UNIDAD II

NMEROS ALEATORIOS Y PSEUDO ALEATORIOS

1. Qu son los nmeros aleatorios y pseudo aleatorios y para qu
sirven?
Los nmeros aleatorios tienen la propiedad de ser obtenidos al azar,
es decir, son resultado de un proceso en el cual su resultado no es
predecible ya que todo nmero tiene la misma probabilidad de ser elegido
y la eleccin de uno no depende de la eleccin del otro. La
palabra aleatorio se usa para expresar una aparente carencia de
propsito, causa, u orden. El ejemplo clsico ms utilizado para generarlos
es el lanzamiento repetitivo de una moneda o dado.
Los nmeros pseudo aleatorios son nmeros generados en un
proceso que parece producir nmeros al azar, pero no lo hace realmente,
de aqu el prefijo pseudo que quiere decir falso, ya que su generacin parte
de algoritmos determinsticos, lo cual nos quiere decir que obtendremos
siempre el mismo resultado bajo las mismas condiciones iniciales. Estas
condiciones se refieren a varios parmetros de arranque, siendo el valor
inicial, tambin llamado semilla, el denominador comn de todos los
algoritmos.
Estos nmeros tienen la caracterstica de que deben seguir una
distribucin Uniforme, es decir que pueden tomar cualquier valor dentro
del intervalo (0, 1), entonces podemos decir que los nmeros pseudo
aleatorios son nmeros entre 0 y 1 que han pasado por un tamizado de
pruebas para poder determinar que tendrn una funcin aproximada a la
realidad es decir, haya aleatoriedad.
La funcin de los nmeros pseudo aleatorios es que a partir de ellos
podemos generar variables aleatorias las cuales estn sujetas en el mayor
de los casos, a distribuciones estadsticas que son las que se usan para
establecer el comportamiento de materiales, sucesos, personas, etc., en
todo proceso de simulacin.
2. Para qu y cmo se usan dichos nmeros?
Se usan como una fuente confiable de variabilidad dentro de los
modelos de simulacin fundamentalmente porque las sucesiones de nmeros
pseudoaleatorios son ms rpidas de generar que las de nmeros aleatorios.

La simulacin es el proceso de disear un modelo de un sistema real,

que servir para dirigir experimentos con el propsito de entender, explicar,
analizar o mejorar el comportamiento del sistema.
Para simular el comportamiento de una o ms variables aleatorias es
necesario contar con un conjunto suficientemente grande de nmeros
aleatorios, pero por desgracia generar una sucesin de nmeros que sean
completamente aleatorios resulta muy complicado, ya que tendramos que
generar una sucesin infinita de valores que nos permitiera comprobar la
inexistencia de correlaciones entre ellos, lo que sera costoso y tardado
volviendo imprctica la simulacin; por ello es necesario utilizar los nmeros
pseudoaleatorios de los cuales podemos asegurar con un nivel alto de
confiabilidad que se comportan de manera similar a un conjunto de nmeros
aleatorios.
La experimentacin directa sobre la realidad puede algunos tipo de
problemas como: costo muy alto, gran lentitud, en ocasiones las pruebas son
destructivas, puede no ser tica (sobre todo si estn involucrados seres
humanos), puede resultar imposible, por ejemplo, para predecir sucesos
futuros.
3. Cmo se generan los nmeros pseudo aleatorios entre 0 y 1?
Los nmeros pseudo aleatorios se generan mediante algoritmos
determinsticos, es decir aquellos en que se obtiene el mismo resultado bajo
las mismas condiciones iniciales, por lo cual requieren parmetros de
arranque.
Sea una secuencia ri = {r1 ,r2 ,r3, ..., rn} con n valores distintos, se le
conoce como el conjunto necesario de nmeros entre 0 y 1 para realizar una
simulacin, siendo n el periodo o ciclo de vida. Esta secuencia forma la parte
principal de la simulacin de procesos estocsticos (basado en probabilidades)
y son usados para generar la conducta de variables aleatorias, continuas o
discretas. Estos nmeros se consideran pseudo-aleatorios porque es imposible
el generar nmeros realmente aleatorios.
Es preciso contar con un conjunto ri grande, esto con la finalidad de
simular el comportamiento de una o ms variables aleatorias, adems el
periodo de vida debe ser amplio debido a que es conveniente realizar varias
rplicas de simulacin, corriendo cada una con nmeros pseudo aleatorios
distintos. Es importante sealar que ri se considera satisfactorio si pasa sin
problema las pruebas de uniformidad e independencia, solo as podr ser
usado en la simulacin.

