Mtodos de Generacin de nmeros Pseudoaleatorio

Se llama nmeros pseudoaleatorios a una sucesin determinstica den m e r o s e n e l i n t e r v a l o [ 0 , 1 ] q u e t i e n e l a s m i s m a s p r o p i e d a d e s estadsticas que una sucesin de nmeros aleatorios. Una forma general d e obtener nmeros pseudoaleatorios es partir de una semilla de p nmeros y aplicar una funcin d. Los nmeros pseudoaletorios son necesarios cuando se pone en prctica un modelo de simulacin, para obtener observaciones aleatorias a partir de distribuciones de probabilidad. Los nmeros aleatorios generados en un inicio por una computadora casi siempre son nmeros aleatorios enteros. En sentido estricto, los nmeros generados por una computadora no se deben llamar nmeros aleatorios porque son predecibles y se pueden reproducir, dado el nmero aleatorio generador que se use. Por ello en ocasiones se les llama nmeros pseudoaleatorios. No obstante, el punto importante es que, en forma satisfactoria, hacen las veces los nmeros aleatorios en la simulacin si e l mtodo que se usa para generarlos es vlido. El procedimiento usado por una computadora para generar nmeros aleatorios se llama generador de nmeros aleatorios. Un generador de nmeros aleatorios es un algoritmo que prod u c e secuencias de nmeros que siguen una distribucin de probabilid a d especifica y tienen la apariencia de aleatoriedad. La referencia a secuencias de nmeros aleatorios significa que e l algoritmo produce muchos nmeros aleatorios en serie. La secuencia de nmeros generados debe cumplir con las 2 hiptesis siguientes: 1) Distribucin Uniforme 2) Independencia (no correlacionados) Adems son importantes los siguientes aspectos: a) Las sub secuencias tambin deben cumplir 1) y 2) b) deben ser secuencias largas y sin huecos (densas) c) algoritmos rpidos y que no ocupen mucha memoria.

Los nmeros aleatorios se pueden dividir en dos categoras principales: N m e r o s a l e a t o r i o s e n t e r o s . E s u n a o b s e r v a c i n a l e a t o r i a d e u n a distr ibucin uniforme discretizada en el intervalo n, n+1Por lo general, n =0 1 donde estos son valores convenientes para la mayora de las aplicaciones. p Nmeros aleatorios uniformes. Es una observacin aleatoria a partir de una distribucin uniforme (continua) en un intervalo [a, b] Propiedades mnimas que debern satisfacer los nmeros pseudoaleatorios: *Ajustarse a una distribucin U (0,1). *Ser estadsticamente independientes (no debe deducirse un nmero conociendo otros ya generados). *Ser reproducibles (la misma semilla debe dar la misma sucesin). *Ciclo repetitivo muy largo. *Facilidad de obtencin. *Ocupar poca memoria. Cualquiera que sea el mtodo para generar nmeros aleatorios debe satisfacer las siguientes condiciones: Deben ser: 1. Uniformemente distribuidos 2. Estadsticamente independientes 3. Reproducibles 4. Sin repeticin dentro de una longitud determinada de la sucesin 5. Generacin a grandes velocidades 6. Requerir el mnimo de capacidad de almacenamiento

Pruebas estadsticas
Puesto que cualquier variable aleatoria no-uniforme (normal), exponencial, poisson, etc.) es obtenida a partir de nmeros uniformes (0:1), el principal nfasis en pruebas estadsticas deber ser con respecto al generador de nmeros pseudoaleatorios, ya que cualquier deficiencia estadstica en la distribucin de la variable aleatoria no-uniforme, se deber exclusivamente a la utilizacin de un deficiente generador de nmeros pseudoaleatorios. Por consiguiente, en el presente capitulo se explican algunas de las muchas pruebas estadsticas que han sido desarrolladas para probar la aleatoriedad de los nmeros pseudoaleatorios.

