Separata del Curso Fac. Ing. Industrial URP Prof. MG. A.

Madrid

S I M U L A C I Ó N

DEFINICIÓN DE SIMULACIÓN
Viene a ser la reproducción artificial de un sistema en sus relaciones de entrada y salida (a través
de variables aleatorias), implementadas en un programa de una PC.
Esta técnica numérica permite realizar experimentos de una PC. de programas matemáticos y
lógicos que describen el comportamiento de un sistema (manufactura, negocios, casos sociales,
etc.) a través de grandes períodos de tiempo.

Pasos para implementar un proceso de simulación

1. Formulación del problema.

2. Recolección y procesamiento de la información
3. Formulación del modelo matemático
4. Estimación de los parámetros.
5. Evaluación del modelo y parámetros estimados
6. construcción de un programa de computadora
7. Validación del programa desarrollado.
8. Diseño de experimentos de simulación.
9. Análisis de resultados y validación de la información.

Nota: Simulación viene de simular y simular es imitar el comportamiento de

algo en el escenario dado.

1
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
Diagrama de Flujo de los Pasos de un Proceso de Simulación

FORMULACIÓN DEL
PROBLEMA

RECOLECCIÓN Y
PROCESAMIENTO
DE DATOS

FORMULACIÓN DEL
PROBLEMA MATEM.

ESTIMACIÓN DE
LOS PARÁMETROS

EVALUACIÓN
DEL MODELO

FORMULACIÓN DEL
PROGRAMA

VERIFICACIÓN

DISEÑO DE
EXPERIMENTOS

ANÁLISIS DE DATOS
DE LA SIMULACIÓN

2
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

1. FORMULACIÓN DEL PROBLEMA

El estudio de la simulación de computadoras tiene que comenzar con la formulación de un
problema o con una declaración explícita de los objetivos del experimento; pues sería poco
beneficioso realizar experimentos que emplean técnicas de simulación por la simulación misma.
En primer definir claramente los objetivos de nuestra investigación, antes de realizar cualquier
experimento de simulación. Con toda seguridad encontraremos que la exposición original del
problema es un proceso secuencial que generalmente requiere de una reformulación continua y
progresiva y una refinación de los objetivos del experimento durante su realización. Los objetivos
de la investigación, tanto de la empresa como de la economía, como también de la mayoría de las
ciencias sociales, toma generalmente la forma ya sea de: (1) preguntas que deben contestarse, (2)
hipótesis que deben probarse y (3) efectos por estimarse.

2. RECOLECCIÓN Y PROCESAMIENTO DE DATOS TOMADOS DE LA

REALIDAD
El lector quizá argüirá legítimamente, que una discusión sobre los requisitos para procesar los
datos en experimentos de simulación tendría que preceder a nuestros comentarios sobre la
formulación del problema, por ser simplemente posible formular un problema o un conjunto de
objetivos para un experimento, sin tener acceso adecuado a la información (cuantitativa o de otra
clase) acerca del sistema que se investiga.
Aunque nuestra intención no es enfrascarnos en una amplia discusión sobre el procesamiento de
datos, intentaremos bosquejar algunos de los problemas más importantes que se encuentran al
recolectar y reducir los datos a una forma más apropiada, para ser utilizados en los experimentos
de simulación. Existen, por lo menos, cinco razones es necesario disponer de un sistema eficiente
para el procesamiento de datos, que permitan alcanzar el éxito al realizar los experimentos de
simulación.
En primera instancia, como ya lo hemos dicho, la información descriptiva y cuantitativa (datos)
referente al sistema que se va investigar, constituye un requisito previo a la formulación del
problema. En segundo lugar, los datos que hayan sido reducidos a una forma significativa pueden
sugerir hipótesis de cierta validez, las cuales se usarán en la formulación de los modelos
matemáticos que describen el comportamiento de un sistema dado. Como tercer punto, los datos