Los algoritmos determinsticos para generar nmeros pseudo

aleatorios se dividen en no congruenciales y congruenciales, stos a su vez se
dividen en lineales y no lineales.
Algoritmos No Congruenciales

a) Algoritmo de cuadrados medios

Propuesto en la dcada de los cuarenta del siglo XX por Von Neumann

y Metrpolis, este algoritmo requiere un nmero entero, llamado semilla, con
D dgitos, este es elevado al cuadrado para seleccionar del resultado los D
dgitos del centro; el primer nmero ri se determina simplemente
anteponiendo el "0" a esos dgitos. Para obtener el segundo ri se sigue el
mismo procedimiento, slo que ahora se elevan al cuadrado los D dgitos del
centro que se seleccionaron para obtener el primer ri. Este mtodo se repite
hasta obtener n nmeros ri.
Pasos para generar nmeros con el algoritmo de cuadrados medios:
1. Seleccionar semilla (X0) con D dgitos (D > 3).
2. Sea X0 = resultado de elevar X0 al cuadrado; sea X1 = los D dgitos del
centro, y sea ri = 0.D dgitos del centro.
3. Sea Yi = resultado de elevar Xi al cuadrado; sea Xi+1 = los D dgitos del
centro, y sea ri = 0.D dgitos del centro para toda i = 1, 2, 3,..., n.
4. Repetir el paso 3 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los D dgitos del centro del nmero Yi,
agregue ceros a la izquierda del nmero Yi.
Ejemplo
Generar los primeros 5 nmeros ri a partir de una semilla X0 = 5 735, de
donde se puede observar que D = 4 dgitos.
Solucin:
Y0 = (5735)2 = 32 890 225
Y1 = (8902)2 = 79 245 604
Y2 = (2456)2 = 06 031 936
Y3 = (0319)2 =
101 761
2
Y4 = (0176) =
030 976

X1 = 8902
X2 = 2456
X1 = 0319
X1 = 0176
X1 = 3097

ri = 0.8902
ri = 0.2456
ri = 0.0319
ri = 0.0176
ri = 0.3097

Generalmente este algoritmo es incapaz de generar una secuencia de r i

con periodo de vida n grande. En ocasiones slo es capaz de generar un

nmero, Por ejemplo si X0 = 1 000, entonces X1 = 0000; ri = 0.0000 y se dice

que el algoritmo se degenera con la semilla de X 0 = 1 000.

b) Algoritmo de productos medios

La mecnica de generacin de nmeros pseudo aleatorios de este

algoritmo no congruencial es similar a la del algoritmo de cuadrados medios.
La diferencia entre ambos radica en que el algoritmo de productos medios
requiere dos semillas, ambas con D dgitos; adems, en lugar de elevarlas al
cuadrado, las semillas se multiplican y del producto se seleccionan los D
dgitos del centro.
A continuacin se presentan con ms detalle los pasos del mtodo para
generar nmeros con el algoritmo de producto medios.
1. Seleccionar una semilla (X0) con D dgitos (D > 3).
2. Seleccionar una semilla (X1) con D dgitos (D > 3).
3. Sea Y0 = X0*X1; sea X2 = los D dgitos del centro, y sea ri = 0.D dgitos del
centro.
4. Sea Yi = Xi*Xi+1; sea Xi+2 = los D dgitos del centro, y sea ri+1 = 0.D
dgitos del centro para toda f= 1,2,3,...,n;
5. Repetir el paso 4 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los D dgitos del centro del nmero Yi agregue
ceros a la izquierda del nmero Yi.

c) Algoritmo de multiplicador constante

Este algoritmo no congruencial es similar al algoritmo de productos

medios. Los siguientes son los pasos necesarios para generar nmeros pseudo
aleatorios con el algoritmo de multiplicador constante.
1. Seleccionar una semilla (X0) con D dgitos (D > 3).
2. Seleccionar una constante (a) con D dgitos (D > 3).
3. Sea Y0 - a*X0; sea X1 = los D dgitos del centro, y sea ri = 0.D dgitos del
centro.
4. Sea Yi = a*Xi; sea Xi+1 = los D dgitos del centro, y sea ri+1 = 0.D dgitos
del centro para toda
i = 1, 2, 3,..., n.
5. Repetir el paso 4 hasta obtener los n nmeros ri deseados.
Nota: Si no es posible obtener los D dgitos del centro del nmero Yi agregue
ceros a la izquierda del nmero Yi.

Algoritmos Congruenciales

d) Algoritmo Lineal

Este algoritmo congruencial fue propuesto por D.H. Lehmer en 1951.

Segn Law y Kelton, este algoritmo ha sido el ms usado. El algoritmo
congruencial lineal genera una secuencia de nmeros enteros por medio de la
siguiente ecuacin recursiva:
Xi+1 = (aXi + c) mod (m) i= 0, 1, 2, 3 n donde;
X0 = es la semilla, X0 >0 y debe ser entero.
a = es la constante multiplicativa, a >0 y debe ser entero.
c = constante aditiva, c >0 y debe ser entero.
mod m = modulo, significa realizar las operaciones anteriores y dividir el
resultado entre el valor de m, para obtener solamente el residuo.
Es importante sealar que la ecuacin recursiva del algoritmo
congruencial lineal genera una secuencia de nmeros enteros S= {0, 1, 2,
3,, m-1}, y que para obtener nmeros pseudo aleatorios en el intervalo (0,
1) se requiere la siguiente ecuacin:
ri =
Para que el algoritmo sea capaz de lograr el mximo periodo de vida n,
es preciso que dichos parmetros cumplan ciertas condiciones, Banks, Carson,
Nelson y Nicol sugieren lo siguiente:
m = 2g
a = 1 + 4k
k, debe ser entero.
c, relativamente primo a m.
g, debe ser entero.
Bajo estas condiciones se obtiene un periodo de vida mximo N= m= 2g.
Ejemplo:
Generar suficientes nmeros entre 0 y 1 con los parmetros X 0 = 6, k =3,
g =3, c =7, hasta encontrar el periodo de vida mximo (N).
a = 1 + 4(3) = 13

