INSTITUTO TECNOLOGICO DE TAPACHULA

Alumnos: Vzquez Miranda William Samuel Rodrguez Escobar Cristian Alberto Urbina Santiz Jorge Ral Quionez Aguilar Jess Alberto Samorano Lopez Leny Fabiola Catedrtico: MILTON CARLOS HERNANDEZ RAMIREZ

Asignatura: Simulacin

Nmeros pseudoaleatorios

Semestre: 5 Carrera: Ingeniera en Sistemas Computacionales

Lugar y Fecha: Tapachula Chiapas, a 5 de noviembre de 2013

INDICE
Introduccin------------------------------------------------------------------------------------------3
2.1 Mtodos de generacin de nmeros Pseudoaleatorios------------------------------5

2.2 Pruebas estadsticas.--------------------------------------------------------------------------6

2.2.1 De uniformidad. (Chi cuadrada, kolmogorov Smimov).--------------------------------6

2.2.2 De aleatoriedad. (Corridas arriba y debajo de la media y longitud de corridas)-11

2.2.3 De independencia. (Autocorrelacin, prueba de huecos, de poquer y de Yule)-13

2.3 Mtodo de Monte Carlo----------------------------------------------------------------------20

2.3.1 Caractersticas Mtodo de Monte Carlo.-------------------------------------------------22

2.3.2 Aplicaciones Mtodo de Monte Carlo.----------------------------------------------------26

2.3.3 Solucin de problemas Mtodo de Monte Carlo.---------------------------------------27

NMEROS PSEUDOALEATORIOS.
En los experimentos de simulacin es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar entradas estocsticas (probabilsticas) para un modelo de simulacin, se debe contar con un generador de nmeros pseudoaleatorios. Con estos y mtodos de generacin de variables aleatorias, se pueden simular las entradas incontrolables para un modelo de simulacin. Inicialmente los nmeros aleatorios se generaban en forma manual o mecnica utilizando tcnicas como ruedas giratorias, lanzamientos de dados, barajas. Tambin existen mtodos aritmticos que permiten generan un gran conjunto de nmeros aleatorios, pero el advenimiento de la computadora ha permitido crear generadores que permitan generar de manera sucesiva todo los nmeros aleatorios que se requieran. Un nmero pseudoaleatorio no es ms que el valor de una variable aleatoria x que tiene una distribucin de probabilidad uniforme definida en el intervalo (0, 1). Se sabe que la funcin de densidad f(x) de una variable aleatoria x con una distribucin de probabilidad uniforme en el intervalo [a, b] es:

La funcin acumulativa F(x), que representa la probabilidad de que las variable aleatoria x sea menor o igual a un valor especfico de x est dada por:

La figura 6, muestra la funcin de densidad y acumulativa para dicha variable aleatoria.

El valor esperado y la varianza de una distribucin de probabilidad uniforme son respectivamente.

Al definir la funcin de densidad de la distribucin de probabilidad uniforme en el intervalo [0, 1], una variable aleatoria R tendra una funcin de densidad f(R) y una funcin acumulada F(R), dadas por:

Los valores de la media y la varianza, estn dados por:

La variable aleatoria R es continua y debe ser estadsticamente independiente. Finalmente para que para que un conjunto de nmeros sean considerados aleatorios deben cumplir las siguientes caractersticas: Deben estar uniformemente distribuidos. Deben ser estadsticamente independientes. Su media debe ser estadsticamente igual a . Su varianza debe ser estadsticamente igual a 1/12. Deben ser reproducibles. Propiedades de los nmeros pseudoaleatorios. Es deseable que los nmeros pseudoaleatorios uniformes posean las siguientes caractersticas: 1. Uniformemente distribuidos. 2. 3. 4. 5. Estadsticamente independientes. Reproducibles. Periodo largo. Generados mediante un mtodo rpido.

