Simulacion

Unidad II

2.1 Generacin de nmeros pseudoaleatorios

Se llama nmeros pseudoaleatorios a una sucesin determinstica de nmeros en el
intervalo [0,1] que tiene las mismas propiedades estadsticas que una sucesin de
nmeros aleatorios. Una forma general de 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 por que 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 el 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 produce secuencias de nmeros
que siguen una distribucin de probabilidad especifica y tienen la apariencia de
aleatoriedad.
La referencia a secuencias de nmeros aleatorios significa que el 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 subsecuencias 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:

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

Nmeros aleatorios enteros. Es una observacin aleatoria de una distribucin uniforme

discretizada en el intervalo n, n+1
Por 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

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

METODOS DE GENERACION DE NUMEROS ALEATORIOS

Mtodos congruenciales para generar nmeros aleatorios.

Se cuenta con varios generadores de nmeros aleatorios, de los cuales los ms populares
son los mtodos congruenciales (aditivo, multiplicativo y mixto).
El mtodo congruencial mixto genera una sucesin de nmeros aleatorios enteros en un
intervalo de 0 a m-1. ste mtodo siempre calcula el siguiente nmero a partir del ltimo
que obtuvo, dado un nmero aleatorio inicial Xo, llamado semilla. En particular, calcula el
(n + 1)-simo nmero aleatorio Xn+1 a partir del n-simo nmero aleatorio Xn con la
relacin de recurrencia.

Donde a, c y m son enteros positivos (a < m, c < m). sta notacin matemtica significa
que Xn+1 son 0, 1, , M-1, de manera que m representa el nmero deseado de valores
diferentes que se puede generar como nmeros aleatorios.
A manera de ilustracin, suponga que m=8, a=5, c=7 y Xo=4. En la siguiente tabla se
calcul la sucesin de nmeros aleatorios que se tuvo (esta sucesin no puede continuar,
puesto que solo se repetiran los nmeros en el mismo orden). Obsrvese que sta
sucesin incluye los ocho nmeros posibles una sola vez. sta propiedad es necesaria para
una sucesin de nmeros aleatorios enteros, pero no ocurre con algunos valores de a y c.

La cantidad de nmeros consecutivos en una sucesin antes de que se repita se conoce

como longitud de ciclo. En consecuencia, la longitud de ciclo en el ejemplo es 8. La
Instituto Tecnologico De Pachuca

Simulacion

Unidad II

longitud de ciclo mxima es m, de manera que slo los valores de a y c considerados son
los que conducen a una longitud de ciclo mxima.

En la siguiente tabla, se ilustra la conversin de nmeros aleatorios en nmeros aleatorios

uniformes. La columna de la izquierda proporciona los nmeros aleatorios enteros que se
obtuvo en la ltima columna de la tabla anterior. La ltima columna proporciona los
nmeros aleatorios uniformes correspondientes a partir de la frmula
Nmero aleatorio uniforme = Nmero aleatorio entero +
m

El mtodo congruencial multiplicativo corresponde al caso especial del mtodo

congruencial mixto en el que c =0. El mtodo congruencial aditivo tambin es parecido,
pero establece a =1 y sustituye a c por algn nmero aleatorio anterior a Xn en la
sucesin , por ejemplo, Xn-1 (as requiere ms de una semilla para iniciar el clculo de la
sucesin).
El mtodo congruencial mixto proporciona una gran flexibilidad para elegir un generador
de nmeros aleatorios en particular (una combinacin especfica de a, c y m). Sin
embargo, se requiere tener mucho cuidado al seleccionar el generador de nmeros
aleatorios porque la mayora de las combinaciones de valores a, c y m conducen a
propiedades indeseables (por ejemplo, una longitud de ciclo menor a m).

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

2.2 Pruebas estadsticas de aleatoriedad

Las propiedades estadsticas que deben poseer los nmeros pseudoaleatorios
generados por los mtodos congruenciales tiene que ver con independencia y
aleatoriedad estadsticas.
La prueba de la frecuencia se usa para comprobar la uniformidad de una sucesin de N
nmeros pseudoaleatorios. Para cada conjunto de N nmeros pseudoaleatorios
, se divide el intervalo unitario (0,1) en x subintervalos iguales; el nmero
esperado de nmeros pseudoaleatorios que se encontrarn en cada subintervalo es
N/x. Si fj
(j=1, 2...x) denota el nmero que realmente se tiene de nmeros
pseudoaleatorios ri (i=1,2,...N) en el subintervalo (j-1)/ x ri < j/x entonces el estadstico:

tiene aproximadamente una distribucin

con x-1 g.l

La hiptesis de que los nmeros pseudoaleatorios en el de conjunto de N nmeros

pseudoaleatorios, son verdaderos nmeros pseudoaleatorios, debe rechazarse si
con x-1 g.l. excede su valor critico fijado por el nivel de significancia deseado.

Prueba de Medios
Consiste en verificar que los nmeros generados tengan una media estadsticamente igual
a 1/2, de este modo la hiptesis planteada es:

Paso 1

Paso 2

Calcular la media de los n nmeros generados

Calcular los lmites superior e inferior de aceptacin

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

Paso 3
Si el valor
se encuentra entre li y ls, aceptamos que los nmeros tienen una
media estadsticamente igual a con un nivel de aceptacin 1-.
Prueba De Varianza
Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 0.083, de
tal forma que la hiptesis queda expresada como:

Paso 1. Calcular la variancia de los n nmeros generados V(x).

Paso 2. Calcular los lmites superior e inferior de aceptacin.

Paso 3. Si V(x) se encuentra entre los valores de

y
, aceptamos la hiptesis nula y
los nmeros aleatorios tiene una variancia estadsticamente igual a 1/12.