m = 23 =

X0 = 6
X1 = (13*6+7) mod 8 = 5
X2 = (13*5+7) mod 8 = 0
X3 = (13*0+7) mod 8 = 7

N= 8
r1 = 5/7 = 0.714
r2 = 0/7 = 0.000
r3 = 7/7 = 1.000

X4 = (13*7+7) mod 8 = 2
X5 = (13*2+7) mod 8 = 1
X6 = (13*1+7) mod 8 = 4
X7 = (13*4+7) mod 8 = 3
X8 = (13*3+7) mod 8 = 6

r4 = 2/7 = 0.214
r5 = 1/7 = 0.142
r6 = 4/7 = 0.571
r7 = 3/7 = 0.428
r8 = 6/7 = 0.857

Es importante mencionar que el nmero generado en X 8 = 6 es

exactamente igual a la semilla X0, y si continuramos generando ms
nmeros stos se repetiran. Adems sabemos que el algoritmo congruencial
lineal genera una secuencia de nmeros enteros S = {0,1, 2, 3,, m-1}.
Si no se cumple algunas de las condiciones, el periodo de vida mximo
N=m no se garantiza, por lo que el periodo de vida ser menor que m.

e) Algoritmo Congruencial Multiplicativo

El algoritmo congruencial multiplicativo surge del algoritmo

congruencial lineal cuando c= 0. Entonces la ecuacin recursiva es:
Xi+1 = (aXi) mod (m) i= 0, 1, 2, 3 n
En comparacin con el algoritmo congruencial lineal, la ventaja del
algoritmo multiplicativo es que implica una operacin menos a realizar. Los
parmetros de arranque de este algoritmo son X 0, a y m, todos los cuales
deben ser nmeros enteros y mayores que cero.
Para transformar los nmeros Xi en el intervalo de (0, 1) se usa la
ecuacin:
ri =
De acuerdo con Banks, Carson, Nelson y Nicol las condiciones que
deben cumplir los parmetros para que el algoritmo congruencial
multiplicativo alcance su mximo periodo son:
m = 2g
a = 3 + 8k o a = 5 + 8k
k = 0, 1, 2, 3
X0 debe ser un nmero impar.
g, debe ser entero.
A partir de estas condiciones se logra un periodo de vida mximo:
N= m/4= 2g-2.

Ejemplo:
Generar suficientes nmeros entre 0 y 1 con los siguientes parmetros:
X0 = 17, k =2, y g =5 hasta encontrar el periodo o ciclo de vida.
Solucin:
a = 5 + 8(2) = 21
=32

X1 = (21*17) mod 32 = 5
X2 = (21*5) mod 32 = 9
X3 = (21*9) mod 32 = 29
X4 = (21*29) mod 32 = 1
X5 = (21*1) mod 32 = 21
X6 = (21*21) mod 32 = 25
X7 = (21*25) mod 32 = 13
X8 = (21*13) mod 32 = 17

X0 = 17
r1 = 5/31 = 0.1612
r2 = 9/31 = 0.2903
r3 = 29/31 = 0.9354
r4 = 1/31 = 0.3225
r5 = 21/31 = 0.6774
r6 = 25/31 = 0.8064
r7 = 13/31 = 0.4193
r8 = 17/31 = 0.5483

Toda vez que la semilla X0 se repite, volvern a generarse los mismos

nmeros. Por lo tanto, el periodo de vida es n =8, el cual corresponde a N=
m/4 = 32/4 = 8.

f) Algoritmo congruencial aditivo

Este algoritmo requiere una secuencia previa de n nmeros enteros X 1,

X2, X3, X4,..., Xn para generar una nueva secuencia de nmeros enteros que
empieza en Xn+1, Xn+2, Xn+3, Xn+4 ,
Su ecuacin recursiva es:
Xi = (Xi-1 + Xi-n) mod (m)

i = n + 1, n + 2, n + 3,, N

Los nmeros ri pueden ser generados mediante la ecuacin ri = xi/ (m-1)

Ejemplo
Generar 7 nmeros pseudo aleatorios entre cero y uno a partir de la siguiente
secuencia de nmeros enteros: 65, 89, 98, 03, 69; m = 100.
Sean X1 = 65, X2 = 89, X3 = 98, X4 = 03, X5 = 69. Para generar r1, r2, r3 r4,
r5, r6 y r7 antes es necesario generar X6, X7, X8, X9, X10, X11, X12.
Solucin:
X6 = (X5 + X1) mod 100 = (60+ 65) mod 100 = 34
X7 = (X6 + X2) mod 100 = (34 + 89) mod 100 = 23
X8 = (X7 + X3) mod 100 = (23 + 98) mod 100 = 21

r1 = 34/99 = 0.3434
r2 = 23/99 = 0.2323
r3 = 21/99 = 0.2121

X9 = (X8 + X4) mod 100 = (21 +03) mod 100 = 24

X10 = (X9 +X5) mod 100 = (24 + 69) mod 100 = 93
X11 = (X10 +X6) mod 100 = (93 + 34) mod 100 = 27
X12 = (X11 +X7) mod 100 = (27 + 23) mod 100 = 50

