110 0,220

0,250 0,840 0,510 0,510 0,980 0,750 0,250 0,610 0,250 0,610

0,110 0,610 0,370 0,370 0,730 0,170 0,600 0,500 0,100 0,400

Test chi-cuadrado
0,030

0,076

0,111

0,220

0,254

0,394

0,506

0,637

0,724

0,865

0,039

0,087

0,133

0,220

0,271

0,398

0,597

0,651

0,734

0,880

0,039

0,098

0,173

0,239

0,372

0,492

0,609

0,683

0,749

0,947

0,047

0,101

0,176

0,247

0,372

0,504

0,610

0,683

0,801

0,959

0,072

0,106

0,216

0,250

0,390

0,506

0,611

0,711

0,841

0,979

Test chi-cuadrado
i

Oi

Ei

(Oi-Ei)^2

0,2

14

10

16

0,4

13

10

(O E )
i

/ Ei

1,6

2,5

2
0,05,
4 = 9, 49

02 2 ,n 1
0,6

10

25

0,8

11

10

5,1

10

Test de autocorrelacin

0,047

0,706

0,350

0,756

0,046

0,311

0,945

0,464

0,310

0,241

0,159

0,337

0,858

0,835

0,390

0,628

0,393

0,375

Se realiza el siguiente test:

H 0 : Ri independientes
H 1 : Ri independientes

H 0 : im = 0
H 1 : im 0

Test de autocorrelacin

Los nmeros de inters sern: Ri, Ri+m, Ri+2m,..., Ri+(M+1)m


Se puede demostrar que el estimador distribuye normal si Ri, ..., Ri+(M+1)m no
im
estan correlacionados
El estimador de la correlacin se puede calcular como:

1 M

13M + 7
im =
Ri + km Ri +(k +1)m 0.25 =

im
M + 1 k=0
12(M + 1)

im
Z0 =
im

Entonces

Se rechaza la hiptesis nula si

0,047

0,706

0,350

0,756

0,046

0,311

0,945

0,464

0,310

0,241

0,159

0,337

0,858

0,835

0,390

0,628

0,393

0,375

Z 0 Z1 /2

Test de Rachas

Se contabiliza el nmero de observaciones sobre y bajo la media

Sea n1 el nmero de observaciones bajo la media y n2 el nmero de observaciones


sobre la media

Sea R la variable aleatoria del nmero de rachas. Si n1 o n2 >20, R distribuye


normal con:
2n n
2n n (2n n n n )

R =

Entonces:

Si

1 2

n1 + n2

+ 1 R2 =

1 2

1 2
2

(n1 + n2 ) (n1 + n2 + 1)

R R
ZR =
N(0,1)
R

Z R > Z1 /2 se rechaza la hiptesis nula de aleatoriedad

+1

Uso de aleatorios

Para calcular ", para calcular integrales


1

Dado que:

= g(x)dx
0

Si U(0,1) independientes, entonces g(U1),...,g(Uk) iid con media


k

g(U i )
k E[g(U )] = ,
i =1

Entonces:

La utilidad principal es para aproximar integrales multiples


1 1

... g(x ,...., x )dx ...dx


1

0 0

Uso aleatorios generacin de


variables aleatorias

Tcnica transformada inversa

Sea U una variable aleatoria U(0,1). Para cualquier funcin de distribucin F,


invertible, la variable aleatoria X, definida como: X=F-1(U), tiene distribucin F

F-1 se define como el valor de x tal que F(x)=u

Generacin variables aleatorias

Funcin exponencial

x t
x
e dt = 1 e
F(x) = 0

x0
e.o.c

Generacin variables aleatorias

Normal

Generacin variables aleatorias

Uniforme

0
x<a

xa
F(x) =
axb
(b a)
1
x>b

Generacin variables aleatorias

Ejemplo:

Tiempo entre llegada exponencial con media 3 minutos

Tiempo de servicio uniforme con media 1.5 y 3.5 minutos


Aleatorio

T entre
llegada

Aleatorio

T de servicio

0,03

0,09

0,68

2,86

0,5

2,08

0,52

2,54

0,19

0,63

0,19

1,88

0,01

0,03

0,94

3,38

0,83

5,32

0,97

3,44

0,78

4,54

0,56

2,62

0,59

2,67

0,17

1,84

Вам также может понравиться