3
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
también pueden sugerir mejoras o refinamientos en los modelos matemáticos que existen en el
sistema por simularse. En cuarto lugar, es necesario que los datos, reducidos a una forma final, se
utilicen para estimar los parámetros de las características de operaciones relativas a las variables
endógenas, exógenas y de estado del sistema. Finalmente, cabe considerar que, sin tales datos,
sería imposible probar la validez de un modelo para la simulación.
La recolección de datos es un proceso de captación de los hechos disponibles, con lo cual estos
pueden ser procesados posteriormente, cuando sea necesario. En realidad, el proceso de
recolección y el de almacenamiento de datos ocurren simultáneamente, pues el primero implica
que los datos sean o hayan sido almacenados. La manera en la cual los datos se almacenan durante
la primera etapa de procesamiento no constituye, por lo general, la forma más eficiente que se
debe emplear en las etapas posteriores; por esta razón, la conversión de los datos de una forma a
otra tiene una función crucial en la determinación de eficiencia del procesamiento. Por ejemplo,
es posible que cierta información sea almacenada más eficientemente, en forma de documentos
manuscritos.
Una vez que los datos han sido recolectados, almacenados, convertidos a una forma eficaz y
transmitidos al lugar de procesamiento final, resulta posible entonces, comenzar con las
operaciones de manipulación de datos y la preparación de estos para su salida final. Las etapas de
manipulación requieren la realización de operaciones como las de clasificar, cotejar, intercalar,
recuperar información y otras, como las operaciones aritméticas y lógicas. Estas operaciones se
realizan con la computadora o sin ella, y depende de la cantidad de datos por manipular y la
utilización que finalmente tengan.

3. FORMULACIÓN DE LOS MODELOS MATEMÁTICOS

Consiste en tres pasos:
1. Especificación de los componentes
2. Especificación de las variables y los parámetros.
3. Especificación de las relaciones funcionales.
En la formulación de los modelos matemáticos de sistemas económicos e industriales parece
presentarse una dificultad, ya que la construcción de modelos es un arte y no una ciencia. Aunque
los instrumentos empleados por un constructor de tales modelos difieren de los utilizados por el
escultor, el o el tallador de madera, esto no lo excluye de la citada catalogación. Al utilizar aún

4
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
las técnicas como la econometría, la estadística matemática, la teoría de probabilidad, el álgebra
matricial, las ecuaciones de diferencias y la programación matemática, la tarea de construir un
modelo matemático para un sistema en particular, es todavía análoga al trabajo de un artista.
Una de las primeras consideraciones que se toman en cuenta en la formulación de un modelo
matemático reside en saber cuántas variables se deben incluir en el modelo. Encontraremos muy
poca dificultad en lo referente a las variables endógenas o de salida de nuestro modelo, debido
por lo general, a que estas variables se determinan al comenzar el experimento, cuando
formulamos los objetivos de estudio. Obviamente habrá un límite superior en el número de las
variables endógenas posibles de investigar en un solo experimento de simulación, ya que el
tamaño de la computadora disponible para el investigador impondrá necesariamente ciertas
limitaciones relativas a este aspecto.
La segunda consideración importante en la formulación de los modelos matemáticos se refiere a
la complejidad de los mismos. Por un lado, es posible argüir que los sistemas económicos son en
realidad complicados y que los modelos matemáticos que pretenden describir su comportamiento
también tendrán que ser complicados. En cierto grado, estas afirmaciones resultan verdaderas,
pero por otro lado, no quisiéramos llegar al extremo de construir modelos tan complejos,
independientemente de lo que sean, y requieran un tiempo razonable de computación. Por lo
general, estamos interesados en la formulación de modelos matemáticos que produzcan
descripciones o predicciones, razonablemente exactas, referentes al comportamiento de un
sistema dado y reduzca a la vez, al tiempo de computación y programación.
Una tercera consideración en la formulación de modelos matemáticos para la simulación en
computadora estriba en el área de la eficiencia de computación.
Entendemos por ello, la cantidad de tiempo de cómputo requerida para lograr algún objetivo
experimental específico. Como regla general, estamos comúnmente interesados en uno de los
objetivos siguientes relacionados con la eficiencia de los experimentos de simulación: En el
primer caso, es posible que deseemos reducir el tiempo de cómputo requerido para generar los
valores de nuestras variables endógenas sobre un período específico, sean seis meses o nueve
años, o quizás necesitemos hacerlo con el tiempo de cómputo que requiere para simular el
comportamiento de la economía de un estado en un período de diez años.
El tiempo consumido en la programación de la computadora, constituye una cuarta consideración
al formular los modelos matemáticos para simulación. El tiempo requerido para escribir un

