GENERACIN DE

NUMERO ALEATORIOS
GARCIA FERNANDEZ
LEONARDO
SILVA GUEVARA EDWIN
TASAYCO ANTUCAR POOL

ndice
1.-INTRODUCCIN
2.-GENENERACIN DE NMERO ALEATORIOS
2.1.-GENERADOR CONGRUENCIAL
2.2.-GENERACION CONGRUENCIAL ESTNDAR
2.3.-GENERACIN POR COMPUTADORA
3.-PRUEBAS DE CONFIABILIDAD
3.1.- CHI CUADRADO(
2
)
3.2.- KOLMOGOROV-SMIRNOV (K-S)
4.-USO DE NMEROS ALEATORIOS PARA
EVALUAR INTEGRALES
1.-INTRODUCCIN
Los nmeros aleatorios son nmeros elegidos al azar o sin
seguir algn patrn o procedimiento; son tiles en diversas
aplicaciones, entre las cules podemos mencionar:
Simulacin o mtodos de Monte Carlo
Muestreo
Anlisis Numrico
Programacin


RESALTAR
La disponibilidad de generadores de nmeros aleatorios
en muchos entornos y compiladores hara pensar que
para un mero usuario de la Simulacin no sera
necesario estudiar estas cuestiones. Sin embargo, una
leccin que se deriva del estudio de algunos
generadores comerciales es que debemos actuar con
sumo cuidado con ellos (rea de investigacin bastante
activa).
Para verificar la confiabilidad de nuestra distribucin
existen mtodos de contraste tambin ya estudiados
para verificar estos.

2.-GENENERACIN DE
NMERO ALEATORIOS

Para la obtencin de nmeros aleatorios existen diversos
mtodos entre los cuales tenemos:
- GENERADOR CONGRUENCIAL
- GENERACION CONGRUENCIAL ESTANDAR
- GENERACIN POR COMPUTADORA


2.1.-GENERADOR
CONGRUENCIAL

Los generadores ms populares son probablemente los congruenciales debidos a
Lehmer (1951). Siguen la frmula de recursin:

x
n+1
= (a x
n
+ b) mod m,

que proporciona nmeros enteros en [0, m) pseudo aleatorios, para un
multiplicador a, sesgo b, mdulo m y semilla x
0
.
La utilizacin de la misma semilla llevar a la misma secuencia de nmeros
aleatorios (reproducibilidad y mutabilidad).
Se convierten en nmeros uniformes en [0,1) dividiendo por m,

u
n
= x
n
/ m
Si b = 0, se denominan multiplicativos:

x
n+1
= (a x
n
) mod m,

A pesar de su aparente simplicidad y previsibilidad, una seleccin cuidadosa de los
parmetros (a, b, m) permite obtener de manera eficiente sucesiones de nmeros
suficientemente largas y aleatorias para muchos propsitos.
Consideremos los generadores multiplicativos (b = 0):

Algunas observaciones son:
a) Un generador congruencial tiene ciclos.
b) La longitud del ciclo depende de la seleccin de los parmetros
(comparar casos 1 y 3).
c) Dentro de selecciones de parmetros que conducen a una misma
longitud de ciclo, algunas salidas parecen ms aleatorias que otras
(comparar casos 1 y 2).
d) La representacin de los pares (x
i
, x
i+1
) sugiere que stos se disponen
en un nmero finito de hiperplanos.
Trivialmente, el periodo mximo m se alcanza para a = b = 1.
Adems, cuando b = 0 (generador multiplicativo) el mximo periodo es m-1.

2.2.-GENERACION
CONGRUENCIAL STANDAR

Para una mquina con palabras de 32 bits(donde el primero es un bit de signo),
Park y Miller (1988) proporcion 3 criterios para elegir un generador multiplicativo
de un mnimo estndar:
1) Ser de periodo mximo;
2) Que su salida parezca aleatoria;
3) Que se pueda implementar de forma eficiente en aritmtica de 32 bits.
Los generadores con m = 2

