Métodos Congruenciales, Mixto, Multiplicativo, Aditivo, Cuadrado Central.

Pruebas
Estadísticas para Números Aleatorios: Promedios, Frecuencias, Kolmogorov- Smirnov,
Corridas, Distancia. Generación de Variables Aleatorias no Uniformes.

Giuliana Quispe y Toni Ramos

Facultad de Ingeniería, Universidad Privada de Tacna

II-627 Investigación de Operaciones II

MSc. Oscar Mejía Sánchez

28 de octubre de 2022
 Introducción

Un modelo de simulación es una técnica que cada vez se utiliza más en la

Investigación de Operaciones para abstraer una situación o problema de la vida real en tal

forma que dicha situación o problema sea manipulado fuera de su contexto (predicción del

futuro, imitar la realidad).

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

ningún patrón o regularidad aparente desde un punto de vista estadístico, generadas por un

algoritmo completamente determinista, en el que las mismas condiciones iníciales producen

siempre el mismo resultado.

Para poder generar entradas estocásticas (probabilísticas) para un modelo de

simulación, se debe contar con un generador de números pseudoaleatorios. Con estos y

métodos de generación de variables aleatorias, se pueden simular las entradas incontrolables

para un modelo de simulación.

Objetivos

Conocer los métodos congruenciales para que a través de la simulación se puedan

estudiar los efectos de ciertos cambios en la operación de un sistema.

Comprender el sistema que se esta simulando para un entendimiento del mismo y

proporcionar sugerencias para mejorarlo.

Determinar el principal énfasis en pruebas estadísticas.

Determinar en cuál de las pruebas se debe aplicar la tabla de la distribución normal.

 Simulaciones

Métodos Congruenciales, Mixto, Multiplicativo, Aditivo y Cuadrado Central.

Los números aleatorios son de gran utilidad en distintas facetas de las ciencias

experimentales y también en áreas como la Informática. Desde un punto de vista general, los

números aleatorios constituyen las entradas de un modelo de simulación, y como tales, el

funcionamiento de la simulación depende de ellos.

Se cuenta con varios generadores de números aleatorios, de los cuales los más

populares son los métodos congruenciales (aditivo, multiplicativo y mixto). El método

congruencial mixto incluye características de los otros dos, por lo que se presentará en primer

lugar.

El método congruencial mixto genera una sucesión de números aleatorios enteros en

un intervalo de 0 a m – 1. Este método siempre calcula el siguiente número a partir del último

que obtuvo, dado un número aleatorio inicial x 0, llamado semilla, que se puede obtener de

alguna fuente publicada como la tabla Rand. En particular, calcula el (n+1)-ésimo número

aleatorio x n+1 a partir del n-ésimo número aleatorio x n con la relación de recurrencia.

x n+1=(a x n +c)(módulo m)

Donde:

a, es el multiplicador

m, el módulo

c, el incremento

x n , la semilla

Además, a, c y m son enteros positivos (a < m, c < m). Esta notación matemática

significa que x n+1es el residuo cuando (a x n+c) se divide entre m. En consecuencia, los valores

posibles de x n+1 son 0, 1,…, m – 1, de manera que m representa el número deseado de valores

diferentes que se puede generar como números aleatorios.

 La cantidad de números consecutivos de una sucesión antes de que se repita se conoce

como longitud de ciclo. La longitud de ciclo máxima es m, de manera que sólo los valores de

a y c que se consideran son los que conducen a esta longitud de ciclo máxima.

Para el número pseudoaleatorio en (0,1) usamos:

x n+1
rn = → n=0,1,2,3 , …
m

Los valores de los parámetros deben ser seleccionados de acuerdo a los siguientes

criterios:

 El multiplicador a debe ser un entero impar que no sea múltiplo de 3 ni de 5.

 La constante aditiva c, puede ser cualquier valor. Se sugiere que sea un número

entero impar primo relativo con m.

 El valor de la semilla es irrelevante. Es decir, el valor de este parámetro resulta

tener poca o ninguna influencia sobre las propiedades estadísticas de las

sucesiones.

El método congruencial multiplicativo corresponde al caso especial del método

congruencial mixto en el que c= 0.

Viene dado por la expresión:

x n+1=( a x n ) mod m

Como X 0 ≠ 0, el teorema principal nos muestra que no puede alcanzarse el periodo

máximo. A cambio este método es más rápido al tener menos operaciones.

Para el número pseudoaleatorio en (0,1) usamos:

x n+1
rn = → n=0,1,2,3 , …
m

Los valores de los parámetros deben ser seleccionados de acuerdo a los siguientes

criterios:
  El valor de la semilla x 0 debe ser cualquier número entero impar primo relativo

con m.