6. Generados mediante un mtodo que no requiera mucha capacidad de almacenamiento de la computadora.

2.1. MTODOS PSEUDOALEATORIOS.

PARA

GENERAR

NMEROS

Mtodos Manuales: son los mtodos ms simples y lentos, ejemplo de estos mtodos son lanzamientos de monedas, dados, cartas y ruletas. Los nmeros producidos por estos mtodos cumplen las condiciones estadsticas mencionadas anteriormente, pero es imposible reproducir una secuencia generadas por estos mtodos.
5

Tablas de nmeros aleatorios: estos nmeros se pueden generar por medio de una hoja de clculo o por cualquier generador de cualquier lenguaje de programacin razn por la cual su comportamiento es totalmente determinstico. Mediante el computador digital: existen tres mtodos para producir aleatorios mediante un computador: Provisin externa. Generacin interna a travs de un proceso fsico aleatorio. Generacin por medio de una regla de recurrencia. Mtodos aritmticos para generar nmeros pseudoaleatorios. Mtodos de Cuadrados Medios: el procedimiento de obtencin de pseudoaleatorios con este tipo de generador es el siguiente: Se define una semilla. Se eleva la semilla al cuadrado. Dependiendo de la cantidad de dgitos que se desea tenga el nmero pseudoaleatorio, se toman de la parte central del nmero resultante en el paso anterior el nmero de dgitos requeridos. Si no es posible determinar la parte central, se completa el nmero agregando ceros al principio o al final. nmeros nmeros

2.2 PRUEBAS ESTADSTICAS.

Los nmeros pseudoaleatorios producidos mediante un programa de computadora no son aleatorios debido a que tales nmeros estn completamente determinados por los datos inciales y tienen una precisin limitada. Sin embargo, en la medida en que esos nmeros pseudoaleatorios pasen determinadas pruebas estadsticas, pueden considerrseles como verdaderos nmeros aleatorios. Las siguientes pruebas son de las ms usadas para la comprobacin de la aleatoriedad. 2.2.1 DE UNIFORMIDAD (CHI CUADRADA, KOLMOGOROV-SNIMOV) CHI-CUADRADA La prueba Chi-Cuadrada en lugar de medir la diferencia de cada punto entre la muestra y la desviacin verdadera, checa la desviacin del valor esperado.

Donde n es el nmero de intervalos de clase (ejemplo: Oi es el nmero observado en la clase iva, y Ei es el nmero esperado en cada clase iva, y n es el nmero de clases. Para una distribucin uniforme, E i el nmero en cada clase est dado por;

Para clases igualmente espaciadas, donde N es el nmero total de observaciones. Puede ser mostrado que la distribucin de la muestra Chi-Cuadrada esta aproximadamente a la distribucin Chi-Cuadrada con n-1 grados de libertad. Ejemplo: Use la prueba Chi-Cuadrada con =0.05 para probar si los datos dados a continuacin en la tabla 1 estn uniformemente distribuidos.

Haciendo 10 intervalos de 0 a 1 con incrementos de .1 (de igual longitud) tenemos la tabla siguiente:

El valor de X2 en el apndice de tablas es X2 calculada=3.4. Esto comparado con el valor crtico X2 0.05,9=16.9. Debido a que X2 calculada < que el valor de X2 0.05,9 de la tabla, la hiptesis Nula de que no existe diferencia entre la distribucin de la muestra y la distribucin uniforme se Acepta. SMIRNOV-KOLMOGOROV Esta es otra prueba de bondad y ajuste. Surgi en 1939. Kolmogorov y Smirnov supusieron que la distribucin de probabilidad que se encontraba a prueba era continua y que se conoca la media y la varianza de la poblacin. La prueba se emplea para probar el grado de concordancia entre la distribucin de datos empricos de la muestra y alguna distribucin terica especfica.