r4 = 24/99 = 0.2424
r5 = 93/99 = 0.9393
r6 = 27/99 = 0.2727
r7 = 50/99 = 0.5050

g) Algoritmos congruenciales no lineales

En esta seccin se analizarn dos algoritmos congruenciales no
lineales: el congruencial cuadrtico y el algoritmo presentado por Blum,
Blum y Shub.
1. Algoritmo congruencial cuadrtico
Este algoritmo tiene la siguiente ecuacin recursiva:
Xi + 1 = (aX2i + bX + c) mod (m)

i = 0,1,2,3,, N

En este caso, los nmeros r. pueden ser generados con la ecuacin r =

x-/(m - 1). De acuerdo con L'Ecuyer, las condiciones que deben cumplir los
parmetros m, a, b y c para alcanzar un periodo mximo de N = m son:
m = 2g
a, debe ser un nmero par
c, debe ser un nmero impar
g debe ser entero
(b- 1) mod 4 = 1
De esta manera se logra un periodo de vida mximo N = m.
Ejemplo
Generar, a partir del algoritmo congruencial cuadrtico, suficientes
nmeros enteros hasta alcanzar el periodo de vida, considerando los
parmetros X0 = 13, m = 8, a = 26, b = 27 y c = 27. Como todas las
condiciones estipuladas para los parmetros se satisfacen, es de esperarse que
el periodo de vida del generador sea N = m = 8, tal como podr comprobar al
revisar los clculos correspondientes, que se presentan a continuacin.
Solucin:
X1 = (26*1322 + 27*13 + 27) mod (8) = 4
X2 = (26*422 + 27*4 + 27) mod (8) = 7
X3 = (26*722 + 27*7 + 27) mod (8) = 2
X4 = (26*222 + 27*2 + 27) mod (8) = 1
X5 = (26*122 + 27*1 + 27) mod (8) = 0
X6 = (26*022 + 27*0 + 27) mod (8) = 3
X7 = (26*322 + 27*3 + 27) mod (8) = 6

X8 = (26*622 + 27*6 + 27) mod (8) = 5

X9 = (26*522 + 27*5 + 27) mod (8) = 4
Por otro lado, el algoritmo cuadrtico genera una secuencia de
nmeros enteros S = {0,1, 2,3..., m-1}, al igual que el algoritmo congruencial
lineal.
2. Algoritmo de Blum, Blum y Shub
Si en el algoritmo congruencial cuadrtico a = 1, b = 0 y c = 0,
entonces se construye una nueva ecuacin recursiva:
Xi+1= (X2i) mod (m)

i = 0, 1, 2, 3, n

La ecuacin anterior fue propuesta por Blum, Blum y Shub como un

nuevo mtodo para generar nmeros que no tienen un comportamiento
predecible.
De un ejemplo utilizando un algoritmo de generacin de nmeros
pseudo aleatorios
Algoritmo de cuadrados medios
X0 = 2342 D = 4
Y0 =
Y1 =
Y2 =
Y3 =
Y4 =
Y5 =
Y6 =
Y7 =
Y8 =
Y9 =
Y10 =
Y11=
Y12=
Y13=
Y14=
Y15=
Y16=
Y17=
Y18=
Y19=

= 05484964
= 23512801
= 26296384
= 08779369
= 60730849
= 53406864
= 165448624
= 30096196
= 923521
= 05531904
= 28291761
= 08508889
= 25887744
= 78801129
= 64176121
= 03101121
= 01022121
= 048841
= 23853456
= 71132356

X1 = 4849
X2 = 5128
X3 = 2963
X4 = 7793
X5 = 7306
X6 = 4068
X7 = 5486
X8 = 0961
X9 = 2352
X10 = 5319
X11 = 2917
X12 = 5088
X13 = 8877
X14 = 8011
X15 = 1761
X16 = 1011
X17 = 0221
X18 = 4884
X19 = 8534
X20 = 1323

r1 = 0.4849
r2 = 0.5128
r3 = 0.2963
r4 = 0.7793
r5 = 0.7306
r6 = 0.4068
r7 = 0.5486
r8 = 0.0961
r9 = 0.2352
r10 = 0.5319
r11 = 0.2917
r12 = 0.5088
r13 = 0.8877
r14 = 0.8011
r15 = 0.1761
r16 = 0.1011
r17 = 0.0221
r18 = 0.4884
r19 = 0.8534
r20 = 0.1323

4. Qu propiedades deben cumplir los nmeros pseudoaleatorios

entre cero y uno?
En gran medida, conocer las propiedades que deben tener los
nmeros aleatorios garantiza una buena simulacin, por ello se enumeran
a continuacin.

Media de los nmeros aleatorios entre cero y uno

En vista de que estos nmeros deben de tener la misma
probabilidad de presentarse, es preciso que su comportamiento muestre
una distribucin de probabilidad uniforme continua, con lmite inferior
cero y lmite superior uno. La funcin de densidad de una distribucin
uniforme es la siguiente.