 El valor seleccionado de a debe ser obtenido a partir de la expresión a=8 t ± 3

donde t es cualquier entero.

m
 El valor de m debe ser 2 g para el cual el periodo del generador es 2 g−2 o .
4

El método congruencial aditivo también es parecido, pero establece a=1.

Este algoritmo requiere una secuencia previa de n números enteros x 1 , x 2 , x 3 ,… , x n

para generar una nueva secuencia de números enteros que empiezan en x n+1 , x n +2 , x n+3 , …

Su ecuación recursiva es:

x i=( x i−n + x i−1 ) mod m

Siendo i= n+1, n+2, n+3, …

Los números pseudoaleatorios r jse generan mediante la fórmula:

x j +n
r j= → j=1,2,3 …
m−1

Los requisitos para el método son:

 Una secuencia de n números enteros positivos como semilla.

 Un número entero m>0

El método de los cuadrados medios consiste en que cada número de una sucesión es

producido tomando los dígitos medios de un número obtenido mediante la elevación al

cuadrado.

1. Se escoge un número de cuatro dígitos x 0 (semilla)

2. Se eleva al cuadrado ( x 02 ¿ y se toman los cuatro dígitos centrales ( x 1 ¿ .

3. Se genera el número pseudo-aleatorio como:

x1
u1 =
104
 4. Volver al paso 3 y repetir el proceso.

Ejemplo:

Se considera la semilla 445.

X X2 Nº Aleatorio

445 198025 0,9802

9802 96079204 0,0792

792 627264 0,2726

Propiedades de los Números Pseudoaleatorios entre 0 a 1

Los números aleatorios serán utilizados en la simulación para generar los valores

de cualquier variable aleatoria.

La media de los números aleatorios entre 0 y 1 deber ser igual ½ en vista que estos

números deben de tener la misma probabilidad de presentarse, es preciso que su

comportamiento muestre una distribución de probabilidad uniforme continua, con límite

inferior cero y límite superior uno. La función de densidad de una distribución uniforme

es la siguiente.

1
f ( x )= ; a ≤ x ≤ b ; en este caso , a=0 y b=1
b−a

Para obtener la media de la distribución multiplicamos la función de densidad por

“x” y la integramos en todo el rango de la misma distribución de la siguiente manera:

b b 2
x x b
E ( x )=∫ f ( x ) dx=∫ dx=
a a b−a 2 ( b−a ) a

1
E ( x )=
2
Varianza de los números aleatorios

Si partimos de la misma distribución uniforme continua obtenemos la varianza de

la distribución por medio de la ecuación:

V ( x )=∂2=E ¿
b
1 x
3
b ( b−a)3
E ( x )=∫
2 2
x dx= = =¿ ¿ ¿
a b−a 3(b−a) a 3(b−a)

1
Al sustituir a=0 y b=1, tenemos que : E ( x )=
2
3

Por lo tanto,

1
v ( x )= −¿
3

Independencia

Esta es una propiedad muy importante e implica que los números aleatorios no

deben tener correlación entre sí, es decir deben ser independientes, de forma que puedan

dispersarse de manera uniforme dentro de todo el espectro de valores posibles. La figura

superior muestra una gráfica totalmente dispersa en los valores posibles y la figura

inferior presenta una acumulación de los valores en la parte central, lo cual quiere decir

que hay una correlación entre los mismos.

Puesto que cualquier variable aleatoria no-uniforme (normal, exponencial,

poisson, etc.) es obtenida a partir de números uniformes (0;1) el principal énfasis en

pruebas estadísticas deberá ser con respecto al generador de números pseudoaleatorios, ya

que cualquier deficiencia estadística en la distribución de la variable aleatoria no-

uniforme, se deberá exclusivamente a la utilización de un deficiente generador de

números pseudoaleatorios.
 Por lo tanto, las principales propiedades de los números pseudoaleatorios

comprendidos entre 0 a 1 son que la media debe ser ½ la varianza debe ser 1/12 se tiene

que cumplir las propiedades de independencia y de uniformidad.

Figura 1. Propiedades de los Números Pseudoaleatorios

Se analizarán las pruebas estadísticas básicas que emplean generalmente para

determinar si un conjunto de números pseudoaleatorios entre cero y uno cumplen con las

propiedades básicas de independencia y de uniformidad. El objetivo en otras palabas es

validar que el conjunto r i realmente está conformado por números aleatorios.

