NOMBRE JUAN MANUEL CHOQUE GARCIA

Nº DE GRUPO 5

FECHA 22 /05/2018

ASIGNATURA MODELO Y SIMULACIÓN

TITULO NÚMEROS ALEATORIOS

TIPO DE DOCUMENTO PREINFORME DE LABORATORIO Nº3

NÚMEROS ALEATORIOS

1 ANTECEDENTES

Los procesos estocásticos trabajan en base a la variable aleatoria.

Es interesante estudiar la variable aleatoria, no hay nada aleatorio, lo aleatorio para

ingeniería no existe, todo debería estar controlado por lo tanto se debe cambiar a
predecible y lo impredecible es el concepto positivo de lo aleatorio, no se puede hablar
de lo aleatorio porque no existe por esa razón se habla de lo predecible e impredecible.
No hay nada más complejo que la realidad y los números aleatorios hacen que nos
aproximemos a la realidad.

2 OBJETIVO

Generar un número pseudoaleatorio para el uso en procesos estocásticos empleando

técnicas matemáticas implementadas mediante un lenguaje de programación.

3 MARCO TEÓRICO

3.1 NÚMEROS ALEATORIOS

Un número aleatorio es aquel obtenido al azar, es decir, que todo número tenga la
misma probabilidad de ser elegido y que la elección de uno no dependa de la elección
del otro. El ejemplo clásico más utilizado para generarlos es el lanzamiento repetitivo
de una moneda o dado ideal no trucado.

1
Los números aleatorios permiten a los modelos matemáticos representar la realidad.

En general cuando se requiere una impredecibilidad en unos determinados datos, se

utilizan números aleatorios

Los seres humanos vivimos en un medio aleatorio y nuestro comportamiento lo es

también. Si deseamos predecir el comportamiento de un material, de un fenómeno
climatológico o de un grupo humano podemos inferir a partir de datos estadísticos.
Para lograr una mejor aproximación a la realidad nuestra herramienta predictiva debe
funcionar de manera similar: aleatoriamente. De esa necesidad surgieron los modelos
de simulación.

En la vida cotidiana se utilizan números aleatorios en situaciones tan dispares como

pueden ser los juegos de azar, en el diseño de la caída de los copos de nieve, en una
animación por ordenador, en tests para localización de errores en chips, en la
transmisión de datos desde un satélite o en las finanzas.

3.2 GENERAR NÚMEROS ALEATORIOS.

La lógica nos hace pensar que las personas somos generadores aleatorios
imperfectos, hay estudios que demuestran que existen tendencias claras en los
humanos para la elaboración de secuencias sesgadas y están relacionadas con
características personales, con los conocimientos o informaciones previas o con la
edad

Podemos aprovecharnos de situaciones reales para obtener una tabla de números

aleatorios, como la lista de los números de Lotería Nacional premiados a lo largo de
su historia, pues se caracterizan por que cada dígito tiene la misma probabilidad de
ser elegido, y su elección es independiente de las demás extracciones.

Métodos manuales, lanzamiento de monedas, lanzamientos de dados, dispositivos

mecánicos, dispositivos electrónicos

2
Métodos de computación analógica, son métodos que dependen de ciertos procesos
físicos aleatorios, por ejemplo, el comportamiento de una corriente eléctrica.

Métodos de computación digital, cuando se usa el ordenador digital.

Tablas de bibliotecas, son números aleatorios que se han publicado; de los cuales
podemos encontrar listas en los libros de probabilidad y tablas de matemáticas. Estos
números fueron generados por alguno de los métodos de computación analógica.

3.3 NÚMEROS PSEUDOALEATORIOS

Son unos números generados por medio de una función (determinista, no aleatoria) y
que aparentan ser aleatorios. Estos números pseudoaleatorios se generan a partir de
un valor inicial aplicando iterativamente la función. La sucesión de números
pseudoaleatorios es sometida a diversos tests para medir hasta qué punto se asemeja
a una sucesión aleatoria.