Esta prueba sirve para verificar o negar la hiptesis que un conjunto de observaciones provienen de una distribucin. La estadstica D que se utiliza en esta prueba es una medida de la diferencia mxima observada entre la distribucin emprica y la terica supuesta. D es una variable aleatoria. Se utiliza esta prueba para verificar o negar que un conjunto de nmeros pseudoaleatorios tienen una distribucin uniforme en el intervalo cerrado [0,1]. Estos tests son de tipo no paramtrico para diferencias entre dos distribuciones totales o acumulativas. El test un-muestral se refiere a la concordancia entre una distribucin acumulativa observada de valores de una muestra y una funcin de distribucin continua especificada; es decir, se trata de una prueba de bondad de ajuste. Para muestras pequeas, debe usar Kolmogorov-Smirnov o cuando tenemos que combinar clases adyacentes a fin de usar la (ji-cuadrada). Para muestras grandes, la prueba chi cuadrado es poderosa (n>=100) la seleccin del nmero de clases es importante, ya que esta determina los grados de libertad de la prueba, y mientras ms grados de libertad puede usar uno, ms discriminadora ser la prueba. El estadstico de prueba est dado por la diferencia existente entre la frecuencia observada relativa y la frecuencia esperada relativa: Estadstico de prueba = Valor absoluto (Frecuencia acumulada observadaFrecuencia acumulada terica) Estadstico de prueba = Valor absoluto (Fn(x)-Fo(x)) PROCEDIMIENTO. 1. Formular la hiptesis nula, H0. Teniendo en cuenta que los nmeros que se van a generar provienen de una distribucin uniforme. 2. Se selecciona una muestra de tamao n de nmeros pseudoaleatorios n. 3. Se hallan los parmetros de acuerdo a la distribucin que se est utilizando y dems datos que sirvan de base para la realizacin de la prueba. Ej.: para el caso de una distribucin normal se deben hallar los parmetros respectivos (Media, desviacin estndar) y otros datos de utilidad. 4. Se debe calcular la funcin de distribucin acumulada para despus hallar las frecuencias respectivas. 5. Antes de poder hallar el estadstico de prueba se debe hallar la frecuencia observada y la frecuencia relativa de cada uno de los intervalos establecidos de acuerdo al rango.
9

6. Se aplica la ecuacin D= Frecuencia observada relativa-Frecuencia esperada relativa para hallar la discrepancia de las mismas o error estadstico. 7. Posteriormente, se halla el estimador Smirnov-Kolmogorov que es: Valor mximo entre todos los valores hallados para cada intervalo. En Excel sera =Mx. [Frecuencia observada relativa-Frecuencia esperada relativa]. 8. Se hallan tambin los grados de libertad de acuerdo a la distribucin estadstica utilizada. A su vez se establece un nivel de significancia de acuerdo al planteamiento. 9. Con base a lo anterior se consulta la tabla de lmites de aceptacin para la prueba de Kolmogorov-Smirnov para un tamao de muestra n y un determinado nivel de riesgo alfa, Si el estimador de la prueba es menor al valor buscado en la tabla se acepta H0 o hiptesis nula, en caso contrario se rechaza. Ejemplo: En este ejemplo se usa la prueba KS para examinar bajo un nivel de significancia de a=0.05 si un conjunto de datos representa nmeros aleatorios (por ejemplo esta la distribucin uniforme entre 0 y 1). Suponga que cinco datos son dados: 0.53, 0.35, 0.03, 0.94, y 0.22 Solucin. Para la distribucin Uniforme la fdp es F(x)= 1/(b-a) axb Para este caso particular a=0 y b=1. Por lo tanto F(x)=x. Ahora se ordenan los valores en forma ascendente y se realizan los clculos relativos. La tabla siguiente resume los clculos realizados:

De acuerdo a los clculos, D = Max (0.27, 0.14) = 0.27. El valor crtico de KS de la tabla en el apndice de tablas para un tamao de 5 y un nivel de significancia de 0.05 es 0.565. Debido a que D es menor que este valor crtico, la hiptesis de que los datos dados pertenecen a una distribucin Uniforme es aceptada.

10

2.2.2 PRUEBAS ESTADSTICAS DE ALEATORIEDAD. (CORRIDAS ARRIBA Y DEBAJO DE LA MEDIA Y LONGITUD DE CORRIDAS). PRUEBA DE LAS CORRIDAS: Existen dos versiones de la prueba de las corridas: la prueba de corridas arriba y abajo del promedio y la prueba de corridas arriba y abajo. Prueba de corridas arriba y abajo del promedio: La prueba de corridas arriba y abajo del promedio es un caso ligeramente modificado de la prueba de la distancia en la cual =0 y =0.5. En esta versin de la prueba de las corridas, una secuencia de nmeros pseudoaleatorios U 1,Un es generada. En seguida una secuencia binaria es obtenida, en la cual el i th trmino es 0 si UI < 0.5 y 1 si UI>0.5. Una vez obtenida la secuencia binaria, el siguiente paso es determinar la cantidad de veces que una misma longitud de corrida se repite (frecuencia observada de la corrida de longitud i). Una sucesin de i ceros (unos), enmarcada por unos (ceros) en los extremos representa una corrida de longitud i. El nmero total esperado de corridas y el nmero esperado para cada tamao de corrida, se obtienen las siguientes expresiones: E (total de corridas) = N+1/2 FEi = (N-i+3)/2i+1 Estas frecuencias esperadas son comparadas con las observadas a travs de una distribucin chi-cuadrada y una decisin sobre la aleatoriedad de los nmeros pseudoaleatorios generados es tomada.