Pruebas de uniformidad

Una de las propiedades más importantes que debe cumplir un conjunto de

números r es la uniformidad. Para comprobar su cumplimiento se han desarrollado

pruebas estadísticas tales como la prueba de promedios, la chi-cuadra y la Kolmogórov-

Smirnov. En cualquiera de ambos casos, para probar la uniformidad de los números de un

conjunto r es necesario formular la siguiente hipótesis:

 H 0 :r i U ( 0,1 ) ; H 1 :r i no son uniformes

Pruebas de los promedios

Consiste en calcular la media de los números aleatorios que nos proporciona el

ejercicio.

x 1 , x 2 , … .. , x n
x=
n

posteriormente tenemos que la media es μ=

1
2
y la desviación estándar es σ =
√ 1
12

tenemos que hallar a continuación las siguientes relaciones

(μ−x ) √ n
Z 0= <Z α
σ 2

α
|z 0|< Z 2 No se puede rechazar la hipótesis de que los números pseudoaleatorios

proviene de un universo uniforme.

Ejemplo:

0,29 0,81 0,32 0,47 0,62

0,08 0,42 0,71 0,53 0,16

Aplicar la prueba de los promedios con α (nivel significancia)=5 %

Solución

α
|z 0|< Z 2

( μ−x ) √n
Z 0=
σ

0,29+0,81+0,32+0,47+ 0,62+0,08+0,42+0.71+0,53+ 0,16

x=
10

x=0,441
 Z 0=
( μ−x ) √n
=
( 1
2
−0,441 ) √10 =0,64
√
σ 1
12

z α Z 0,05
Siα =5 %=0,05 → = =Z 0,025
2 2

Verificamos la tabla áreas bajo la curva normal estándar

Tabla D.5: Áreas bajo la curva normal

estándar

Tabla D.5: Áreas bajo la curva normal

estándar
z α Z 0,05
α =5 %=0,05 → = =Z 0,025=1,96
2 2

0,64 <1,96 no se puede rechazar la hipotesis de que los números pseudoaleatorios

provienen de un universo uniforme.

Prueba de Frecuencias

Esta prueba consiste en dividir el intervalo (0;1) en n subintervalos para luego

comparar para cada subintervalo la frecuencia esperada con la frecuencia observada.

Trabaja de la siguiente manera:

*Determinar el numero de veces que se repite en determinadas ocasiones

*Aplicar el estadístico del CHI-cuadrado

 N
FE(frecuencia esperada)=
K

FO i ( frecuencia observada ) ; 1≤ i≤ k

n
valor estadistico : x 2=∑ ¿ ¿¿ ¿
0 i =1

Ojo: no se puede rechazar la hipótesis que los números pseudoaleatorios

provienen de un universo uniforme.

Ejemplo

0,23 0,82 0,06 0,93 0,68

0,12 0,29 0,76 0,84 0,73

Aplicar la prueba frecuencia con α =5 % y k =4

n
2
x =∑ ¿ ¿ ¿ ¿
0 i=1

N 10
FE= = =2,5
K 4

Posteriormente tenemos que observar a cuál de los intervalos pertenece cada uno

de los números pseudoaleatorios que nos proporciona el ejercicio con ello calculamos la

frecuencia observada.
 2
x =¿ ¿
0
n
2
x =∑ ¿ ¿ ¿ ¿
0 i=1

Si α =5 % y k =4 → Z a ;k−1=Z0,05 ;3

Tabla 3-Distribucion Chi Cuadrado

2 < 7.81; entonces no se puede rechazar la hipótesis de que los números

pseudoaleatorios provienen de un universo uniforme.

Prueba de Kolmogorov- Smirnov

1.- Genera n números pseudoaleatorios uniformes

2.-ordena dichos números en orden ascendente.

3.-Calcula la distribución acumulada de los números generados con la siguiente

i
expresión F n ( x )= , donde i es la posición que ocupa el numero “x”, en el vector
n

obtenido en el paso 2.

4.-calcular el estadístico Kolmogorov – Smirnov del modo siguiente:

D n=max ] F n ( x i ) −x i ]
 5.-Si Dn <D α , n, entonces no se puede rechazar la hipótesis de que los números

generados provienen de una distribución uniforme.

6.-Tambien tiene su propia tabla de valores críticos kolmogorov- Smirnov

Ejemplo

Aplicar la prueba de Kolmogorov-Smirnov con α =5 %

Solución:

Ordenar los elementos de la muestra:

I i
Determinar F I ,de acuerdo a la siguiente relación: F = ;i es el número de los
n

elementos o igual a r i ;n es el tamaño de la muestra.

i 1 2 3 4 5 6 7 8 9 10
F I= = ; ; ; ; ; ; ; ; ;
n 10 10 10 10 10 10 10 10 10 10

F II =0,03 0,18 0,36 0,39 0,54 0,65 0,72 0,76 0,820,94

Calcular el estadístico Dmax =|F I −F II|

1 2 3 4 5 6 7 8 9
Dmax = −0,03 ; −0,18 ; −0,36 ; −0,39 ; −0,54 ; −0,65; −0,72 ; −0,76; −0,8
10 10 10 10 10 10 10 10 10

D max =|F −F |=|0,07 0,02 0,06 0,010,04 0,05 0,020,04 0,08 0,06|=0,08
I II

Tenemos que calcular el estadístico en la tabla de k.E.