Para obtener la media de la distribucin multiplicamos la funcin

de densidad por x, y la integramos en todo el rango de la distribucin de
la siguiente manera:

Sustituyendo los valores de a y b

Por lo tanto el valor esperado (es decir, la media de los nmeros

aleatorios entre cero y uno) es

Varianza de los nmeros aleatorios

Partiendo de la misma distribucin uniforme continua obtenemos la
varianza de la distribucin por medio de la ecuacin

Lo que nos da

Al sustituir tenemos que

Por lo tanto
( )
Dado estos resultados podemos decir que los nmeros aleatorios
entre cero y uno deben tener

Independencia
Esta es una propiedad muy
importante, e indica que los
nmeros aleatorios no deben tener
correlacin entre s; es decir, que
sean independientes, de manera que
puedan dispersarse uniformemente
dentro de un espectro de valores
posibles.
Los datos deben mostrar dispersin como en la figura.
Es posible realizar una serie de pruebas para corroborar que no
existe correlacin ente los nmeros aleatorios, e incluso para garantizar
que no existe un sesgo o tendencia entre los dgitos de cada uno de ellos.

Ejemplifique generando un conjunto de nmeros y aplicndoles las

pruebas necesarias para comprobar que renen las propiedades.
Algoritmo congruencial lineal
X0 = 23
K=4
g=5
c = 31
m = 32
a = 17
6
5
20
19
2
1
16
15
30
29
12
11
26
25
8
7
22
21
4
3
18
17
0
31
14
13
28
27
10
9
24
23

6/31=
5/31=
20/31=
19/31=
2/31=
1/31=
16/31=
15/31=
30/31=
29/31=
12/31=
11/31=
26/31=
25/31=
8/31=
7/31=
22/31=
21/31=
4/31=
3/31=
18/31=
17/31=
0/31=
31/31=
14/31=
13/31=
28/31=
27/31=
10/31=
9/31=
24/31=
23/31=

0.1935
0.1612
0.6451
0.6129
0.0645
0.0322
0.5161
0.4838
0.9677
0.9354
0.3870
0.3548
0.8387
0.8064
0.2580
0.2258
0.7096
0.6774
0.1290
0.0967
0.5806
0.5483
0.0000
1.0000
0.4516
0.4193
0.9032
0.8709
0.3225
0.2903
0.7741
0.7419

 Prueba de medias

Lmites de aceptacin inferiores y superiores

(

Con lo anterior podemos comprobar que el valor de la media del

conjunto de datos se encuentra dentro de los lmites de aceptacin, por lo
tanto se acepta la H0 que nos dice que el conjunto de nmeros pseudo
aleatorios cumplen con la primer propiedad de tener una media de 0.5.
Prueba de varianza

Dado que el valor de la varianza V(r)=

se encuentra dentro de
los lmites de aceptacin, podemos decir que no se puede rechazar que el
conjunto de nmeros tiene una varianza de 1/12.
Prueba de uniformidad
H 0: r i

U (0,1)

H1: ri no son uniformes

Para comprobar si nuestro conjunto de datos se distribuyen
uniformemente en el intervalo (0, 1) procederemos a comprobarlo mediante la
prueba de Chi-Cuadrada, en la cual se debe calcular un estadstico de prueba
que posteriormente se va a comparar con un valor crtico utilizando la tabla
de la distribucin Chi-cuadrada, si X20 <
se acepta la H0.
Para llevar a cabo esta prueba, es necesario dividir el intervalo (0, 1) en
m subintervalos, en donde es recomendable m= posteriormente, se
clasifica cada nmero pseudo aleatorio del conjunto r i en los m intervalos. A
la cantidad de nmeros ri que se clasifican en cada intervalo se le denomina
frecuencia observada (Oi), y a la cantidad de nmeros ri que se espera
encontrar en cada intervalo se le llama frecuencia esperada (E i). A partir de
estos valores se calcula el estadstico de prueba:

X20 =

)2

(0.00 0.166)
(0.166 0.33)
(0.33 0.5)
(0.5 0.666)
(0.666 0.833)
(0.833 1)

Oi

Ei =

6
5
5
5
5
6

5.6569
5.6569
5.6569
5.6569
5.6569
5.6569

0.0209222
0.0760848
0.0760848
0.0760848
0.0760848
0.0209222
0.3461838

El estadstico
=
0.3461838 es menor al valor crtico
correspondiente de la chi-cuadrada
, entonces no se puede
rechazar que el conjunto de nmeros ri sigue una distribucin uniforme.
Prueba de independencia
H0: los nmeros de los conjuntos ri son independientes
H1: los nmeros de los conjuntos ri no son independientes
Existen mltiples mtodos que tratan de corroborar que si los nmeros
en el intervalo (0, 1) son independientes o, en otras palabras s parecen
pseudoaleatorios, a continuacin se realizar la prueba de corridas arriba y
abajo. El procedimiento de esta prueba consiste en determinar una secuencia
de nmeros (S) que slo contiene unos y ceros, de acuerdo con una
comparacin entre ri y ri-1, la cual se construye de la siguiente manera: se
coloca un cero si el nmero ri ri-1; en caso de ser mayor que el que nmero ri
anterior, se pone un uno. Posteriormente, se determina el nmero de corridas
observadas, Co la cual se identifica como la cantidad de unos o ceros
consecutivos. Adems se necesita hacer los siguientes clculos:
Co =
=
Para aceptar o rechazar la hiptesis nula, es necesario hacer una
comparacin entre el siguiente estadstico de prueba y el valor crtico,
si Z0< Z/2 podemos concluir que los nmeros generados corresponden a la
propiedad de ser independientes.

