Índice:

INTRODUCION
2.1 Métodos de generación de números
Pseudoaleatorios
Ejemplo de números aleatorios
2.2 Pruebas estadísticas
2.2.1 De uniformidad
2.2.2 De aleatoriedad
2.2.3 De independencia
2.3 Método de Monte Carlo
2.3.1 Características
2.3.2 Aplicaciones
2.3.3 Solución de problemas
Conclusión
Bibliografía
 UNIDAD II. NÚMEROS
PSEUDOALEATORIOS
INTRODUCION

•El  objetivo es generar sucesiones de números independientes que se puedan

considerar como observaciones de una distribución uniforme. Los números
pseudoaleatorios se generan de manera secuencial con un algoritmo
determinístico, formalmente se definen por:

• Función de inicialización: Recibe un numero (la semilla) y pone al generador en su estado

inicial.
• Función de transición: Transforma el estado del generador.
• Función de salidas: Transforma el estado para producir un numero fijo de bits.
 2.1 MÉTODOS DE
GENERACIÓN DE NÚMEROS
PSEUDOALEATORIOS
•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:

Métodos de
Métodos
los cuadrados
congruenciales
medios
 MÉTODO DE LOS CUADRADOS MEDIOS

En 1946 Jon Von Neuman sugirió usar las operaciones

aritméticas de una computadora para generar secuencias
de número pseudoaleatorios.
1. Sugirió el método middle square, para generar
secuencias de dígitos pseudoaleatorios de 4 dígitos
propuso:
2. Se inicia con una semilla de 4 dígitos. seed = 9731
3. La semilla se eleva al cuadrado, produciendo un
número de 8 dígitos (si el resultado tiene menos de 8
dígitos se añaden ceros al inicio). value = 94692361
4. Los 4 números del centro serán el siguiente número
en la secuencia, y se devuelven como resultado.
1. La computadora emitirá un numero aleatorio entre el 1 al 100
2. El jugador intentara adivinar el numero.
3. El programa emitirá en la pantalla un conteo de números de intentos.
4. Si aciertas el programa te responderá: “Has acertado, el numero ##, y
lo has hecho en N intentos!” Inmediatamente el programa se
terminará.
5. Si no aciertas y el numero es mayor la pc te responderá “El número es
mayor”.
6. En caso contrario dirá “El número es menor”
 MÉTODOS CONGRUENCIALES

•   principales generadores de números pseudo-aleatorios utilizados hoy en

Los
día son los llamados generadores congruenciales lineales, introducidos por
Lehmer en 1951. Un método congruencial comienza con un valor inicial
(semilla) , y los sucesivos valores se obtienen recursivamente con la siguiente
formula: modulo m
 2.2 PRUEBAS
ESTADÍSTICAS
Técnicas para analizar los datos de las mediciones de variables, unas presuponen una
distribución teórica de probabilidad subyacente para la distribución de los datos, y otras no
presuponen ninguna distribución de probabilidad teórica de la distribución de los datos.
Existen dos grandes grupos de pruebas de significación estadística, el referido a las
paramétricas y el relacionado con las no paramétricas, con rasgos distintivos que las
caracterizan. Es una forma de evaluar la evidencia que los datos proporcionan para probar
la hipótesis. Esta hipótesis se denomina hipótesis nula, y suele denominarse H0 y
hipótesis alternativa H1 o Ha
De
Pruebas uniformidad

Paramétrica
Pruebas s De
aleatoriedad
Estadísticas Pruebas No
Paramétrica De
s independencia
 PRUEBAS PARAMÉTRICAS