5
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid
programa que genere los tiempos planificados para las variables endógenas de un conjunto en
particular de modelos matemáticos depende en parte del número de variables utilizadas en los
modelos y de su complejidad. Si algunas de las variables utilizadas en los modelos son
estocásticas por naturaleza entonces, tanto el tiempo de programación como el de computación
deben, por supuesto, equilibrarse con los aspectos de validez y velocidad de cálculo.
La quinta área de interés en la construcción de modelos es la validez o la cantidad de realismo
incorporado en ellos. Es decir, ¿el modelo describe adecuadamente al sistema de interés?;
¿proporciona predicciones razonablemente buenas cerca, del comportamiento del sistema, en
períodos futuros? A menos que la respuesta a una o ambas de estas preguntas sea afirmativa.
Entonces el valor de nuestros modelos se reducirá considerablemente y nuestro experimento de
simulación se convertirá solo en un ejercicio de lógica deductiva.
La sexta y última consideración, al formular modelos para simulación en computadora, consiste
en su compatibilidad con el tipo de experimentos que van a realizar con ellos. Ya que nuestro
objetivo principal al formular un modelo matemático es el permitirnos dirigir experimentos de
simulación, deberá pensarse en qué forma particular se tomarán las características del diseño de
los experimentos que deban incorporarse en nuestros modelos.
En los párrafos anteriores intentamos bosquejar que los que pensamos es un conjunto de
propiedades deseables para los modelos matemáticos, o por lo menos, un conjunto de factores que
el constructor del modelo considere útil tomar en cuenta. Desafortunadamente estas propiedades
representan metas muy idealizadas que rara vez se cumplen al tratar con problemas del mundo
real.
Han surgido dos tipos básicos de diseño para formular modelos matemáticos que serán utilizados
para simulación en computadora. Los diseños generalizados y los modulares o de bloques. Los
modelos primeros presenten un intento para describir el comportamiento de un sistema completo,
tal como una empresa o la economía de una nación. No obstante que este ataque se ha utilizado
ampliamente en la microeconomía, macroeconomía y econometría, no puede en general esperar
un éxito abrumador ya sea en la descripción o en la predicción del comportamiento futuro de los
sistemas económicos.

6
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

4. ESTIMACIÓN DE LOS PARÁMETROS DE LAS CARACTERÍSTICAS

OPERACIONALES A PARTIR DE LOS DATOS REALES
Una vez que hemos recolectado los datos apropiados del sistema y formulado varios modelos
matemáticos que describen su comportamiento, es necesario estimar los valores de los parámetros
de dichos modelos y probar su significación estadística. La estimación de parámetros de los
modelos económicos cae dentro del dominio de la econometría.
Antes de intentar la estimación de los parámetros de las características operacionales de un
sistema económico, debemos tener un conocimiento amplio, cuando menos de las técnicas
ordinarias de estimación por mínimos cuadrados y de los procedimientos clásicos de pruebas
estadísticas. Sin embargo, si pretendemos manejar adecuadamente problemas tan difíciles como
el de los errores en las variables, variables rezagadas, colinealidad múltiple, heterosedasticidad,
autocorrelación, identificación y ecuaciones simultáneas es necesario entonces poseer mucho más
que un conocimiento puramente elemental sobre la mitología de la econometría.
Entre los métodos importantes de estimación econométrica descritos por Goldberger y Johnston
y que se comparan sobre la base de sus propiedades estadísticas y de computación se encuentran:
1. Método de una sola ecuación
a. Mínimos cuadrados ordinarios.
b. Mínimos cuadrados indirectos.
c. Ecuación única con información limitada.
d. Mínimos cuadrados de dos etapas.
2. Métodos de ecuaciones simultáneas
a. Máxima probabilidad con información completa.
b. Mínimos cuadrados de tres etapas.