Z0 = [

Se aplica la prueba de corridas arriba abajo al conjunto de 32 nmeros

pseudo aleatorios generados anteriormente:
0.1935
0.9677
0.7096
0.4516

0.1612
0.9354
0.6778
0.4193

0.6451
0.3870
0.1290
0.9032

0.6129
0.3548
0.0967
0.8709

0.0645
0.8387
0.5806
0.3225

0.0322
0.8064
0.5483
0.2903

0.5161
0.2850
0
0.7741

0.4838
0.2258
1
0.7419

S = {0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0
0 1 0 0 0 1 0}
Co = 19
=
=

= 21
= 5.3666

Z0 = *

+ = - 0.8634

=
= 1.96 entonces - 0.8634 es menor que 1.96 se concluye
que no se puede rechazar que los nmeros del conjunto r i sean
independientes.

UNIDAD III
VARIABLES ALEATORIAS
1. A qu se llama variable aleatoria y que tipos de variable aleatoria
existen?
El trmino variable significa valores inestables, pero decir que
una variable es aleatoria, se refiere a mediciones cuyos valores se
obtienen de algn tipo de experimento aleatorio. Los experimentos
aleatorios presentan un tratamiento matemtico, en el cual se deben
cuantificar los resultados de modo que se asigne un nmero real a cada
uno de los resultados posibles del experimento.
Las variables aleatorias son aquellas
comportamiento probabilstico de la realidad.

que

tienen

un

Tipos de variables que existen:

Variables Discretas
Son aquellas que presentan de modo inherente separaciones
entre valores observables sucesivos. Dicho de otra manera, se define
una variable discreta como la variable tal que entre dos cualesquiera
valores observables hay por lo menos un valor no observable. Por
ejemplo 3 y 4 son potencialmente observables, mientras que 3.5 no
lo es.
Las variables discretas son valores enteros que no presentan
continuidad o sea, existe una ruptura, por ejemplo, el nmero de
hijos.
Variables Continuas
Las variables continuas son aquella que puede tomar un valor
cualquiera para un determinado intervalo. Tienen la propiedad de
que entre dos cualesquiera valores observables, hay otro valor
observable.
En pocas palabras son nmeros enteros y fraccionarios, por
ejemplo, el peso, la estatura.

2. Determine el tipo de distribucin a que pertenecen el conjunto de

datos del ejercicio 6 de la pgina 91 del libro Simulacin y
Anlisis de sistemas con Promodel con la herramienta Stat: :Fit.

Objetivo
Utilizar la herramienta Stat::Fit con la finalidad de determinar la
distribucin de probabilidad a partir de un conjunto de datos.
Introduccin
Stat::Fit permite comparar los resultados entre varias distribuciones
analizadas mediante una calificacin. Entre sus procedimientos emplea las
pruebas estadsticas Chi-cuadrada, de Kolmogorov-Smirnov y de
Anderson-Darling.
Conjuntamente calcula los parmetros apropiados para cada tipo de
distribucin, e incluye informacin estadstica adicional como media,
moda, valor mnimo, valor mximo y varianza, entre otros datos.
Stat::Fit se puede ejecutar desde la pantalla de inicio de Promodel, o
bien desde el comando Stat::Fit del men Tools.
Entrada de datos y manipulacin
Tabla de Datos
Un nuevo proyecto se crea haciendo clic en el icono new document
en la barra de control o seleccionando File en la barra de men
y luego New en el submen, esta accin genera un nuevo documento de
Stat::Fit , y muestra una tabla vaca de datos.

Es en la tabla vaca donde se insertan uno por uno los datos del
ejemplo:

Opciones de entrada
Opciones de entrada de datos (Input options) permite establecer varias
opciones de manejo:
El nmero de intervalos para el histograma, la precisin con que los
datos se muestran y almacenan, y los tipos de distribucin que se
permitirn. El cuadro de dilogo Opciones de entrada se ingresa haciendo
clic en el icono Input Options o mediante la seleccin Input de la barra
de men y luego Options en el men secundario.
Se aconseja que el nmero de intervalos se calcule con la raz
cuadrada del total de datos, 10 para este ejemplo.
La precisin de los datos es el nmero de decimales que se muestran
en los datos de entrada y todos los clculos posteriores. La precisin por
defecto es de 6 cifras decimales y se ajusta inicialmente. La precisin se
puede ajustar entre 0 y 15. Tenga en cuenta que la mayora de los datos de
este ejemplo tiene un mximo de 5 dgitos por lo tanto es este valor que se
establecer.

El tipo de distribucin de anlisis puede

ser continua o discreta. En general, todas las
distribuciones sern tratadas como cualquier
tipo de forma predeterminada. Sin embargo,
el anlisis puede ser forzado a cualquiera de
las distribuciones continuas o distribuciones
discretas, marcando la casilla correspondiente
en el cuadro de dilogo Opciones de entrada.
Continua en este caso, clic en OK para
guardar las opciones registradas.