Pruebas de uniformidad
Una de las propiedades ms importantes que debe cumplir un conjunto de nmeros ri es la uniformidad. Para comprobar esto se ha desarrollado pruebas estadsticas tales como:

Prueba chi-cuadrada Busca determinar si los nmeros del conjunto r i se distribuyen uniformemente en el intervalo (0,1). Para esto se lleva a cabo es dividir el intervalo en m sub intervalos, en donde es recomendable m= n. La cantidad de nmeros que se clasifican en cada intervalo se denomina frecuencia observada O i y la frecuencia esperada se la determina de n/m.

Con los valores que se han obtenido se puede determinar el estadstico mediante la ecuacin.

Prueba kolmogorov-smirnov

Propuesta por Kolmogorov y Smirnov, sta es una prueba estadsitca que sirve para determinar si un conjunto ri cumple la propiedad de uniformidad. Es recomendable aplicarla en conjuntos pequeos, por ejemplo n<20. Procedimiento es el siguiente: Ordenar de menor a mayor los nmeros del conjunto ri. Determinar los valores de D+, D- y D con las siguientes ecuaciones. Las frmulas son:

Determinar el valor crtico D ,n de acuerdo con la tabla de valores crticos de Kolmogorov-Smirnov par aun grado de confianza , y segn el tamao de la muestra n. Si el valor crtico D es mayor que el valor crtico D ,n se concluye que los nmeros del conjunto ri , no siguen una distribucin uniforme. Caso contrario no existira diferencia significativa.

Pruebas de aleatoriedad
Prueba de corridas arriba y debajo de la media Este procedimiento consiste en determinar una secuencia de unos y ceros de acuerdo a la comparacin de cada nmero ri que cumpla con la condicin de ser mayor a 0.5 (en el caso de los unos) o ser menor a 0.5 (en el caso de los ceros). Luego se determina el nmero de corridas coy los valores de n0 y n1 Valores que se emplean: co= Nmero de corridas en la secuencia n0= Cantidad de ceros en la secuencia S n1= Cantidad de unos en la secuencia de S n = Cantidad de nmeros El n se halla de la siguiente manera:

Posteriormente se calcula el valor esperado, la varianza del nmero de corridas y el estadstico Z0 con las siguientes ecuaciones:

Valor esperado:

Varianza del nmero de corridas:

El estadstico:

Para saber si el estadstico Z0 est fuera del intervalo se emplea la siguiente frmula:

Si la condicin anterior se cumple, entonces se concluye que los nmeros evaluados son independientes, de lo contrario se rechaza al conjunto.

Pruebas De independencia Prueba de huecos

Consiste en comparar los nmeros con el propsito de verificar el tamao del hueco que existe entre ocurrencias sucesivas de un nmero; las hiptesis son las fundamentales: H: los nmeros del conjunto ri son independientes. H1: los nmeros del conjunto ri no son independientes. Pasos: Definir un intervalo de prueba(,), donde (,) (0,1) Se construye una secuencia de 1 y 0 de esta manera: se asigna un 1 si el ri pertenece al intervalo (,), y un 0 si no pertenece.

Prueba del poker

Esta prueba consiste en visualizar el nmero ri con cinco decimales (como si fuera una mano del juego de pker, con 5 cartas), y clasificarlo como: todos diferentes (TD), exactamente un par (1P), dos pares (2P), una tercia (T), una tercia y un par (TP), pker (P) y quintilla (Q). Ejemplos: ri = 0.69651 un par (1P) ri = 0.13031 dos pares (2P) ri = 0.98898 una tercia y un par (P)

La prueba pker se puede realizar a nmeros ri con tres, cuatro y cinco decimales. Para ri con tres decimales solo hay tres categoras de clasificacin: todos diferentes (TD), un par (1P) y una tercia (T). Cuando se consideran ri con cuatro decimales se cuenta con cinco opciones para clasificar los nmeros: todos diferentes (TD), exactamente un par (1P), dos pares (2P), una tercia (T) y pker (P).