3.4 ¿POR QUÉ HAY QUE RECURRIR A LOS NÚMEROS PSEUDOALEATORIOS?

Fundamentalmente porque las sucesiones de números pseudoaleatorios son más

rápidas de generar que las de números aleatorios. Si las personas tenemos dificultad
en generar números aleatorios, mucho más la tiene un ordenador, la dificultad está en
que un ordenador es tan "torpe" que no sabe generarlos. Por eso usan números
pseudoaleatorios, que para nuestro fin es lo mismo, pues nadie los puede predecir.

4 MARCO PRÁCTICO

- Los números aleatorios uniformes

La mayoría de los métodos para la generación de variables aleatorias inician con

números aleatorios que están distribuidos uniformemente en un intervalo (0,1). En este
taller, vamos a denotar dichas variables aleatorias por la letra U. Tengamos en cuenta
que actualmente con el avance de los computadores, ahora tenemos la capacidad de
generar variables aleatorias uniformes con mucha facilidad. Sin embargo, hay que
advertir que los números generados por los computadores son realmente pseudo-
aleatorios, pues se generan mediante un algoritmo determinista.

3
Las técnicas utilizadas para generar variables aleatorias uniformes han sido
ampliamente estudiadas, y se ha demostrado que algunos generadores tienen
defectos graves.

Como vimos en el laboratorio anterior, el programa de MATLAB básico tiene una

función rand para la generación de variables aleatorias uniformes. Hay varios
argumentos opcionales, trabajaremos un poco en ellos porque pueden ser útiles en la
simulación. La función rand sin argumentos devuelve una única instancia de la variable
aleatoria U. Para obtener un arreglo de variables aleatorias uniforme m × n, puede usar
la sintaxis rand (m, n). Recuerde que si utiliza rand (n), entonces se obtiene una matriz
n × n. La secuencia de números aleatorios que se genera en MATLAB depende de la
semilla o el estado del generador. El estado se restablece al valor predeterminado
cuando se inicia, por lo que las mismas secuencias de variables aleatorias se generan
cada vez que se inicia MATLAB.

Esto a veces puede ser una ventaja en situaciones donde nos gustaría obtener una
muestra aleatoria específica, como se muestra en el siguiente ejemplo.

Si usted llama a la función utilizando rand (‘state’, 0), entonces MATLAB restablece el
generador a su estado inicial. Si desea especificar otro estado, entonces utilice la
sintaxis de rand ('state', j) para establecer el generador en el j-estado. Usted puede
obtener el estado actual utilizando la sentencia S = rand ('state'), donde S es un vector
de 35 elementos. Para restablecer el estado a éste, utilice rand('state', S).

Cabe señalar que los números aleatorios que se distribuyen uniformemente en un

intervalo de

A a B pueden ser generados por una simple transformación, como la siguiente:

X=(b-a).U+a

-Método de la transformada inversa

El método de la transformada inversa puede ser usado para generar variables

aleatorias de una distribución continua. Se utiliza el hecho de que la función acumulada

4
distribución F es uniforme entre (0,1). U = F(X ). Si U es una variable aleatoria uniforme
(0,1), entonces se puede obtener la variable aleatoria deseada X de la siguiente
relación: ( ). 1 X F U − = Veamos primero un ejemplo de cómo utilizar el método de la
transformada inversa cuando hablamos de la generación de variables aleatorias de la
distribución exponencial El procedimiento general para el método de transformación
inversa es el siguiente: PROCEDIMIENTO – Método de la transformada inversa
(continua)

1. Deducir la expresión de la función de distribución inversa ( ) 1 X F U − = .

2. Generar un número aleatorio uniforme U.
3. Obtener la X deseada de ( ) 1 X F U
El método de al transformada inversa puede ser usado para generar variables
aleatorias de una distribución exponencial y sirve como un ejemplo de este
procedimiento.
La función de distribución para una variable aleatoria exponencial con el parámetro λ
está dada por:

Dejando:

El siguiente código de MATLAB genera variables aleatorias exponenciales para un λ

dado.
-La distribución beta
Es útil en simulaciones, ya que abarca un amplio rango de formas de distribución,
dependiendo de los valores de los parámetros α y β
Estas formas incluyen distribuciones sesgadas, uniformes y aproximadamente
normales.
En primer lugar, se describirá un método sencillo para la generación de variables
aleatorias beta con parámetros α y β , cuando ambos son números enteros [Rubinstein,
1981; Gentle,1998]. Se sabe [David, 1981] que la estadística de orden K o de uniforme
N (0,1) variables se distribuye de acuerdo a una distribución beta con K parámetros
yn−k +1 .Esto significa que podemos generar variables aleatorias de distribución beta
mediante el procedimiento siguiente.

5
PROCEDIMIENTO - BETA variables aleatorias (INTEGER PARÁMETROS)
1. Generar α +β +1 números aleatorios uniformes:
2. Deliver, que es el estadístico º orden
Tenga en cuenta que esta densidad se ve aproximadamente en forma de campana.
La densidad de beta de la derecha tiene los parámetros de Y vemos que esta curva
tiene un baño en el centro con los modos en cada extremo. Se pide al lector para la
construcción de esta parcela en los ejercicios.

5 APLICACIÓN

5.1 PROGRAMA EN MATLAB

5.1.1 Los números aleatorios uniformes

% Obtiene un vector de variables aleatorias uniformes en

(0,1).

x = rand(1,1000);

% Hacer un histograma.

% Primero obtenemos el alto de las barras.

[N,X]=hist(x,15);

%Se usa la función bar para dibujar.

bar(X,N,1,'w')

title('HISTOGRAMA DE VARIABLES ALEATORIAS UNIFORMES')

xlabel('X')

ylabel('FRECUENCIA')

% Genera 3 muestras aleatorias de tamaño 5.

x=zeros(3,5); % almacenar

for i=1:3

rand('state',i) % cambia el estado

x(i,:)=rand(1,5);

6
end

%Establecer un estado anterior.

rand('state',2)

xt = rand(1,5); %Compare x con xt

5.1.2 Método de la transformada inversa

% Example 2.2

% Establecer los parámetros.

lam = 2;

n = 1000;

% Genera las variables aleatorias.

uni = rand(1,n);

X = -log(uni)/lam;% .

x=0:.1:5;

% Esta es una función del Statistics Toolbox.

y=exppdf(x,1/2);

% Obtenemos la información del histograma.

[N,h]=hist(X,10);

% Cambiar el ancho de la barras para hacer que corresponda con la densidad

%de probabilidad teórica -ver taller anterior, ecuación 1.

N=N/(h(2)-h(1))/n;

% Graficamos.

bar(h,N,1,'w')

hold on

plot(x,y)

hold off

xlabel('X')

7
ylabel('f(x) - Exponencial')

5.1.3 La distribución beta

close all

% Hacer a = 3, b = 3

n=500;

a=3;

b=3;

rvs = betarnd(a,b,1,n);

% Ahora el histograma.

[N,h]=hist(rvs,10);

% Cambiar el ancho de las barras.

N=N/(h(2)-h(1))/n;

% Ahora obtenemos la densidad de probabilidad teórica.

x = 0:.05:1;

y = betapdf(x,a,b);

plot(x,y)

axis equal

bar(h,N,1,'w')

hold on

plot(x,y,'k')

hold off

8
5.2 DIAGRAMA DE FLUJO

INICIA

-ESTABLECER LAS
VARIABLES
ALEATORIAS
-NUMERO DE
MUESTRAS

n= NUMERO DE
MUESTRAS

GENERAR
HISTOGRAMA

ERROR
FRECUENCIA

GENERA N
MUESTRAS
ALEATORIAS

Fin

9
6 BIBLIOGRAFÍA

- ftp://ftp.icesi.edu.co/candiaz/Taller2_Lab_Stats_Matlab.pdf
- http://www.estadisticaparatodos.es/taller/aleatorios/alea_num_excel.html
- http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2004/1/PyEC08.pdf

10