7
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

5. EVALUACIÓN DE MODELOS Y DE LOS PARÁMETROS ESTIMADOS

Es necesario hacer un juicio inicial de la suficiencia de nuestro modelo una vez que formulamos
un conjunto de modelos matemáticos que describen el comportamiento de nuestro sistema
económico y estimamos los parámetros de sus características operacionales sobre la base de las
observaciones tomadas del mundo real; es decir debemos probar el modelo. Es claro que serían
pocos los beneficiados que se obtendrían con la utilización de un modelo inadecuado para realizar
experimentos de simulación en computadora, ya que estaríamos solamente simulando nuestra
propia ignorancia.
Este paso representa solo la primera etapa de la prueba de un modelo de simulación previa a las
corridas en la computadora por lo que en este punto nuestro interés reside en probar las
suposiciones o entradas que se programarán en la computadora.
En el caso de que las características operacionales toman la forma de distribución de probabilidad,
será necesario aplicar pruebas de bondad de ajuste que determinan qué tan bien se ajusta una
distribución hipotética de probabilidad a los datos del mundo real de los cuales se ha derivado.
Deseamos también la importancia estadística de nuestras estimaciones de los valores esperados,
variancias y otros parámetros de estas distribuciones de probabilidad. Estas pruebas podrían
comprender.
1. Pruebas referentes a las medias
a. Pruebas de una muestra relativas a las medias.
b. Diferencias entre medias
2. Pruebas referentes a las variancias.
a. Pruebas de las Ji cuadrada
b. Pruebas F
3. Pruebas basadas sobre el conteo de datos
a. Pruebas referentes a las proporciones.
b. Diferencias entre k proporciones.
c. Tablas de contingencia
d. Pruebas de bondad de ajuste.
4. Pruebas no paramétricas
a. La prueba del signo

8
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

b. Pruebas basadas en sumas de rango.

c. La prueba de la mediana.
d. La Prueba U
e. Pruebas de corridas
f. Pruebas de correlación en serie.

6. FORMULACIÓN DE UN PROGRAMA PARA LA COMPUTADORA

La formulación de un programa para computadora, cuyo propósito sea dirigir los experimentos
de simulación con nuestros modelos del sistema bajo estudio requiere que se considere
especialmente las siguientes actividades:
1. Diagrama de flujo.
2. Lenguaje de la Computadora
a. Computadores de propósitos generales
b. Lenguaje de simulación de propósitos especiales
3. Búsqueda de errores
4. Datos de entradas y condiciones iniciales.
5. Generación de datos.
6. Reportes de salida
Al escribir un programa de simulación para computadora, la primera etapa requiere la formulación
de una etapa de diagrama de flujo de bosqueje la secuencia lógica de los eventos que realizará la
computadora, al generar los tiempos planificados para las variables endógenas de nuestro modelo.
En cuanto terminemos un diagrama de flujo con la lógica de un experimento dado, debemos
considerar entonces el problema de escribir el código para computadora, que utilizaremos en las
corridas de nuestros experimentos, para lo cual dispondremos generalmente de dos alternativas:
Ya sea escribir nuestro programa en un lenguaje de propósitos generales como el C, C Sharp,
Delphi, HTML o bien aplicaciones de simulación de propósitos especiales como el ProModel,
GPSS, ARENA, , CHEMCAD, AspenPlus, HYSYS, Dinamo, Flexsim, Plant Simulation.

9
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

7. VALIDACION
Ciertamente, el problema de validar modelos de simulación es difícil, ya que implica un
sinnúmero de complejidades de tipo práctico, teórico, estadístico e inclusive filosófico. La
validación de experimentos de simulación forma parte de un problema mucho más general es
decir el de la validación de cualquier clase de modelo o hipótesis. Las preguntas básicas son: “Qué
significa validar una hipótesis” y “cuáles criterios deberán utilizarse para establecer la validez de
una hipótesis”.

8. DISEÑO DE LOS EXPERIMENTOS DE SIMULACIÓN

Una vez que estemos satisfechos con la validez de nuestro modelo para la computadora, estaremos
en posibilidad de considerar su uso para dirigir efectivamente, los experimentos de simulación.
De hecho, como ya hemos definido nuestro problema experimental las variables endógenas y los
factores deberemos interesarnos por los detalles del diseño experimental.
En esta fase es posible identificar dos metas importantes: en primer lugar, seleccionaremos los
niveles de los factores y las combinaciones de niveles, así como el orden de los experimentos. En
seguida y una vez que seleccionemos nuestras combinaciones de factores, debemos de esforzarnos
pro asegurar que los resultados queden libres de errores fortuitos.

9. ANÁLISIS DE LOS DATOS SIMULADOS

La etapa final en el procedimiento requiere un análisis de los datos generados por la computadora,
a partir del modelo que simula. Tal análisis consiste en tres pasos:
1. Recolección y procesamiento de los datos simulados.
2. Cálculo de la estadística de las pruebas.
3. Interpretación de los resultados.
Aún cuando el análisis de los datos simulados es de hecho semejante al análisis de los datos del
mundo real. Existen algunas diferencias importantes.