presentan el inconveniente de la escasa
aleatoriedad de los bits de menor orden.
Eleccin en boga por la facilidad de implementacin y por ser primo es m=2
31
-1.
Los 3 criterios limitan la eleccin de multiplicadores.
El multiplicador que se ha convertido en estndar es el asociado a a=7
5
=16807,
7 es una raz primitiva de 2
31
-1, por lo que se puede probar que el generador es
de periodo mximo.
2.3.-GENERACIN POR
COMPUTADORA
Los programas de computadora ocupan regularmente nmeros aleatorios,
especialmente para criptografa. Existen varios mtodos en los que la deriva de
reloj puede ser utilizada para construir generadores de nmeros aleatorios.
Se puede construir generadores de nmeros aleatorios en hardware utilizando
dos osciladores de cristal independientes que tengan diferente frecuencia, 100
oscilaciones por segundo y 1 milln, por ejemplo. El ms rpido de los dos
oscilar 10,000 veces por cada oscilacin del ms lento, sin embargo, existir
una variacin debida a la deriva de reloj que se puede usar para producir bits
aleatorios. Una forma sencilla sera escoger un 0 cuando el excedente es par y
un 1 para un excedente impar.
Tambin se puede construir un generador de nmeros aleatorios en software,
para lo que se compara el reloj del sistema operativo (entre 1001000 pasos por
segundo) y la velocidad del CPU. Si el tiempo de sistema y el CPU utilizan dos
osciladores de cristal independientes la situacin ser muy similar al ejemplo
anterior, en cambio, cuando utilizan el mismo oscilador de cristal el proceso
(programa) que realiza las mediciones de la deriva de reloj es perturbado por
eventos impredecibles en el CPU como interrupciones y otros procesos y
programas que se ejecutan al mismo tiempo, an as el resultado ser bastante
bueno. Pueden ser considerados nmeros pseudo aleatorios pero de cualquier
modo satisfacen la mayora de las necesidades en aplicaciones prcticas.

3.-PRUEBAS DE
CONFIABILIDAD
Son pruebas de hiptesis que permiten validar si la
distribucin de la frecuencia observada de conjunto de datos
puede aproximarse a una distribucin terica dada. Las
hiptesis que emplean estas pruebas son:
- Chi Cuadrado (
2
)
- Kolmogorov-Smirnov (K-S)

3.1.- Chi Cuadrado (
2
)
La prueba X
2
de Pearson es el ms antiguo y vlido para distribuciones continuas y discretas. Sin embargo, es poco potente, por
lo que permite justificar el rechazo de una hiptesis, pero proporciona escaso soporte para su aceptacin.
Supongamos que tenemos una muestra x
1
, x
2
,.., x
n
(n 25) de una poblacin con funcin de distribucin F
n
(x) desconocida y
deseamos contrastar la hiptesis
H
0
: F
n
(x)=F
0
(x),
para todo x R, donde F
0
(x) est completamente especificada (conocemos la distribucin y los parmetros de la misma), frente a
la alternativa
H
1
: F
n
(x) F
0
(x)
para algn x.
En nuestro caso, F
0
(x) = U(0,1).
a) Agrupamos los n datos en k clases mutuamente excluyentes, k 5, que cubran todo el rango posible de valores, siendo O
i
la
frecuencia observada en la clase i.
b) Calculamos la frecuencia esperada E
i
, de la clase i de acuerdo con el modelo F
0
(x).
Conociendo la probabilidad que asigna el modelo a la clase i tenemos
E
i
= n x p
i

c) Calculamos la dispersin entre las frecuencias observadas y las esperadas mediante el modelo F
0
(x):

2
=

=1

que se distribuye aproximadamente como una X
2
cuando el modelo es correcto.
d) Determinamos los grados de libertad:
- Si el modelo especifica las probabilidades p
i
antes de tomar la muestra, entonces el nmero de grados de libertad es k 1.
- Si las p
i
se han calculado estimando r parmetros del modelo de mxima verosimilitud, entonces el nmero de grados de
libertad es k r 1.
e) Rechazamos el modelo cuando X
2

2

(k r 1) para un nivel de significacin pequeo (0.05, 0.01, 0.001).

En nuestro caso, para contrastar la uniformidad escogeremos k sub intervalos de [0,1] de la misma longitud, siendo p
i
= 1/k y, por
lo tanto, E
i
= n/k y r = 0, ya que no ha sido necesario estimar ningn parmetro de la distribucin para obtener p
i
.