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
11

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.

12

2.2.3 PRUEBAS ESTADSTICAS DE INDEPENDENCIA. (AUTOCORRELACIN, PRUEBA DE HUECOS, PRUEBA DEL PQUER, PRUEBA DE YULE). PRUEBA DE AUTOCORRELACIN Correlacin es la relacin recproca entre dos o ms cosas (elementos). A veces un grupo de nmeros generados pueden parecer aleatorios, pero existe una relacin entre cada cierto nmero de ellos a partir de alguno especfico. Amplitud de autocorrelacin: Es la distancia que existe entre los nmeros de la lista que tiene la relacin entre s. Se da cada n-simo nmero aleatorio e inicia en el elemento i. Esta prueba se aplica con la suposicin de los nmeros aleatorios tiene una distribucin uniforme e independiente sobre el intervalo de 1 a 0. Conceptos y parmetros que usamos en auto correlacin Para analizar la correlacin general para todos los pares sucesivos de nmeros aleatorios se utiliza la estadstica: Densidad de probabilidad

Dnde: N es el total de nmeros en toda la serie; Tamao de la muestra. i es el primer nmero donde empieza la amplitud de autocorrelacin. m es la amplitud de la autocorrelacin. M es el entero mayor tal que i+ (M+1)*m<N Este valor, se obtiene de acuerdo a los valores dados cuidando que se cumpla la condicin. Es un parmetro de la frmula:

Cumplindose la condicin: i + ( M + 1 ) m < M

13

Desviacin estndar de la autocorrelacin

La estadstica para determinar la significancia de la autocorrelacin para la secuencia propuesta de M+1 nmeros es:

Z significancia de la autocorrelacin que tiene una distribucin Normal, con media cero y una varianza de uno, bajo la suposicin de independencia. Nivel de significancia Si se define el nivel de significancia por medio de a y Z 1 - a /2 el valor de Z hace que:

Para deter minar la autoc orrelacin se establecen las siguientes Hiptesis; Hiptesis Nula
14

Los nmeros aleatorios estn correlacionados (No son Aleatorios) Hiptesis Alternativa Los nmeros aleatorios No estn correlacionados (S son aleatorios) Criterio de rechazo Entonces, Y si si: Se rechaza la hiptesis de aleatoriedad.. Se acepta la hiptesis de aleatoriedad.

Ejemplo 1 Tenemos la Siguiente serie de Nmeros:

A la primera vista, estos nmeros pueden parecer aleatorios. No obstante, al examinar de cerca estos nmeros se ve que existe una relacin clara entre cada sexto nmero, a partir del segundo. Cada uno de estos nmeros vara en magnitud sucesivamente de muy grande a muy pequeo.

PRUEBAS DE HUECOS La prueba de huecos (GAP) es usada para asegurar que la recurrencia de cada dgito particular en un flujo de nmeros suceda con un intervalo aleatorio. Se pueden usar dos pruebas para comparar estos intervalos con la longitud esperada de los huecos: La prueba Chi-Cuadrada (2) y la prueba Kolmogorov Smirnov (KS) es entonces usada para comparar La prueba Kolmogorov Smirnov (KS) Para determinar si los nmeros aleatorios generados cumplen con las propiedades especificadas (uniformidad e independencia) se tendrn las hiptesis siguientes : H0 si Dcalculada < Dconfiabilidad; se aprueba que los dgitos estn ordenados aleatoriamente. H1 si Dcalculada > Dconfiabilidad; se rechaza que los dgitos estn ordenados aleatoriamente.
15

