Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Materia: Simulación
Turno: Matutino
1
Contenido
INTRODUCCIÓN ............................................................................................................................................................... 3
Unidad 2.- Números Pseudoaleatorios ............................................................................................................................ 4
2.1 Métodos de Generación de Números Pseudoaleatorios. ................................................................................... 5
2.2 Pruebas Estadísticas ................................................................................................................................................... 7
2.2.1 De uniformidad:.................................................................................................................................................... 7
2.2.2 De aleatoriedad: .................................................................................................................................................. 7
2.2.3 De independencia:............................................................................................................................................... 8
2.3 Método de Montecarlo .............................................................................................................................................10
2.3.1 CARACTERÍSTICAS:.........................................................................................................................................10
2.3.2 APLICACIONES: ................................................................................................................................................11
2.3.3 SOLUCIÓN DE PROBLEMAS ..........................................................................................................................12
CONCLUSIÓN ..................................................................................................................................................................13
2
INTRODUCCIÓN
3
Unidad 2.- Números
Pseudoaleatorios
Definición:
La herramienta principal de la simulación es la generación de números
aleatorios o al azar, los cuales representaran el valor que tomara una
variable. En un principio los números aleatorios se generaban por métodos
rústicos como el girar una ruleta o lanzar los dados.
El enfoque moderno es usar una computadora para generarlos mediante
alguna fórmula matemática con lo que nos encontramos generando por un
método determinístico una secuencia de número que dan la apariencia de
ser aleatorios cuando no lo son, dado que en algún momento no
determinado esta lista comenzara a repetirse, el objetivo en sí es generar
una lista lo suficientemente larga como para evitar llegar al comienzo del
ciclo.
A esta serie de número que parecen ser aleatorios se les denomina
pseudoaleatorios.
4
2.1 Métodos de Generación de
Números Pseudoaleatorios.
Métodos mecánicos:
La generación de números aleatorios de forma totalmente aleatoria, es muy
sencilla con alguno de los siguientes métodos:
1. Mediante una ruleta. Si estamos interesados en obtener números
aleatorios discretos de una cifra (0,1,2,. . .,9), se hace girar una ruleta
numerando los sectores del 0 al 9 y posteriormente se de1tiene
anotándose el número de sector. La probabilidad de obtener cualquier
número de la secuencia anterior es 1/10.
Si en lugar de generar números aleatorios de una cifra, necesitamos
generar números aleatorios uniformes de k cifras, con valores de la
variable aleatoria en el conjunto, con probabilidad 1/10, no tenemos
nada más que partir de una tabla de números aleatorios de una cifra;
los números resultantes son aleatorios de cifras.
La generación de números aleatorios de una variable aleatoria
uniforme (0, 1) constituye el paso siguiente, ya que esa distribución
juega un papel fundamental en la generación de variables aleatorias
con otras distribuciones. Supongamos que estamos interesados en la
generación de números aleatorios con cifras decimales y uniformes en
el intervalo (0, 1).
El primer paso será generar números (), uniformes de cifras para
posteriormente, a través de una transformación = /10 , pasarlos al
dominio (0, 1)
2. Mediante una moneda o un dado: Se lanza una moneda o un dado
y se anota el resultado.
3. Uso de guías telefónicas: Coger la guía telefónica de una provincia,
abrir una página al azar y anotar de cada número de teléfono las cuatro
últimas cifras.
4. Recurrir a tablas de números aleatorios.
5
Métodos de generación aritméticos:
Los procedimientos de generación de números aleatorios más
utilizados son de tipo aritmético y suelen ser de tipo recursivo. Cada número
aleatorio se obtiene en función del último número obtenido, o de un número
relativamente pequeño de los números obtenidos previamente. Si se
considera el caso en el que cada número depende exclusivamente del
anterior, la fórmula de generación será
𝑥𝑛+1=𝑓 (𝑥𝑛 )
Método de Lehmer:
El método consiste en los siguientes pasos:
6
2.2 Pruebas Estadísticas
2.2.1 De uniformidad:
Prueba de Kolmogorov-Smirnov: Esta prueba sirve para verificar o negar la
hipótesis que unos conjuntos de observaciones provienen de una
determinada distribución. La estadística D que se utiliza en esta prueba es
una medida de la diferencia máxima observada entre la distribución empírica
(dada por las observaciones) y la teórica supuesta. La estadística D es
obviamente una variable aleatoria.
A continuación, se detalla cómo se utiliza esta prueba para verificar o negar
que un conjunto de números pseudoaleatorios tenga una distribución
uniforme en el intervalo cerrado [0, 1].
2.2.2 De aleatoriedad:
Aquí se encuentran los resultados de una encuesta con una serie de
cuestiones sobre lo que ocurriría jugando al ajedrez de forma aleatoria, así
como los resultados obtenidos de una simulación mediante PC (Método de
Monte Carlo) de ésta misma cuestión. Las respuestas a la encuesta se
obtuvieron a través de Internet y de un BBS local. Las líneas marcadas con
dos asteriscos son las respuestas verdaderas de acuerdo con los resultados
de la simulación.
7
El resumen de los resultados de la simulación al azar, muestra
en la primera tabla, los datos parciales y acumulados que se obtuvieron
después de simular 2.000.000 de partidas.