10
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

NUMEROS ALEATORIOS (RANDOM NUMBERS)

Los números aleatorios son números que están en el siguiente rango:

0≤ R ≤ 1; donde R: Random Number = Número Aleatorio

Formas de obtener Ns. As.:

1. Por provisión externa:
Viene a ser la obtención de Ns. As. impresos o almacenados en tablas aleatorias o en
unidades de memoria (disco duro, USB etc.)
2. Generación interna a través de un proceso físico, que es el uso de un dispositivo especial
acompañado de una PC, capaz de registrar los resultados de un proceso aleatorios,
reduciéndolo además estos resultados a sucesiones de Ns. As.
3. Generación interna a través de una relación de recurrencia obtención de sucesiones de
números a través de fórmulas determinísticas preestablecidas.

Características de los Ns. As.

1. Ser estadísticamente independientes.
2. Estar uniformemente distribuidos.
3. Tener períodos largos.
4. Ser reproducibles.
5. Ser generadores a través de un método rápido.
6. Ocupar poca capacidad de memoria en almacenamiento.

Observación:
a. Los Ns.As. llamados también, números rectangulares, proviene de una distribución
uniforme estándar.
𝑋 ∼ 𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒(0,1) 1 f(x)
𝑓 (𝑥 ) = 1, 0≤𝑥≤1

Donde: x
0 1

11
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

b. Distribución Uniforme (llamado también distribución rectangular)

𝑿 ∼ 𝑼𝒏𝒊𝒇𝒐𝒓𝒎𝒆(𝒂, 𝒃)
f(x)
1
b−a

x
a b

Función de Probabilidad Acumulada:

𝑥 𝑥
1 1 𝑥−𝑎
𝐹 (𝑋) = ∫ 𝑓 (𝑡)𝑑𝑡 = ∫ 𝑑𝑡 = (𝑡]𝑎𝑥 =
𝑏−𝑎 𝑏−𝑎 𝑏−𝑎
𝑎 𝑎

F(x)
 0 ; xa 1
x − a
F ( x) =  ; a xb
b − a
 1 ; xb
x
a b

También:

𝑏 𝑏 𝑥 1 𝑏2 −𝑎2 𝑎+𝑏
• 𝐸(𝑋 ) = ∫𝑎 𝑥𝑓(𝑥 )𝑑𝑥 = ∫𝑎 𝑑𝑥 = (𝑥 2 )𝑏𝑎 = =
𝑏−𝑎 2(𝑏−𝑎) 2(𝑏−𝑎) 2

𝑏 𝑏 (𝑏−𝑎)2
• 𝑉𝑎𝑟(𝑥 ) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋 )]2 = ∫𝑎 𝑥 2 𝑓(𝑥 )𝑑𝑥 − ∫𝑎 𝑥𝑓(𝑥 )𝑑𝑥 = … =
12

𝑎+𝑏 (𝑏−𝑎)2
 𝐸(𝑋 ) = 𝑦 𝑉𝑎𝑟(𝑋) =
2 12

12
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

MÉTODOS CONGRUENCIALES PARA GENERAR Números Aleatorios.

Son fórmulas preestablecidas que generan sucesiones de Ns. As. En la actualidad estos métodos
forman parte de los programas biblioteca de algunos programas de aplicación y/o lenguaje de
programación.
Estos métodos son:
• Método Congruencial Mixto.
• Método Congruencial Multiplicativo
• Método Congruencial Aditivo.
• Método del Cuadrado Central.

MÉTODO CONGRUENCIAL MIXTO.

X n+1 = (a.Xn + c) Mod m con n = 0, 1, ……….., m-1

Donde
Xo = Semilla (Xo > 0); (Xo , siempre es dato)
a = multiplicador (a>0)
c = constante aditiva (c>0)
m= módulo (m> Xo, m>a, m>c)

Observación: m es el resto de dividir (aXn + c) entre m

13
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

Ejemplo. Sea el siguiente generador congruencial:

Xn+1 = (5Xn + 7) mod 8; Xo = 4, genere los Ns As y determine su período.
Solución:
n Xn (5Xn+7)/ 8 X n+1 NsAs
0 X0=4 3 + 3/8 3 3/8
1 X1=3 2 + 6/8 6 6/8
2 X2=6 4 + 5/8 5 5/8 Periodo = 8
3 X3=5 4 + 0/8 0 0/8
4 0 7/8 7 7/8
5 7 6 + 2/8 2 2/8
6 2 2 + 1/8 1 1/8
7 1 1 + 4/8 4 4/8
8 4 3 + 3/8 3 3/8
9 3 2 + 6/8 6 6/8

Nota:
• A partir del n=8,9,… se vuelve a repetir los Números Aleatorios generados.
• Por lo tanto, el periodo es igual a 8 Números Aleatorios.
• Para determinar el periodo de ejemplo dado utilice MS Excel.