La prueba de huecos se utiliza para determinar la significancia de los intervalos entre la repeticin de cierto dgito. Si el dgito k va seguido por x dgitos distintos de k, antes de que vuelva a parecer k, se dice que existe un hueco de tamao x. Por ejemplo:

Se puede tomar cualquier nmeros aleatorio; en este caso se toma el nmero cero, el cual aparece 13 veces y por ende habr 12 huecos. El primero de longitud 2, el segundo de 19, el tercero de 8, etc. Otro ejemplo tomamos el nmero cuatro, el cual aparece 15 veces y tendr 14 huecos. El primero de longitud 16, el segundo de 12, el tercero de 5, etc. Para fines de esta prueba, nos interesa la frecuencia con la que se presentan los diversos huecos. Para una secuencia dada de dgitos, anotamos el nmero de veces que aparecen los huecos de longitudes 0, 1, 2,..... Podemos aplicar este procedimiento a un dgito simple entre 0 y 1. Despus de tomar nota de la frecuencia con que aparece cada hueco, comparemos la frecuencia acumulativa relativa (Sx) observada con la frecuencia acumulativa terica. Suponiendo que los dgitos estn ordenados aleatoriamente, la distribucin de frecuencias acumulativas relativas est dada por:

16

PRUEBA DE PQUER La prueba POKER se utiliza para analizar la frecuencia con la que se repiten los dgitos en nmeros aleatorios individuales. Para determinar si los nmeros aleatorios generados cumplen con las propiedades especificadas (uniformidad e independencia) se tendrn las hiptesis siguientes: H0 si X2 confiabilidad > (Oi Ei)2 / Ei; se aprueba que los dgitos estn ordenados al azar. H1 si X2 confiabilidad < (Oi Ei)2 / Ei; se rechaza que los dgitos estn ordenados al azar. Se utiliza para analizar la frecuencia con la que se repiten los dgitos en nmeros aleatorios individuales. Por ejemplo, si nos ocupamos de nmeros aleatorios de cinco dgitos, nos interesara la frecuencia con que ocurre lo que sigue en los nmeros individuales: 1.- Los cinco son diferentes. 2.- Hay exactamente un par. 3.- Dos pares diferentes. 4.- Tres dgitos iguales. 5.- Tres dgitos iguales y un par. 6.- Cuatro dgitos iguales. 7.- Cinco dgitos iguales. Por supuesto, el nmero de esas combinaciones que se pueden dar depende del nmero dgitos que constituyen cada uno de los nmeros aleatorios. Para aplicar la prueba del pquer: a) Escogemos primeramente un nivel de significancia, a, y enumeramos el grado de repeticin de los dgitos. b) A continuacin, calculamos la probabilidad de aparicin de cada una de esas combinaciones. c) Luego, se examina la frecuencia con que se presenta cada combinacin en la secuencia de nmeros estudiados.

17

d) Posteriormente, se puede comparar la frecuencia observada con que aparece cada combinacin con la frecuencia esperada, mediante la prueba de la ji cuadrada. Para comprobar que los datos pertenecen a una distribucin Uniforme, se debe de cumplir la condicin de que X2 Calculada < x2 a/1,g.l.. Donde x2 a/2,g.l se obtiene de la tabla de la distribucin Ji cuadrada, con un nivel de significancia y y los grados de libertad g.l. = No. de parmetros de la distribucin de probabilidad a probar menos l. (en nuestro caso estamos probando la uniformidad y la distribucin uniforme no tiene parmetros ) Como ejemplo, supngase que tenemos que aplicar la prueba de pquer a N nmeros aleatorios de cinco dgitos. Calcularemos la probabilidad de aparicin de cada una de esas combinaciones, bajo la suposicin de que los dgitos se presentan de una manera completamente aleatoria.

18

Para obtener el nmero de veces que se puede esperar cada una de esas combinaciones, se multiplica cada probabilidad por N. Por supuesto, el nmero de esas combinaciones que se pueden producir depende del nmero de dgitos que constituyen cada uno de los nmeros aleatorios.
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

19

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.

2.3 MTODO DE 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).

20

Entonces podemos definir el mtodo Montecarlo como el mtodo numrico de simulacin que permite resolver problemas matemticos mediante la simulacin de variables aleatorias.