Prueba pker para nmeros con cinco decimales

La prueba pker requiere el estadstico de la distribucin Chi-cuadrada X2,6 para nmeros con cinco decimales.

El procedimiento de la prueba consiste en: a) Determinar la categora de cada nmero del conjunto ri. b) Contabilizar los nmeros ri de la misma categora o clase para obtener la frecuencia observada (0i). c) Calcular el estadstico de la prueba X20 con la ecuacin

Donde: Ei = Frecuencia esperada de nmeros ri en cada categora m = Cantidad de categoras o clases en las que se clasificaron los nmeros ri Oi = Frecuencia observada d) Comparar el estadstico de X20 con X2,m-1

Si X20 es menor que X2,m-1 se acepta H0, o sea, que los nmeros del conjunto ri son independientes. En caso contrario la independencia de los nmeros del conjunto ri se rechaza.

Prueba de yule o x2

La prueba de X2, como todas las pruebas estadsticas, asume que la Hiptesis nula es cierta y realiza el siguiente razonamiento: si los dos frmacos tienen idntica eficacia, lo que sabemos es que en toda la poblacin se han curado el 52% de los pacientes (104/200), por lo que en el caso del frmaco nuevo deberamos haber encontrado 52 pacientes que mostrasen mejora al haber estudiado a 100 pacientes. De la misma manera, en el caso del frmaco clsico deberamos haber obtenido xito en 52 de los 100 pacientes. A estos valores se les denomina esperados en contraposicin a los valores observados en el experimento. Para calcular estos valores esperados se multiplica el total de fila por el total de la columna y se divide por el total general. En este caso para calcular los pacientes que deberamos esperar se curaran con el frmaco nuevo multiplicamos 104 por 100 y los dividimos por 200. En una tabla como esta (2 x 2) el resto de los esperados sale por diferencia. La prueba de X2 consiste en comprobar si la discrepancia entre los valores observados y los valores esperados es pequea (en cuyo caso no podramos afirmar las diferencias), o es lo suficientemente grande como para ratificar nuestra sospecha inicial. Esta discrepancia se mide mediante la frmula de Pearson:

Con el fin de poder tomar una decisin referente a la eficacia de los frmacos deberemos comprobar si nuestro resultado encontrado puede ser justificado o no por el azar. Para ello deberemos comparar el valor calculado mediante la frmula de X2 y un valor terico que nos encontraremos en la tabla de X2 en funcin de los grados de libertad que tengamos. Estos grados de libertad se calculan multiplicando el nmero de filas menos 1 por el nmero de columnas menos 1.

Mtodo Montecarlo

El mtodo de Monte Carlo es un mtodo no determinstico estadstico numrico usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmerosaleatorios. El nombre y el desarrollo sistemtico de los mtodos deMonte Carlo datan aproximadamente de1944 y se mejoraronenormemente con el desarrollo de la computadora. El uso de los mtodos de Monte Carlo como herramienta deinvestigacin, proviene del tra bajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial en los lamos. Este trabajo con llevaba la simulacin de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones en el material difusin, la cual posee un comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de trazado de rayos para la generacin de imgenes sintticas. Los primeros experimentos de simulacin se realizaron en el ao 1940en EEUU bajo el nombre de anlisis Monte Carlo. Los pioneros fueron Von Neumann y Ulam que publicaron un artculo intitulado "The MonteCarlomethod" en 1949. El mtodo en si ya era conocido en estadstica, disciplina donde muchosproblemas se resuelven utilizando muestras aleatorias (de hecho, aplicando este mtodo). Entonces podemos definir el mtodo MonteCarlo como el mtodonumrico de simulacin que permite resolver problemas matemticos mediante la simulacin de variables aleatorias. Propiedades y caractersticas importantes del M.M.C. 1) Algoritmo de estructura muy sencilla. Como regla se elabora primero un programa para la realizacin de una prueba aleatoria (una muestra, por ejemplo: escoger un punto aleatorio en una superficie, y comprobar si ese punto pertenece o no a una figura de la superficie). Esta prueba se repite N veces de modo que cada experimento sea independiente de los restantes, y se toma la media de todos los resultados de los experimentos. 2) El error del valor obtenido como regla proporcional. El error del valor obtenido es como regla proporcional a la magnitud s2/N siendo s2 la varianza (constante) y N el nmero de pruebas. De esta forma, para disminuir el error 10 veces deberemos aumentar N (volumen de trabajo) 100 veces. Es de notar que es imposible alcanzar una elevada exactitud, por eso elMtodo Monte Carlo resulta especialmente eficaz en la solucin deproblemas en los que se necesita conocer los resultados con unaexactitud del 5 al 10% (intervalo de confianza 95%, 97,5%). La exactitudde los resultados se pueden mejorar con tcnicas de reduccin devarianza, sin tener que aumentar el volumen de trabajo (N). Un mismo problema puede ser resuelto utilizando distintas variantes delmtodo, es decir mediante la simulacin de distintas variables aleatorias.