Observación: otra forma de respuesta al generador del M.C. Mixto.

𝑎𝑛 − 1
𝑋𝑛+1 = {𝑎𝑛 𝑋0 + 𝑐 { }} 𝑚𝑜𝑑. 𝑚
𝑎−1

14
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

MÉTODO CONGRUENCIAL MULTIPLICATIVO

X n+1 = (a. Xn ) Mod m con n = 0, 1, ……….., m-1

Donde:
Xo = Semilla (Xo > 0) ; (Xo , siempre es dato)
a = multiplicador (a>0)
m= módulo (m> Xo, m>a, m>c)

Ejemplo: Sea X n+1 = 3Xn mod 100, Xo= 17. Halle los Ns.As y su período.
n Xn 3Xn/100 Xn+1 NsAs
0 17 51/100 51 0.51
1 51 1+53/100 53 0.53
2 53 1+59/100 59 0.59
3 59 1+77/100 77 0.77
4 . . .
Periodo = 20
. . . .
. . . .
. . . .
19 39 17 0.17
20 17 51/100 51 0.51
Nota: Para determinar el periodo de ejemplo dado use MS Excel.

15
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

Reglas para seleccionar los parámetros a, Xo, m (Met. Cong. Multiplicativo)

Las reglas dependerán de los siguientes criterios: Sistema Decimal y/o Sistema Binario
1. Sistema Decimal
i. Selección de Xo: puede ser cualquier número entero no divisible por 3 o 5 y debe ser
relativamente primo a m.
ii. Selección de a: se obtiene de la siguiente expresión:
a = 200t + p
Donde:
t = cualquier entero t ∈ Z+
p = adopta los valores de:
p = 3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77….
2 números son primos relativos cuando su MCD = 1

iii. Selección de m
• Si m= 10d y d > 5 → el período está dado por: P = 5 x 10d-2
Si m = 105 entonces Periodo = 5x103 = 5000
• Si m= 10d y d < 5 → el período estará dado por:

Período = mcm {λ(p1d1), λ(p2d2), …, λ(pndn)}

Donde:
λ(2) = 1 , λ(4) = 2
λ(2d) = 2d-2 si d > 3
λ(pd) = pd-1 (p-1) si d > 2

Ejemplo: Dado Xn+1 = 3. Xn mod. 100; Xo=17 determine su período

Solución
m = 100 = 102 → m = 10d, d = 2 → d < 5
entones: Período = mcm { λ (22), λ(52)}
λ(22)= 52-1 (5-1) = 20
➔ Periodo = mcm {2, 20}; entones: Período: P = 20 Ns As
16
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

2. SISTEMA BINARIO.
Se deben tomar en cuenta los siguientes criterios.
i. Selección de Xo: puede ser cualquier número entero no divisible por 3 o 5 y debe ser
relativamente primo a m.
(ídem al sistema decimal selección de Xo).

ii. Selección de a: se obtiene de la siguiente. Expresión.

A = 8t + 3, t ∈Z+

iii. Selección de m. estará dado por:

Si m = 2d ➔ Periodo = m/4 ó Periodo = 2d-2 , d>2

Ejemplo: Sea X n+1 = 5Xn mod 64. halle su período.

M = 64 = 26 → P = 64/4= 16.
Periodo = 16 Ns As
26-2 = 16

17
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

PRUEBAS ESTADÍSTICAS PARA NÚMEROS ALEATORIOS

Muchas veces los Ns As generados por cualquier método congruencial no necesariamente tienen
un comportamiento aleatorio (es decir, no provienen de una distribución uniforme estándar) →X
 Uniforme (0,1); por lo que deben ser sometidos a pruebas estadísticas que comprueben su
aleatoriedad; para que en el uso de un proceso de simulación no arrojen soluciones extrañas.
Entre estas pruebas tenemos:
i) La prueba de los promedios.
ii) La prueba de las frecuencias (chi-cuadrado)
iii) La prueba de Kolmogorov - Smirnov
iv) La prueba de la distancia
v) La prueba de las corridas
vi) La prueba de póker
vii) La prueba de series

