Universidad Andrés Bello

Facultad de Ingenierı́a
Escuela de Industrias
Curso: CIND213 Simulación de Sistemas
Profesor: Marcel Favereau
Segundo Semestre 2023

Tarea 2: Generación de Números y de Realizaciones de

Variables Aleatorias

Instrucciones

Esta tarea debe ser realizada en grupos de máximo 4 integrantes.

Se deben adjuntar todos los archivos de apoyo (Excel, Pytohn, etc.) utilizados para la
implementación de cada método.

Se puede realizar la tarea manualmente, en cuyo caso se deberán adjuntar imágenes de

los procedimientos (en alta calidad y con letra clara y legible). Se penalizará con hasta
3 puntos (de la nota) si no se adjunta lo solicitado o se hace de manera deficiente.

En caso de copia se penalizará a todos los grupos involucrados, asignando una nota 1.0
a cada integrante.

Fecha de entrega: domingo 29 de octubre de 2023 a las 23:59 mediante el buzón en

CANVAS habilitado para ello.

Problema 1 (30 puntos)

Los generadores congruenciales lineales multiplicativos con módulo primo (PMMLCG,

por sus siglas en inglés) son una variante de los generadores congruenciales lineales (LCG)
utilizados para generar secuencias de números aleatorios. La caracterı́stica distintiva de estos

1
LCGs es que el módulo (m) es un número primo y el multiplicador (α) es cuidadosamente
elegido para aprovechar las propiedades de los números primos en la generación de números
aleatorios.
Considere el generador PMMLCG propuesto por Payne, Rabung, & Bogyo (1969)

Zi = (630 360 016Zi−1 ) mod(231 − 1),

con la semilla Z0 = 4101993.

1. (10 puntos). Implemente este generador en su lenguaje de programación preferido

(Python, Julia, Excel, etc.).

2. (5 puntos). Genere n = 1000 números pseudoaleatorios, {Ui }i∈[n] . Presente un histo-

grama en base a las n observaciones.

3. (5 puntos). Realice una prueba estadı́stica de uniformidad (prueba χ2 ) en base a las

n observaciones generadas, considerando α = 0,05 y k = 5 intervalos. ¿Qué puede
iid
concluir sobre la hipótesis nula, es decir, H0 : {Ui }i∈[n] ∼ U (0, 1)?

4. (5 puntos). Realice una prueba de dependencia (prueba de corridas o correlación)

en base a las n observaciones generadas, considerando α = 0,05. ¿Qué puede concluir
sobre la hipótesis nula, es decir, H0 : {Ui }i∈[n] son independientes?

5. (5 puntos). ¿Utilizarı́a este generador de números pseudoaleatorios para una simula-

ción de gran escala? Analice su periodo e investigue información acerca de él.

Solución: Las preguntas 1.1-1.4 se encuentran en el archivo Tarea2-Solucion.xlsx. Con

respecto a la pregunta 1.5:

La prueba estadı́stica de uniformidad es rechazada, aunque por poco. De hecho, para

α = 0,025 la prueba falla en ser rechazada. Sin embargo para α = 0,05 (que era el

2
 solicitado en la pregunta), la prueba es rechazada. Por lo tanto, no podemos asumir
que los números pseudoaleatorios generados son uniformemente (con parámetros 0 y
1) distribuidos.

La prueba estadı́stica de independencia (correlación) es concluida exitosamente por el

generador PMMLCG. Por lo tanto, podemos asumir que efectivamente los números
pseudoaleatorios generados son independientemente distribuidos.

Problema 2 (70 puntos)

Resuelva los siguientes problemas. Note que, a menos que se especifique un método par-
ticular, debe utilizar alguno (cualquiera) de los vistos en clases para generar realizaciones
de las variables aleatorias señaladas. Es decir, no está permitido utilizar paquetes o librerı́as
(como NumPy en el caso de Python, por ejemplo). Para las realizaciones de U (0, 1) necesa-
rias, debe considerar las obtenidas mediante el generador del Problema 1; aquı́ tampoco se
pueden utilizar paquetes o librerı́as externas.