Descripcin del mtodo de Montecarlo

Existen 5 pasos ideales a seguir para el mtodo. 1. Establecer distribuciones de probabilidad. La idea inicial es la generacin de valores para las variables que componen el modelo a efectuar. Existen una gran variabilidad de ejemplos donde se llega anotar este punto, algunos de ellos son: el tiempo de descompostura de una mquina, la demanda de un inventario sobre una base diaria o semanal, el tiempo de servicio, etc. Y una manera fcil de establecer una distribucin de probabilidad de una variable es a travs de examen histrico. La frecuencia relativa para cada resultado de una variable se encuentra al dividir la frecuencia de la observacin entre el nmero total de observaciones. 2. Construir una distribucin de probabilidad acumulada para cada variable. Aqu se tiene que convertir una distribucin de probabilidad regular a una distribucin de probabilidad acumulada. Esto quiere decir que la probabilidad acumulada para cada nivel de demanda no es ms que la suma del nmero en la columna de la probabilidad agregada a la probabilidad acumulada anterior. 3. Establecer intervalos de nmeros aleatorios. En este paso se debe asignar un conjunto de q represente a cada valor posible. Estos estn establecidos como intervalos de nmeros aleatorios que surgieron un proceso aleatorio (tomando el nmero de dgitos requeridos). 4. Generacin de nmeros aleatorios. Estos nmeros se pueden generar de dos maneras: la primera es, si se tiene un problema grande y el proceso involucra miles de ensayos, lo conveniente es utilizar algn software especializado para generarlos; la segunda, si la simulacin se tiene que hacer a mano, los nmeros se pueden seleccionar en una tabla establecida de nmeros aleatorizados. Existe una tabla para esta ltima manera.

21

En esta tabla los nmeros aleatorios se leen de arriba hacia abajo, comenzando por la esquina superior izquierda.

5. Simular el experimento. No es ms q poner en prctica la simulacin de dicho experimento, mediante varios ensayos para poder concluir correctamente, ya que al hacer pocos ensayos podramos comer errores que perjudicaran el experimento o en el peor de los casos echarlo a perder.

2.3.1 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.
22

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. 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.

23

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. 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).
24

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):

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

Aplicando esto a la V.A. Z tenemos

25

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 cul 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.

2.3.2 APLICACIONES Diseo de reactores nucleares Cromo dinmica cuntica Radioterapia contra el cncer Densidad y flujo de trfico Evolucin estelar Econometra Pronstico del ndice de la bolsa Prospecciones en explotaciones petrolferas Diseo de VLSI Fsica de materiales Ecologa Criptografa
26

Valoracin de cartera de valores Programas de ordenador Mtodos cuantitativos de organizacin industrial 2.3.3 SOLUCIN DE PROBLEMA. Ejemplo Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran emparedados. Por medio de la distribucin de probabilidad del mtodo de Montecarlo, en un periodo de 30 das.

Aplicando los pasos en la tabla. El primer paso en identificar la demanda que recibe por das. El siguiente paso es construir otra columna con la sumatoria consecutiva de cada ocurrencia de los valores.

En esta tabla se hace presente el paso 3, que trata de colocar los intervalos de los nmeros aleatorios, simplemente se colocan los nmeros empezando por el
27

01 hasta el valor de la probabilidad acumulada. Y despus se sigue con el otro valor comenzando por nmero en el que se qued. Una manera simple de ver la simulacin es mediante esta simplificacin ejemplo en un periodo de 10 das. del

Por ltimo se emplean los pasos 4 y 5 en la tabla que continua se busca un numero aleatorio en la tabla 1 expuesta en el paso 4. Despus se compara el numero aleatorio obtenido con el intervalo de la tabla 3, a verificar en que intervalo cae se colocara el valor de la demanda en la tercer columna.

Por ltimo se saca la demanda esperada que se demuestra por la siguiente frmula:

= (.17x41)+ (.33x45)+ (.20x48)+ (.13x52)+ (.17x56) = 47.7 La demanda esperada en las mayoras de sus ensayos ser similar a la demanda promedio.
28

29

BIBLIOGRAFIA

http://es.scribd.com/doc/51960661/Numeros-Pseudoaleatorios http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r92011.PDF http://es.scribd.com/doc/111374197/simulacion

30