Aplicaciones El mtodo es aplicable en situaciones de diversa ndole: Problemas aleatorios diversos, orientados a eventos o no. Se resuelven creando un modelo probabilstico artificial, que cumpla con las leyes de probabilidad que se dan en el sistema real. Ejemplos: estudio de la demanda de energa elctrica en un cierto perodo: depende de factores puramente aleatorios, como el clima Juegos de azar Estudio de la cantidad de barcos llegados a un puerto por da b) Problemas matemticos determinsticos. Cuando los problemas determinsticos son imposibles de resolveranalticamente o muy co mplicados se puede llegar a una solucinaproximada mediante el uso de un modelo artificial cuyas funciones de distribucin y densidad satisfagan las relaciones funcionales del problema determinstico. Ejemplos: clculo de integrales mltiples ecuaciones diferenciales de orden mayor que dos Por ello se puede hablar del MMC como un mtodo universal de resolucin de problemas matemticos. Solucin de problemas Utilicemos el mtodo para calcular el rea de un cuadrado de lado <1.Planteamos un experimento aleatorio tal que colocamos una tabla como en la figura

y hacemos que alguien con los ojos vendados tire dardos a la tabla.Los dardos van a perforar la tabla en N puntos aleatorios. Cmopodemos estimar el rea del cuadrado S a partir de esos puntos? Nos fijamos cuntos puntos estn dentro de S (sean N'); supongamos que N'=5, siendo N=40. Entonces la estimacin del rea de S est dadapor N'/N=5/40=1/8=0,125, siendo el valor exacto en este dibujo0,3*0,3=0,09.

Ntese que el rea buscada cumple la relacin N'/N (independiente de la forma del rea incgnita) y que cuanto mayor sea N ms nos vamos a acercar a la relacin S/1. Para que este mtodo de calcular el rea tenga validez, los puntos aleatorios deben estar distribuidos en forma uniforme en la superficie total, y deben ser obtenidos en forma independiente. Clculo de Veremos, a modo de ejemplo, como calcular una aproximacin del valor, mediante el mtodo MonteCarlo (este problema tiene solucioneseficientes en forma analtica o numrica). 1) Tomamos un crculo de radio 1 centrado en el origen, sabemos que el rea del cuarto de crculo inscrito en el ortante positivo es /4. 2) Sorteamos puntos en el ortante positivo de lado 1 y lo hacemos obteniendo dos valores, uno para x (abscisa) y otro para y (ordenada) cada vez, obteniendo un punto (x,y). 3) Contamos cuantos puntos de los sorteados caen dentro del rea del cuarto de crculo (In) y cuntos fuera (Out), sabiendo que si x2+y2>1 el punto est fuera, y si no dentro. 4) El valor estimado del rea que queremos hallar es In/(In+Out), y esevalor ser aproximadamente el de /4, por lo que p seraproximadamente igual a 4* In/(In+Out) (en este caso, N=In+Out).