Ejemplo. Durante la segunda guerra mundial se dividi el mapa de Londres en cuadrculas de 1/4
km
2
y se contabiliz el nmero de bombas cadas en cada cuadrcula durante un bombardeo
alemn. Los resultados fueron:
Cuadrcula 0 1 2 3 4 5
Frec. Impactos 229 211 93 35 7 1
Contrastar la hiptesis de que los datos siguen una distribucin de Poisson.
Solucin. El nmero de clases es 6 y conocemos las frecuencias observadas. Para calcular las
frecuencias esperadas necesitamos conocer la probabilidad de que un impacto se produzca en cada
una de las clases. Dicha probabilidad toma la forma siguiente para una distribucin de Poisson

!

por lo tanto, necesitamos estimar un parmetro mediante el principio de mxima verosimilitud,
siendo r = 1. Hacemos
=

=
535
576
= 0.929
Obtenemos las frecuencias esperadas de las clases:
E
0
=np
0
=227.5 E
1
=np
1
=211 E
2
=np
2
=98
E
3
=np
3
=30 E
4
=np
4
=7 E
5
=np
5
=1.5
La dispersin entre frecuencias observadas y esperadas es:

2
=
229 227.5
2
227.5
+
211 211
2
211
+ +
1.5 1
2
1
= 1.27
El nmero de grados de libertad es k r 1 = 4 y de la tabla de la
2
obtenemos que
2
0.25
(4) = 1.92
y
2
0.1
(4) = 1.06 . Por lo tanto,
2
0.25
(4)>
2
(4)>
2
0.1
(4), no siendo pequeo entonces aceptamos la
hiptesis.



3.2.- Kolmogorov-Smirnov (K-S)
Es vlido para distribuciones continuas, pero muy potente. Deseamos contrastar la hiptesis

0
:

() =
0
()
a) Ordenamos los valores muestrales de manera que x
1
x
2
x
n

b) Calculamos la funcin de distribucin emprica de la muestra:

() =
0, < x
1

, x
r
< x
r+1
1, > x
r


c) Calculamos la mxima discrepancia entre la funcin de distribucin emprica y la terica
contrastada. Estadstico bilateral de K-S

0
()
La distribucin exacta de

est tabulada para valores seleccionados de n40 y del nivel de

significacin .
Para muestras grandes, se utiliza la distribucin asinttica de

, que viene dada, para todo z0, por

lim

(()
1
2

) = ()
donde L(z) est tabulada y se comprueba que la aproximacin es suficientemente buena para n 35.
Intuitivamente, esperamos que

sea pequeo cuando la hiptesis nula es cierta.

En nuestro caso particular de aleatoriedad, si x
1
x
2
x
n
designa al estadstico de orden,
F
0
(x
i
)=x
i
y como F
n
(x
i
)=i/n, resulta:

=
1in

x
i
, x
i

Ejemplo. Contrastar si la siguiente muestra de duraciones de vida puede suponerse
exponencial: 16, 8, 10, 12, 6, 10, 20, 7, 2, 24.
Ordenamos la muestra: 2, 6, 7, 8, 10, 10, 12, 16, 20, 24.
Representamos la funcin emprica:
4.-Uso de los nmeros
aleatorios para evaluar
integrales
Un mtodo usado es el de Monte Carlo, que consiste en una
integracin numrica, una aproximacin a partir de nmeros aleatorios.
Supongamos que deseamos calcular
= ()
1
0
, si se considera al conjunto de nmeros

/ como una
aproximacin una variable aleatoria uniforme () en (0,1), entonces
= ()
1
0
, se puede expresar de la siguiente manera = (())
indica la esperanza de () siendo

/
Si es que
1
,
2
, . ,

un conjunto de variables aleatorias uniformes

e independientes, esto indicara que
1
,
2
, .

serian
variables independientes. Entonces:

=1
= , esta relacin seria ms precisa cuando
Si tenemos = ()

Hacemos la siguiente sustitucin =

= /( )
= +
1
0
= ()
1
0
,
= + ( )
De manera anloga si se tiene la siguiente integral
= ()

0


Hacemos =
1
+1
=
1
+1
2
=
2
, 0, 1; , 0
=
1

1 (/
2
)
0
1
= (

2
)()
1
0
= ()
1
0
, = (

2
)

Para una mejor aproximacin de de la integral por el mtodo de Monte Carlo
Se debe tener en cuenta lo siguiente:

1

=1

=1

Donde indica el nmero de veces que se ha generado el conjunto de nmeros
aleatorios.
Mientras sea ms grande, la aproximacin es ms exacta.