Академический Документы
Профессиональный Документы
Культура Документы
Unidad II
Simulacion
Unidad II
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
Simulacion
Unidad II
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.
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.
Simulacion
Unidad II
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
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:
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
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 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
Simulacion
Unidad II
, 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.
Simulacion
Unidad II
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:
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):
Simulacion
Unidad II
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.
Simulacion
Unidad II