I. LA PRUEBA DE LOS PROMEDIOS

Sean x1, x2,… xn, los Ns As de tamaño n, entonces:
- Hipótesis Nula Ho: µ = ½ → Los Ns provienen de X ~ Uniforme (0,1).
- Hipótesis alternativa H1: µ ≠ ½ → Los Ns no provienen de X ~ Uniforme (0,1)

Estadístico (estadígrafo de prueba)

𝑛
(𝑋̄−𝜇)√𝑛 ∑ 𝑥
𝑍0 = , 𝑋̄ = 𝑖=1 𝑖
√𝑉𝑎𝑟(𝑋) 𝑛

Prueba de hipótesis:
Si |𝑍0 | < 𝑍𝛼 → No se rechaza Ho.
2 Región de
aceptación
∴Los Números son Aleatorios
Observación:
1. Teorema del límite central. 1− 
 
(𝑋̄−𝜇)√𝑛 2 2
𝑍= ~ N (0,1)
√𝑉𝑎𝑟(𝑥)
 =0
-1 1
Región de
-r r
rechazo
18
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

PRUEBA DE LAS FRECUENCIAS (CHI CUADRADO)

Sean x1, x2, …, xn, una muestra de números aleatorios de tamaño n , entonces:
- Hipótesis Nula Ho: µ = ½ → Los Ns proviene de X ~ Uniforme (0,1).
- Hipótesis alternativa: H1: µ ≠ ½ → los Ns no provienen de X ~ Uniforme (0,1)

Estadístico (Estadígrafo de Prueba)

𝑛
(𝐹𝑂𝑖 − 𝐹𝐸𝑖)2
𝑋𝑜2 =∑ ; 𝑖 = 1,2, … , 𝑛
𝐹𝐸𝑖
𝑖=1

Donde:
FOi = Frecuencia observada en el i-ésimo intervalo
FEi = Frecuencia esperada en el i-ésimo intervalo
➔ FEi = N/n, donde: N = tamaño de la muestra
n = número de intervalos

Gráficamente:
FEi FEi=N/n N/n N/n … N/n N/n
FOi FO1 FO2 FO3 … FOn-1 FOn
0 1/n 2/n 3/n … n-2/n n-1/n

Determinando el nº de intervalos (n) a traves de la Regla de Sturges

√𝑁
N=
1+3.33 log (N )

Prueba de hipótesis:
Si Xo2 < X2 ( , n-1) => No se Rechaza Ho.
∴ Los Números son Aleatorios.
Donde:
 = nivel de confianza
n = número de grados de libertad
19
Separata del Curso Fac. Ing. Industrial URP Prof. MG. A. Madrid

Ejemplo.- Sean los siguientes: 20 Ns.As.

1) 0.01 2) 0.99 3) 0.33 4) 0.45 5) 0.77
6) 0.39 7) 0.53 8) 0.68 9) 0.09 10) 0.18
11) 0.24 12) 0.86 13) 0.21 14) 0.43 15) 0.69
16) 0.02 17) 0.16 18) 0.81 19) 0.47 20) 0.94
Compruebe su aleatoriedad a través de la prueba de frecuencias.
n = √𝑁 = √20= 4.47 ≅ 5 intervalos.
𝑁 20
FEi = = =4
𝑛 5

[ 5 >[ 4 >[ 4 >[ 3 >[ 4 ]

0 0.2 0.4 0.6 0.8 1

(5 − 4)2 (4 − 4)2 + (4 − 4)2 + (3 − 4)2 + (4 − 4)2

𝑋𝑜2 =
4

1+0+0+1+0
𝑋𝑜2 = = 0.5
4

2
Luego: 𝑋02 = 0.5 < 6.3 = 𝑋(5%,3)

2
𝐶𝑜𝑚𝑜 𝑋02 < 𝑋(5%,3) 𝑠𝑒 𝑐𝑜𝑚𝑝𝑟𝑢𝑒𝑏𝑎 𝑞𝑢𝑒 𝑒𝑠 𝑚𝑒𝑛𝑜𝑟 ➔ 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻𝑜
𝑃𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑜𝑠 𝑁ú𝑚𝑒𝑟𝑜𝑠 𝑠𝑜𝑛 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜𝑠

20