1. (20 puntos). Suponga que necesita generar muestras de una variable aleatoria X que
sigue una distribución Rayleigh. Es decir, X ∼ R(σ), cuya función de distribución
acumulada (cdf) es
−x2
 
FX (x) = 1 − exp .
2σ 2

En base a lo anterior:

a) (15 puntos). Mediante el método de la transformada inversa derive una expresión

que le permita generar muestras de la variable aleatoria X.

Solución: En base a F (x) = U , tenemos

F (x) = U

3
 x2
 
1 − exp − 2 = U
2σ
x2
 
exp − 2 = 1 − U
2σ
x2
− 2 = ln(1 − U )
2σ
x2 = −2σ 2 ln(1 − U )
p
x = σ −2 ln(1 − U ).

b) (5 puntos). A partir de la expresión anterior, genere n muestras de X ∼ R(σ)

utilizando los n números aleatorios generados en el Problema 1, y considere σ = 7.
Presente el histograma asociado y discuta acerca del resultado obtenido.

Solución: Los resultados obtenidos se pueden observar en el archivo Tarea2-Solucion.xlsx.

p
Considerando σ = v = 7 y Xi = σ −2 ln(1 − Ui ) para i ∈ {1, 2, . . . , 1000}, los
primeros cinco valores corresponden a los siguientes (el resto se puede observar
en el archivo)

i Ui Xi

1 0.4661 7.8417
2 0.3256 2.2141
3 0.6449 10.0734
4 0.3372 6.3489
5 0.7298 11.3248

2. (15 puntos). La demanda semanal, D, de un producto de baja rotación puede ser bien
aproximada por una distribución geométrica con una demanda semanal media de 4.5

4
 productos. Genere n valores de D. Presente el histograma asociado y discuta sobre los
resultados obtenidos.

Solución: Existen varias formas e abordar este problema, aunque probablemente la

más simple es a través del método de la transformada inversa. En particular, definimos

 
k ln(1 − U )
X = mı́n{k : 1 − q ≥ U } = ,
ln(1 − p)

donde, para este caso, p = 1/4,5. A continuación, se presentan las cinco primeras
realizaciones. El resto, junto con su respectivo histograma se encuentra en el archivo
Tarea2-Solucion.xlsx.

i Ui Xi

1 0.4661 3
2 0.3256 2
3 0.6449 5
4 0.3372 2
5 0.7298 6

3. (35 puntos). Utilice el método de aceptación y rechazo para generar n realizaciones

de una variable aleatoria de distribución Beta(α = 2, β = 2). Analice su histograma
y principales estadı́sticos (media, varianza, etc.) para corroborar sus resultados. Pre-
sente detalladamente el procedimiento empleado, indicando claramente la distribución
objetivo y la propuesta.

Solución: La función de densidad de probabilidad de esta distribución es

xα−1 (1 − x)β−1
fX (x) = , 0 ≤ x ≤ 1.
(α − 1)!(β − 1)!(α + β − 1)!

5
 Notar que el máximo de fX (x) se alcanza en

α−1
x̃ = ,
α+β−2

que corresponde a su moda (valor más probable). En particular, para α = β = 2,

x̃ = 0,5 y fX (x̃) = 1,5. Ası́, se puede considerar t(x) = 1,5 para 0 ≤ x ≤ 1, y

Z 1
c= t(x)dx = 1,5.
0

Ası́,
t(y)
h(y) = =1
c

con 0 ≤ y ≤ 1. Es decir Y ∼ U (0, 1).

Luego, el histograma asociado construido a partir de las n realizaciones corresponde al

siguiente, el que claramente se aproxima al de una distribución Beta(α = 2, β = 2).

1.4
1.2
1.0
pdf, f(x)

0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
X Beta(2.0, 2.0)