La tabla tercera muestra el porcentaje de veces que cada uno de los tipos
de piezas aparece en la posición final del bando vencedor (naturalmente de
las partidas que no fueron tablas).
La cuarta tabla muestra el número de casillas que por término medio bate
cada una de las piezas durante el desarrollo de las partidas. Como es bien
conocido, esta es una medida del poder de cada pieza.
2.2.3 De independencia:
El objetivo es verificar si existe una dependencia entre las
variables cualitativas que definen filas y columnas, es decir, si para todo i =
1, ..., k y j = 1, .., m se verifica que la probabilidad del resultado
correspondiente a la combinación Ai ∩ Bj es el producto de las
probabilidades marginales correspondientes. P(Ai) es la probabilidad del
resultado i para la variable fila y P(Bj) la del resultado j para la variable
columna.
P(Ai ∩ Bj) = P(Ai) · P(Bj)
8
Utilizaremos generalmente la notación más
simplificada:
P(Ai ∩ Bj) = pij
P(Ai) = pi·
P(Bj) = p·j
Los valores de pi· y p·j se estimarán, a partir de los valores observados en la
tabla de contingencia, por ni·/N y n·j/N respectivamente.
9
2.3 Método de Montecarlo
2.3.1 CARACTERÍSTICAS:
El método de Montecarlo tiene como características ventajas y desventajas.
Una ventaja de la simulación de Montecarlo seria sobre los resultados
probabilísticos y gráficos ya que, con los probabilísticos muestran lo que
puede suceder y que tan probable es que suceda un resultado, con los
gráficos cuando los datos son generados por Montecarlo se hace fácil crear
gráficas para observar cuales son las posibilidades de que algo suceda.
Otras ventajas que se puede mencionar serian que cuando se tienen pocos
resultados, se hace más difícil ver lo que afecta el resultado, en cambio
cuando se utiliza simulación Montecarlo se hace más fácil que vea cuales
son las variables que influyen más en los resultados.
Ampliando sobre las ventajas que proporciona la simulación de Montecarlo:
se sabe que cuando se hacen algunas simulaciones es muy difícil modelar
diferentes combinaciones de valores de entrada, pero al utilizar la simulación
de Montecarlo se puede ver qué valores tiene exactamente cada variable, al
igual que se puede relacionar distintas variables de entrada para averiguar
10
con certeza porque ciertos valores tienen cambios
repentinos paralelamente.
Como toda simulación cuando tiene ventajas, tiene sus desventajas así que
ahora aprenderemos sobre las desventajas que tiene la simulación
Montecarlo, una de ellas es que no siempre proporciona un resultado
correcto y podemos cometer un error, ya que la simulación nos brindó un
resultado incorrecto.
Hablando del método de la aguja de bufón, que es una aplicación del método
Montecarlo su desventaja es que solo se puede aplicar en medios que
contienen geometrías planas. Otra desventaja seria; al tener un modelo de
simulación la salida producida es aleatorias y deben ser tratadas como lo que
son, es decir como una estimación solamente, también que al suponer
valores para realizar la simulación el sistema puede ser muy poco realista.
2.3.2 APLICACIONES:
Criptografía.
Cromo dinámico cuántica.
Densidad y flujo de tráfico.
Diseño de reactores nucleares.
Diseño de VLSI.
Ecología.
Econometría.
Evolución estelar.
Física de materiales.
Métodos cuantitativos de organización industrial.
Programas de computadora.
Pronóstico del índice de la bolsa.
Prospecciones en explotaciones petrolíferas.
Radioterapia contra el cáncer.
Sistemas de colas.
Sistemas de inventario P y Q.
11
2.3.3 SOLUCIÓN DE PROBLEMAS
Supongamos que tenemos un satélite, que para su funcionamiento
depende de que al menos 2 paneles solares de los 5 que tiene
disponibles estén en funcionamiento, y queremos calcular φ la vida útil
esperada del satélite (el tiempo promedio de funcionamiento hasta que
falla, usualmente conocido en la literatura como MTTF - Mean Time To
Failure).
Supongamos que cada panel solar tiene una vida útil que es aleatoria,
y está uniformemente distribu ıda en el rango [1000 hrs, 5000 hrs] (valor
promedio: 3000 hrs).
Para estimar por Monte Carlo el valor de φ, haremos n experimentos,
cada uno de los cuales consistirá en sortear el tiempo de falla de cada
uno de los paneles solares del satélite, y observar cual es el momento
en el cuál han fallado 4 de los mismos, esta es la variable aleatoria
cuya esperanza es el tiempo promedio de funcionamiento del satélite.
El valor promedio de las n observaciones nos proporciona una
estimación de φ.
12
CONCLUSIÓN
Al concluir con este trabajo hemos aprendido todos los temas necesarios
para comprender lo que son números pseudoaleatorios, para que nos sirve,
también lo que es el método de Montecarlo que nos sirve para poder resolver
problemas matemáticos mediante la simulación de variables aleatorias, así
como también tiene un montón de aplicaciones en:
Sistemas de computación, fabricación, negocios, gobierno, ecología y medio
ambiente, sociedad y comportamiento, entre otros más. Además de que nos
permite solucionar una gran cantidad de problemas.
13