INGENIERIA INDUSTRIAL Y DE SISTEMAS

ADMINISTRATIVOS

SIMULACIÓN

TAREA 2

CATEDRATICO: SANDRA SÁNCHEZ HERNÁNDEZ

ALUMNO: SANTIAGO SCHWARTZ

MATRICULA: 314327

FECHA: 20-07-2016
Contesta lo siguiente del tema "NÚMEROS ALEATORIOS Y PSEUDOALEATORIOS":

-Números aleatorios (definición, propiedades).

Según http://simulacionstefa.blogspot.mx/ Los números aleatorios son aquellos que pueden ser
generados a partir de fuentes de aleatoriedad, las cuales, generalmente, son de naturaleza física
(dados, ruletas, mecanismos electrónicos o mecánicos), y son gobernados por las leyes del azar;
éstos exhiben verdadera aleatoriedad en la realización de experimentos.

Tienen el inconveniente de ser generados lentamente. Además, los números aleatorios no

pueden almacenarse de forma automática. Por tanto, se deben buscar procedimientos
algorítmicos computacionales que generen números aleatorios de forma muy rápida y los puedan
almacenar sin utilizar mucha capacidad de memoria.

Una de las características más poderosas de la simulación es la habilidad de imitar el

comportamiento aleatorio que es característico de la mayoría de los sistemas reales. Para poder
imitar este comportamiento aleatorio la simulación necesita utilizar un generador de números
aleatorios, el cual es responsable de producir un ciclo grandísimo e independiente de números
aleatorios.

Según http://cursos.aiu.edu/ Los números aleatorios son elementos que se emplean dentro del
proceso de simulación, con el propósito de evaluar el grado de respuesta de un sistema a los
eventos fortuitos o de baja predictibilidad.

-Números pseudoaleatorios (definición y propiedades).

Según http://simulacionstefa.blogspot.mx/ los números pseudo-aleatorios son aquellas que tienen

un comportamiento similar a la naturaleza aleatoria, pero están ceñidos a un patrón, generalmente
de naturaleza matemática, que hace que su comportamiento sea determinantico.

Es deseable que los números pseudoaleatorios uniformes posean las siguientes características:

Uniformemente distribuidos.

Estadísticamente independientes.

Reproducibles.
Periodo largo.

Generados mediante un método rápido.

Generados mediante un método que no requiera mucha capacidad de almacenamiento de la

computadora.

Según http://cursos.aiu.edu/ Un número pseudo-aleatorio es un número generado en un proceso

que parece producir números al azar, pero no lo hace realmente. Las secuencias de números
pseudo-aleatorios no muestran ningún patrón o regularidad aparente desde un punto de vista
estadístico, a pesar de haber sido generadas por un algoritmo completamente determinista, en el
que las mismas condiciones iníciales producen siempre el mismo resultado.

-Menciona las pruebas de aleatoriedad.

Según http://cursos.aiu.edu/ Para comprobar si los números aleatorios obtenidos cumplen las
propiedades deseadas de uniformidad e independencia se deben realizar una serie de pruebas.

1. Prueba de frecuencia.
2. Pruebas de series.
3. Prueba de auto correlación.
4. Prueba de saltos.
5. Prueba de póker.

- Cuando se prueba la uniformidad las hipótesis son:

1. H0: Ri ~ U[0,1]
2. H1: Ri ≠ U[0,1]
3. La hipótesis nula supone que la secuencia de números obtenidos está distribuida
uniformemente en el intervalo [0,1].

Según http://documents.mx/ obtener sucesiones de números realmente aleatorios implica la

utilización de algún fenómeno físico de naturaleza estocástica, como el arrojar una moneda al aire,
el ruido de un circuito electrónico, el decaimiento de un material radioactivo, el conteo de fotones
mediante detectores centelladores y, más recientemente, se han propuesto métodos menos
tradicionales basados en fenómenos tales como el flujo turbulento de aire formado por el
movimiento de los discos duros en una computadora y otro tipo de hardware, péndulos caóticos e
incluso del tipo biométricos, pero debido a las inherentes dificultades que ofrece este enfoque,
entre las que podemos mencionar los errores sistemáticos introducidos por el arreglo
experimental, la nula reproducibilidad de la sucesión obtenida, así como la baja frecuencia en la
generación de números aleatorios, han hecho necesaria la búsqueda de otras formas más
eficientes para obtener estos números.

Desde hace ya algunos años, se utilizan computadoras digitales para implementar programas a
los que llamamos generadores de números pseudoaleatorios o simplemente generadores, los
cuales mediante reglas deterministas y operaciones aritméticas muchas veces sencillas, producen
sucesiones de números que se asemejan en un sentido limitado, a las obtenidas mediante un
experimento aleatorio y que se denominan sucesiones de números pseudoaleatorios. Se conocen
muchas implementaciones diferentes para generar números pseudoaleatorios que hacen uso de
una gran variedad de técnicas y algoritmos que comprenden desde el uso de algoritmos de
congruencias lineales hasta otros asociados con autómatas celulares, algoritmos de criptografía
de curvas elípticas, etcétera.