Las pruebas paramétricas son para datos numéricos (escalas de intervalos o

razones) y , por lo general, están basadas en las propiedades de la distribución
normal o gausiana, para la variable dependiente.
Esta distribución se manifiesta cuando los datos son mediciones repetidas de la
misma variable, en unidades de muestreo extraídas al azar de la población y
cuando la muestra es grande.
Requisitos
• Las observaciones deben ser independientes entre sí.
• Las poblaciones deben hacerse en poblaciones
distribuidas normalmente.
• Estas poblaciones deben tener la misma varianza.
• Las variables deben haberse medido por lo menos en una
escala de intervalo de manera que sea posible utilizar las
operaciones aritméticas.
 PRUEBAS NO
PARAMÉTRICAS
Son utilizadas con variables nominales y ordinales, no asumen un tipo particular
de distribución, se aceptan distribuciones no normales, la exigencia en cuanto al
tamaño de la muestra es menor que en el caso de las paramétricas.
Las más utilizadas son la Ji cuadrada, coeficientes de correlación e
independencia para tabulaciones cruzadas, coeficientes de correlación por rangos
ordenados Spearman y Kendall. Las pruebas no paramétricas son necesarias
cuando:
• Los tamaños de las muestras son tan pequeñas como N=6
• La investigación aporta resultados que solo se puedan referir a un
comportamiento de los sujetos en mayor o menor grado de ciertas
características, pero sin especificar cantidad.
PRUEBA ESTADÍSTICA DE UNIFORMIDAD

Prueba de Kolmogorov-Smirnov

Esta prueba sirve para verificar o negar la hipótesis que un conjunto 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]
 PRUEBA ESTADÍSTICA 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.
 PRUEBA ESTADÍSTICA DE INDEPENDENCIA
•   prueba Póquer, prueba grupos de números juntos como una mano de poker y
La
compara cada mano con la mano esperada usando la prueba Chi-cuadrada. La prueba de
corrida arriba abajo es generalmente. La prueba POKER se utiliza para analizar la
frecuencia con la que se repiten los dígitos en números aleatorios individuales. Para
determinar si los números aleatorios generados cumplen con las propiedades
especificadas (uniformidad e independencia) se tendrán las hipótesis siguientes:
 2.3 MÉTODO DE MONTE
CARLO
Se entiende por simulación Montecarlo al uso de números aleatorios
(realizaciones de variables U(0, 1) para resolver ciertos problemas estocásticos
o determinísticos en los que el paso del tiempo no juega un papel esencial
(problemas de tipo estático).

2.3.1 Características
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.
2.3.2 APLICACIONES
Sistemas de computación: redes de ordenadores, componentes, programación, bases de datos,
fiabilidad. Fabricación: manejo de materiales, líneas de montaje, equipos de almacenamiento,
control de inventario, mantenimiento, distribución en planta, diseño de máquinas. Negocios:
análisis de existencias, política de precios, estrategias de marketing, estudios de adquisición,
análisis de flujo de caja, predicción, alternativas del transporte, planificación de mano de obra.
Gobierno: armamento y su uso, tácticas militares, predicción de la población, uso del suelo,
prevención de incendios, servicios de policía, justicia criminal, diseño de vías de comunicación,
servicios sanitarios. Ecología y medio ambiente: contaminación y purificación del agua, control de
residuos, contaminación del aire, control de plagas, predicción del tiempo, análisis de seísmos y
tormentas, exploración y explotación de minerales, sistemas de energía solar, explotación de
cultivos. Sociedad y comportamiento: estudios de alimentación de la población, políticas
educativas, estructuras organizativas, análisis de sistemas sociales, sistemas de asistencia social,
administración universitaria.
 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 distribuída en el
rango [1000 hrs, 5000 hrs] (valor promedio: 3000 hrs)
 BIBLIOGRAFÍA

• http://itpn.mx/recursosisc/5semestre/simulacion/Unidad%20II.pdf
• https://webs.um.es/mpulido/miwiki/lib/exe/fetch.php?media=wiki:simt1b.pdf
• http://villahermosa.tecnm.mx/docs/oferta/ingsistemas/temario2010/4semestre/Si
mulacion.pdf
• https://www.ecured.cu/Pruebas_estad%C3%ADsticas
• https://help.xlstat.com/s/article/que-es-una-prueba-estadistica?language=es
• https://tereom.github.io/est-computacional-2018/numeros-pseudoaleatorios.html