Un grfico de los datos de

entrada se puede ver mediante la
seleccin de input de la barra de
mens y, a continuacin input
graph desde el men secundario, o
haciendo clic en el icono de grfico
de entrada. Un histograma de los
datos se desplegara en pantalla.
Anlisis estadstico
Estadstica Descriptiva
La estadstica descriptiva de los
datos de entrada se puede ver mediante
la seleccin de Statistics en la barra de
Men y luego descriptive desde el
men secundario. Se muestra la
siguiente ventana:

El comando de Estadstica Descriptiva proporciona las

observaciones y los clculos estadsticos bsicos sobre los datos de entrada
y los presenta en una vista simple como se muestra arriba. El tiempo que
esta ventana este abierta, los clculos se actualizarn a medida que los
datos de entrada cambien.

Ajuste de la Distribucin
El ajuste automtico de distribuciones continuas se puede realizar
mediante el comando Auto::Fit. Este comando sigue el mismo
procedimiento como se explica a continuacin para el ajuste manual, pero
opta por la distribucin adecuada de los datos de entrada. Tambin califica
las distribuciones de acuerdo con su relativa bondad de ajuste, y da una
indicacin de su aceptacin como buenas representaciones de los datos de
entrada.
En el ajuste manual de las distribuciones de anlisis de los datos de
entrada en la tabla de datos, las distribuciones adecuadas de los datos de
entrada deben ser elegidas en la configuracin del ajuste (setup) junto con
las pruebas de bondad de ajuste deseadas.
Comience el proceso de
ajuste
de la distribucin
mediante la seleccin de Fit en
la barra de men y luego de
setup
desde
el
men
secundario, o haciendo clic en
el icono de setup apropiado.

La pgina de distribuciones del cuadro de dilogo Configuracin de

ajuste proporciona una lista de distribuciones para la eleccin de la
distribucin para el ajuste posterior. Todas las distribuciones elegidas aqu
se utilizarn de forma secuencial para las estimaciones y pruebas de
bondad de ajuste.
Despus de seleccionar las distribuciones, vaya a la siguiente
pestaa del cuadro de dilogo para seleccionar los clculos a realizar.
Las estimaciones pueden ser obtenidas en momentos o clculos de
probabilidad mxima (MLEs). El valor predeterminado para el clculo es
MLE.

Para distribuciones continuas con un lmite inferior o mnimo como

la exponencial, el lmite inferior puede ser obligado a asumir un valor
igual o inferior al valor mnimo
de datos. Este lmite inferior se
utilizar
tanto
para
los
momentos y las estimaciones de
mxima
verosimilitud.
De
forma predeterminada, se deja
desconocido, esto causa que
todos los procedimientos de
estimacin varen el lmite
inferior con el resto de los
parmetros.
Pruebas de bondad de ajuste
Las pruebas de bondad de ajuste no son ms que las comparaciones
de los datos de entrada a las distribuciones ajustadas de una manera
estadsticamente significativa. Cada prueba tiene la hiptesis de que el
ajuste es bueno y calcula un estadstico de prueba para la comparacin con
un estndar. Las pruebas de bondad de ajuste son:
Chi-cuadrada
Kolmogorov Smirnov
Anderson Darling
Si la eleccin de la prueba es incierto, utilice el test de Kolmogorov
Smirnov, que es aplicable a la gama ms amplia de datos y parmetros
ajustados.
Auto::Fit
El ajuste automtico distribuciones
continuas se puede realizar haciendo clic en el
icono Auto::Fit o mediante la seleccin de Fit
de la barra de Men y luego Auto::Fit en el
submen.

Este comando sigue el mismo procedimiento como se mencion

anteriormente para el ajuste manual. Auto::Fit elegir automticamente
distribuciones continuas adecuadas para adaptarse a los datos de entrada,
calcular las estimaciones de probabilidad mxima para las distribuciones,
los resultados de la prueba de bondad de ajuste, y mostrar la distribucin
por orden de su calificacin relativa. La calificacin relativa se determina
por un mtodo emprico que utiliza efectivos clculos de la bondad de
ajuste. Una calificacin alta indica que la distribucin ajustada es una
buena representacin de los datos de entrada.

La distribucin Normal con media 18.7 y desviacin estndar 4.11

consigue una calificacin de 100, por lo cual se acepta que esta es la
indicada para seleccionar que los datos del ejemplo siguen esta
distribucin.

Grficos
Un grfico de la densidad de los datos de entrada y la densidad
ajustada pueden ser vistos seleccionando Fit de la barra de mens y, a
continuacin Result Graphs, submen Density, tambin se puede acceder
a las grficas haciendo clic sobre la distribucin en la ventana Automatic
Fitting. Este grfico muestra un histograma de los datos de entrada
cubierto de las densidades ajustadas para distribuciones especficas.
El grfico aparecer con la configuracin por defecto de los datos de
entrada en un histograma azul y los datos ajustados en un polgono de
color rojo, como se muestra a continuacin.