La actual utilización de series muy grandes de números pseudoaleatorios en muchas

aplicaciones, así como algunos episodios de resultados dudosos, obtenidos debido a la baja
calidad de los generadores utilizados, ha fortalecido la necesidad de contar con mejores y cada
vez más eficientes pruebas de la calidad. El campo de investigación de las pruebas de calidad de
generadores de números pseudoaleatorios (y por supuesto, también de su implementación), es
tan activo que prácticamente no hay mes en el que no se reporten en la literatura científica nuevas
pruebas de calidad que utilizan una gran variedad de criterios y técnicas (teoría de la información,
técnicas estadísticas, power spectrum, gambling tests, sistemas físicos, entropía, etc.).

Las pruebas de calidad de los generadores de números pseudoaleatorios se pueden dividir en: •
Pruebas teóricas. Se realizan estudiando los algoritmos generadores de números
pseudoaleatorios mediante el uso de herramientas como la teoría de números. Estos tipos de
pruebas son útiles por su generalidad y están basadas en el estudio de algunas propiedades tales
como la longitud del periodo de la secuencia y la uniformidad del algoritmo. • Pruebas usadas
empíricas. Para estas pruebas se concentran locales no en las sucesiones de números
pseudoaleatorios y sus propiedades. Son encontrar correlaciones triviales presentes en las
sucesiones de números pseudoaleatorios y mostrar aspectos desapercibidos en las pruebas
teóricas.
Pruebas de aleatoriedad para comprobar si los números aleatorios obtenidos cumplen las
propiedades deseadas de uniformidad e independencia se deben realizar una serie de pruebas. • •
• • • Prueba de frecuencia. Pruebas de series. Prueba de autocorrelación. Prueba de saltos.
Prueba de poker. Cuando se prueba la uniformidad las hipótesis son: • H0: Ri ~ U [0,1] • H1: Ri ≠
U [0,1] La hipótesis nula supone que la secuencia de números obtenidos está distribuida
uniformemente en el intervalo [0,1]. Prueba de frecuencia (Kolmogorov) La prueba básica a la que
se debiera someter cualquier nuevo generador de números aleatorios es la de uniformidad.
Existen dos métodos para realizar esta prueba: • • Prueba de Kolmogorv-Smirnov. Prueba de chi-
cuadrado. Kolmogorov-Smirnov compara la función de distribución acumulada F(x) de la
distribución uniforme con la empírica, SN(x), de la muestra de N observaciones.

-Explica el Método de Monte Carlo.

Según http://cursos.aiu.edu/ El método de Monte Carlo es un método no determinístico o

estadístico numérico usado para aproximar expresiones matemáticas complejas y costosas de
evaluar con exactitud. El método se llamó así en referencia al Casino de Montecarlo (Principado
de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un generador simple de números
aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora.

El uso de los métodos de Monte Carlo como herramienta de investigación, proviene del trabajo
realizado en el desarrollo de la bomba atómica durante la segunda guerra mundial en el
Laboratorio Nacional de Los Álamos en EE.UU. Este trabajo conllevaba la simulación de
problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones en el material
de fusión, la cual posee un comportamiento eminentemente aleatorio. En la actualidad es parte
fundamental de los algoritmos de trazado de rayos para la generación de imágenes sintéticas.

Según https://es.wikipedia.org El método de Monte Carlo1 es un método no determinista o

estadístico numérico, usado para aproximar expresiones matemáticas complejas y costosas de
evaluar con exactitud. El método se llamó así en referencia al Casino de Monte Carlo (Principado
de Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un generador simple de números
aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan
aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El
uso de los métodos de Monte Carlo como herramienta de investigación, proviene del trabajo
realizado en el desarrollo de la bomba atómica durante la Segunda Guerra Mundial en el
Laboratorio Nacional de Los Álamos en EE. UU. Este trabajo conllevaba la simulación de
problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones en el material
de fisión. Esta difusión posee un comportamiento eminentemente aleatorio. En la actualidad es
parte fundamental de los algoritmos de Raytracing para la generación de imágenes 3D. Monte
Carlo En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam
refinaron esta ruleta y los métodos "de división" de tareas. Sin embargo, el desarrollo sistemático
de estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948.

Aproximadamente en el mismo año, Enrico Fermi, Nicholas Metrópolis y Ulam obtuvieron

estimadores para los valores característicos de la ecuación de Schrödinger para la captura de
neutrones a nivel nuclear usando este método. El método de Monte Carlo proporciona soluciones
aproximadas a una gran variedad de problemas matemáticos posibilitando la realización de
experimentos con muestreos de números pseudoaleatorios en una computadora. El método es
aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A diferencia de los
métodos numéricos que se basan en evaluaciones en N puntos en un espacio M-dimensional para
producir una solución aproximada, el método de Monte Carlo tiene un error absoluto de la
estimación que decrece como {\displaystyle {\frac {1} {\sqrt {N}}}} {\displaystyle {\frac {1} {\sqrt
{N}}}} en virtud del teorema del límite central.