 D max < Dα ,n=D max < D0,05,10

Tabla 8. Test de kolmogorv-smirnov

0,08< 0,410; no se puede rechazar la hipótesis de que los números generados

provienen de una distribución uniforme.

Generación de Variables Aleatorias

Buscamos métodos que nos permitan obtener valores de variables aleatorias que sigan

determinadas distribuciones de probabilidad a partir de los números aleatorios generados, que

siguen la distribución Uniforme en el intervalo (0,1).

Hay cuatro métodos generales de generación de variables aleatorias y una serie de

métodos particulares de las distintas distribuciones.

La facilidad de aplicación de dichos métodos, así como el coste computacional

asociado a los mismos, varía mucho según la familia de variables aleatorias a las que se

apliquen.

Normalmente existen varios algoritmos que se pueden utilizar para generar valores de

una determinada distribución, y diferentes factores que se pueden considerar para determinar

qué algoritmo utilizar en un caso particular. Desafortunadamente dichos factores suelen

entrar en conflicto unos con otros y a veces se ha de llegar a una solución de compromiso.

Algunos de estos factores son los siguientes:

Exactitud: se han de obtener valores de una variable con una precisión dada. A veces

se tiene suficiente con obtener una aproximación y otras no.

Eficiencia: el algoritmo que implementa el método de generación tiene asociado un

tiempo de ejecución y un gasto de memoria. Elegiremos un método que sea eficiente en

cuando al tiempo y a la cantidad de memoria requeridos.

Complejidad: Buscamos métodos que tengan complejidad mínima, siempre y cuando

se garantice cierta exactitud.

Métodos para Generar Variables Aleatorias

Los métodos más empleados para la generación de variables aleatorias son:

Método de la Transformada Inversa: Consiste en emplear la distribución acumulada

F(x) de la distribución de probabilidad a simular por medio de integración; como el rango de

F(x) se encuentra en el intervalo de cero (0) a uno (1), se debe generar un número aleatorio ri

para luego determinar el valor de la variable aleatoria cuya distribución acumulada es igual a

ri. El problema de este método radica en el hecho que algunas veces se dificulta demasiado la

consecución de la transformada inversa.

Método de Convolución: Permite generar una distribución a partir de la suma de

distribuciones más elementales o mediante la transformada z.

Método de Aceptación y Rechazo: Cuando f(x) es una función acotada y x tiene un

rango finito, como a x b, se utiliza este método para encontrar los valores de las variables

aleatorias.

Método de Composición: Con este método la distribución de probabilidad f(x) se

expresa como una mezcla o composición de varias distribuciones de probabilidad fi(x)

seleccionadas adecuadamente.

Procedimientos Especiales: Existen algunas distribuciones estadísticas de

probabilidad en las cuales es posible emplear sus propiedades para obtener expresiones

matemáticas para la generación de variables aleatorias en forma eficiente. En varios casos se

aplica el Teorema Central del Límite y en otros se utiliza el método directo para encontrar las

variables aleatorias.
Conclusiones

Se conoció los métodos congruenciales (aditivo, multiplicativo, mixto y cuadrado

central) para que a través de la simulación se puedan estudiar los efectos de ciertos cambios

en la operación de un sistema.

Se comprendió las simulaciones para abstraer una situación o problema de la vida

real, entenderlo y proporcionar sugerencias para mejorarlo.

El principal énfasis en este caso en pruebas estadísticas deberá ser con respecto al

generador de números pseudoaleatorios, ya que cualquier deficiencia estadística en la

distribución de la variable aleatoria no-uniforme, se deberá exclusivamente a la utilización de

un deficiente generador de números pseudoaleatorios.

Para las pruebas se aplicar la tabla de la distribución normal es en la prueba de

promedios.

Referencias

Hillier, F. y Lieberman G. (2010). Introducción a la Investigación de Operaciones. Ed Mc

Graw Hill. 9na Edición

Combe R. (2020). Método Congruencial Multiplicativo [Archivo de Vídeo]. Youtube.

https://www.youtube.com/watch?v=rtS8NHHMdtk

Combe R. (2020). Método Congruencia Mixto [Archivo de Vídeo]. Youtube.

https://www.youtube.com/watch?v=w6ar87AGYiU

Combe R. (2020). Método Congruencial Aditivo [Archivo de Vídeo]. Youtube.

https://www.youtube.com/watch?v=4wdn6Ml2g-c