Prueba De Poker
Las pruebas de independencia consisten en demostrar que los nmeros generados
son estadsticamente independientes entre s, esto es, que no depende uno de otro.
Hay varios mtodos, entre los cuales estn:
La prueba de Poker
Instituto Tecnologico De Pachuca

Simulacion

Unidad II

La prueba de corridas arriba y abajo

La prueba de corridas arriba debajo de la media
La prueba de la longitud de las corridas
La prueba de series

La prueba de poker plantea la siguiente hiptesis:

Paso 1. Calcular las probabilidades esperadas para un juego de poker con 5 cartas
numeradas del 0 al 9 con reemplazos. Se tienen 7 eventos con las siguientes
probabilidades:

Paso 2. Calcular la frecuencia esperada de cada uno de los eventos multiplicando la

probabilidad de cada evento por la cantidad de nmeros aleatorios generados.
Paso 3. Para cada nmero aleatorio generado verificar si es Pachuca, 1 par, 2
pares,
etc., tomando los primeros 5 dgitos a la derecha del punto decimal. Con estos resultados
se genera una tabla de frecuencias observadas de cada uno de los eventos.
Paso 4. Calcular la estadstica:

Paso 5. Si el valor de
no excede al estadstico de tablas
con 6 g.l. y una
probabilidad de rechazo alfa =, entonces se acepta que los datos son
estadsticamente independientes entre s.

Prueba De Series

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

Paso 1 Crear un histograma de dos dimensiones con m intervalos, clasificando cada

pareja de nmeros consecutivos (ri, ri + 1) dentro de las casillas de dicho
histograma de frecuencias. El nmero total de pares ordenados en cada casilla
formar la frecuencia observada: Foi.
Paso 2 Calcular la frecuencia esperada en cada casilla FE de acuerdo con FE=nm/m
donde nm. es el nmero total de parejas ordenadas.
Paso 3 Calcular el error

, con la ecuacin:

Paso 4 Si el valor de
es menor o igual al estadstico de tablas
con m-1 grados de
libertad y una probabilidad de rechazo , entonces aceptamos que estadsticamente los
nmeros son independientes.

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

2.3 Mtodo Montecarlo

El mtodo de Monte Carlo es un mtodo no determinstico o 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 nmeros
aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la
computadora.
El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene del
trabajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial
en los lamos. Este trabajo conllevaba la simulacin de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones en el material de fusin, 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 1940 en EEUU bajo el
nombre de anlisis MonteCarlo. Los pioneros fueron Von Neumann y Ulam que publicaron
un artculo intitulado "The MonteCarlo method" en 1949.
El mtodo en si ya era conocido en estadstica, disciplina donde muchos problemas se
resuelven utilizando muestras aleatorias (de hecho, aplicando este mtodo).
Entonces podemos definir el mtodo MonteCarlo como el mtodo numrico 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 s 2 / 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.

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

Es de notar que es imposible alcanzar una elevada exactitud, por eso el Mtodo Monte
Carlo resulta especialmente eficaz en la solucin de problemas en los que se necesita
conocer los resultados con una exactitud del 5 al 10% (intervalo de confianza 95%, 97,5%).
La exactitud de los resultados se puede mejorar con tcnicas de reduccin de varianza, sin
tener que aumentar el volumen de trabajo (N).
Un mismo problema puede ser resuelto utilizando distintas variantes del mtodo, es decir
mediante la simulacin de distintas variables aleatorias.
El mtodo es aplicable en situaciones de diversa ndole:
a) 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 resolver analticamente o muy
complicados se puede llegar a una solucin aproximada 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.
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:

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

y hacemos que alguien con los ojos vendados tire dardos a la tabla.
Los dardos van a perforar la tabla en N puntos aleatorios. Cmo podemos 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 dada por N'/N=5/40=1/8=0,125, siendo el
valor exacto en este dibujo 0,3*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 soluciones eficientes 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 ese valor ser
aproximadamente el de /4, por lo que p ser aproximadamente igual a 4* In/(In+Out)
(en este caso, N=In+Out).
Esta forma de calcular es relativamente lenta y poco precisa, pero muestra la forma de
utilizar MonteCarlo, que en el caso de otras constantes es el nico mtodo disponible.
Justificacin terica
Sea X una v.a. con esperanza E(X) = m y varianza Var(X) = s. Tomo una sucesin de n v.a.
Xi independientes y con igual distribucin , siendo E(Xi) = m y Var(Xi) = s.
Por el teorema Central del Lmite la v.a. Z = X1 + X2 + X3 + .... + Xn se aproxima (y es
asintticamente igual) a una v.a. con distribucin normal N(nm, ns).
Aplicando la "regla de las 3s", tenemos que para una v.a. Y de distribucin N(a, s):

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

siendo fY(t) la funcin de densidad de la v.a. Y, por lo que

Aplicando esto a la V.A. Z tenemos

Lo que significa que podemos estimar m , es decir la esperanza o valor medio de la v.a. X,
calculando el promedio de las distintas muestras obtenidas:
,
sabiendo que con probabilidad muy cercana a 1, el error de este promedio est acotado
por la cifra 3s/ N. Esto sugiere que para que el mtodo tenga un buen resultado N debe
ser grande y s pequea, por lo que es importante saber cual es el valor de la varianza
obtenida, con ello sabemos cul es la dispersin de las muestras obtenidas.
La varianza s2 se estima con el siguiente clculo:

Se debe tener especial cuidado en que todas las N corridas sean independientes entre s,
para asegurar que los valores Xi son muestras de v.a. independientes y que por lo tanto
estamos dentro de las hiptesis del teorema central del lmite.

Instituto Tecnologico De Pachuca

Simulacion

Unidad II

Instituto Tecnologico De Pachuca