Está en la página 1de 13

INSTITUTO TECNOLÓGICO SUPERIOR DE LOS RÍOS

Nombre del Alumno: Alejandro Alamilla Gutiérrez

Catedrático: Ing. Lázaro Arcos Castillo

Materia: Simulación

Trabajo: Investigación Unidad 2

Carrera: Ingeniería en Sistemas Computacionales

Semestre: 4to Grupo: A

Turno: Matutino

Balancán, Tabasco, México a 14 de febrero del 2017

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

Este trabajo consistirá en investigar los temas que son relacionados a la


unidad 2, números pseudoaleatorios que son básicamente números al azar
que sirve como herramienta para analizar el diseño y operaciones de
sistemas de procesos complejos, además que estos números sirven para
otros fines más simples como lo son un folio, para placas, para una rifa o
algo simple, vimos los métodos que utiliza como el método de Montecarlo
que es un método de números aleatorios, pero con números decimales.

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 los cuadrados medios:


Este método fue planteado por Von Neumann en 1950. Se basa en tomar un
número, elevarlo al cuadrado y tomar los dígitos del centro como nuevo
número, luego repetir el procedimiento.

Método de Lehmer:
El método consiste en los siguientes pasos:

1. Se toma como semilla un número entero, X0, de n cifras.


2. Se elige otro entero, c, de k cifras. Suele tomarse k<n.
3. Se calcula X0 *c, número de a lo sumo, n + k cifras.
4. Se separan las k cifras de la izquierda de X0*c y al número formado
por las n cifras restantes se le resta el que se forma de esas k cifras
de la izquierda, dando lugar a X1.
5. Se repite este proceso tantas veces como sea necesario.
6. Se devuelven los valores

6
2.2 Pruebas Estadísticas

En esta sección se describen 3 de las pruebas estadísticas que se aplican a


los números pseudoaleatorios generados por cualquiera de los métodos
anteriores; en la primera de ellas, se tratará de verificar la hipótesis de que
los números generados provienen de la distribución uniforme en el intervalo
cerrado [0,1], en la segunda de ellas, se aplicará la prueba de corrida, misma
que sirve para verificar que los números son efectivamente aleatorios.
A continuación, se detallan ambas pruebas:

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.

 Una segunda tabla muestra los resultados cuando se introduce la regla de


los 50 movimientos, que no resultó significativa, ya que, de las 264.831 tablas
resultantes de la misma, 247.354 también lo hubiesen sido sin la aplicación
de la regla.

 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.

 Una última tabla muestra los resultados de simular tandas de 4.000.000 de


simulaciones desde posiciones iniciales que solo contiene el material de los
mates elementales.

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

La simulación de Montecarlo es un método especialmente útil para analizar


situaciones que involucran riesgo con el propósito de obtener respuestas
aproximadas cuando el realizar un experimento físico o el aplicar métodos
analíticos no es posible o resulta muy difícil o costoso.
La simulación de Montecarlo hace referencia a experimentos que involucran
el uso de números pseudoaleatorios. El requisito clave de esta técnica es
que los resultados de todas las variables de interés deben ser seleccionados
aleatoriamente.
La simulación de Montecarlo ha tenido una gran aceptación en la vida real
debido al poder analítico que presenta sin la necesidad de matemáticas
complejas.

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.

 De esta simulación, tenemos un valor estimado para la vida útil


esperada del satélite de 3683. Un indicador del error que podemos
estar cometiendo es la varianza o equivalentemente la desviación
estándar de Sn, que en este caso es (haciendo los cálculos) 297.

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

También podría gustarte