La distribucin ajustada se muestra en el cuadro inferior de la

derecha. Si ha seleccionado ms de una distribucin para ajustar, una lista
de las distribuciones se da en el cuadro superior de la derecha. Seleccione
distribuciones adicionales para mostrarlas, para compararlas, haciendo clic
en el nombre de la distribuciones en el cuadro superior. Habr una
leyenda en la parte inferior de la grfica, como se muestra a continuacin:

Se puede observar que la distribucin Lognormal traslapa a la

distribucin Normal, dada la semejanza con esta ltima, y que obtuvo una
calificacin de 99.9. La distribucin Uniforme es la que menos se ajusta
pues los datos evidentemente no siguen esta tendencia.

3. Mediante un ejemplo genere una variable aleatoria usando el

mtodo de la transformada inversa.
a) Usando distribucin exponencial
El mtodo de la transformada inversa puede utilizarse para simular
variables aleatorias continuas, lo cual se logra mediante la funcin
acumulada f(x) y la generacin de nmeros pseudo aleatorios r i U (0, 1).
El mtodo consiste en desarrollar los siguientes pasos:
1. Definir la funcin de densidad F(x) que represente la variable a
modelar:
F(x) = e-x para x 0
2. Calcular la funcin acumulada F(x):
F(x) =

dx = 1-e-x para x 0

3. Despejar la variable aleatoria x y obtener la funcin acumulada inversa

F(x)-1
Despeje de la variable aleatoria:
Xi = - ln (1-ri)
Funcin acumulada inversa: Xi= -Ln (1-ri)
4. Generar las variables aleatorias x, sustituyendo los valores con
nmeros pseudo aleatorios ri
U (0, 1) en la funcin acumulada
inversa.
El tiempo, en minutos, que un alumno usa una terminal de cmputo en una
importante universidad sigue una distribucin exponencial de probabilidad, con
promedio de 36 minutos.
Xi= -36Ln (1-ri)
Alumno
1
2
3
4
5
6
7
8
9
10

ri
0.4849
0.5128
0.2963
0.7793
0.7306
0.4068
0.5486
0.0961
0.2352
0.5319

Tiempo Alumno
ri
Tiempo
23.882192
11
0.2917 12.4159517
25.8869003
12
0.5088 25.5925405
12.6505134
13
0.8877 78.716931
54.3942348
14
0.8011 58.1383114
47.2160885
15
0.1761 6.97342016
18.8000521
16
0.1011 3.83700547
28.6344509
17
0.0221 0.80452309
3.63731559
18
0.4884 24.1276395
9.65307302
19
0.8534 69.1217096
27.3266399
20
0.1323 5.10873286

a) Usando la distribucin de Bernoulli

El mtodo de la transformada inversa tambin se emplea para
simular variables aleatorias de tipo discretas. El mtodo consiste en:
1. Calcular todos los valores de la distribucin de probabilidad p(x) de
la variable a modelar.
2. p(x)= px (1-p) 1-x para x=0, 1
Se calculan las probabilidades para x=0 y x=1, para obtener:
x

p(x)

1-p

3. Calcular todos los valores de la distribucin acumulada P(x).

x

P(x)

1-p

4. Generar nmeros pseudo aleatorios ri U (0, 1).

5. Comparar con el valor de P(x) y determinar qu valor de x
corresponde a P(x).
Si ri

(0, 1 p) x=0

Si ri

(1 p, 1) x=1

Xi =

La probabilidad de que un prospecto elegido al azar realice una compra a un agente

de ventas es 0.20 (x=1) y de 0.8 de que no compre (x=0) en un dia determinado.
p(x)= (0.2)x (0.8) 1-x para x=0, 1
Clculo de probabilidades puntuales y acumuladas para x=0 y x=1.
X

p(x)

0.8

0.2

P(x)

0.8

Si ri

(0 0.8) x=0

Si ri

(0.8 - 1) x=1

Xi =

Si el nmero pseudo aleatorio es menor que 0.8, no hay compra.

Si el nmero pseudo aleatorio es mayor que 0.8, si hay compra.
Persona
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

ri
0.1935
0.1612
0.6451
0.6129
0.0645
0.0322
0.5161
0.4838
0.9677
0.9354
0.387
0.3548
0.8387
0.8064
0.285
0.2258
0.7096
0.6774
0.129
0.0967
0.5806
0.5483
0
1
0.4516
0.4193
0.9032
0.8709
0.3225
0.2903
0.7741
0.7419

Xi
0
0
0
0
0
0
0
0
1
1
0
0
1
1
0
0
0
0
0
0
0
0
0
1
0
0
1
1
0
0
0
0

Evento: Compra
No
No
No
No
No
No
No
No
Si
Si
No
No
Si
Si
No
No
No
No
No
No
No
No
No
Si
No
No
Si
Si
No
No
No
No

Instituto Tecnolgico de Reynosa

Ingeniera Industrial
6to semestre
Simulacin
MII. Jos Mara Gonzlez Rodrguez

UNIDAD II: Nmeros Aleatorios y Pseudo aleatorios

UNIDAD III: Variables Aleatorias

Abasolo Melchor Alberto

Carranza Garca Alberto de Jess
De Luna Prez Nancy Yadira
Hernndez Martnez Diana Celeste
Medrano Meza Erick Roberto

Reynosa, Tamps, 09 de Mayo de 2011