CAPITULO 2 NMEROS ALEATORIOS Y PSEUDOALEATORIOS

2.1 Nmeros aleatorios

Para realizar los experimentos con el modelo de simulacin, es necesario generar valores de las variables aleatorias que siguen una cierta distribucin de probabilidad y que forman parte del modelo, cuantas veces sea necesario. La generacin de variables aleatorias no uniformes se hace a partir de nmeros aleatorios uniformes en el intervalo [0,1], a los cuales tambin se les llama nmeros aleatorios 0,1, nmeros aleatorios rectangulares o simplemente nmeros aleatorios. De aqu la importancia de estudiar su generacin para propsitos de la simulacin. Un nmero aleatorio es un valor que toma una variable aleatoria de acuerdo a una funcin de distribucin. Cuando no se especifica ninguna distribucin, se presupone que se trata de la distribucin uniforme en el intervalo [0,1]. En la computadora se pueden generar nmeros aleatorios mediante algoritmos que requieren de un nmero inicial que se le llama semilla, por esta razn son en cierta forma predecibles y se pueden reproducir por lo que no son perfectamente aleatorios y se les denomina pseudo aleatorios Se han usado bsicamente cuatro formas de generar nmeros aleatorios, manuales, tablas de biblioteca, mtodos de computacin analgica y mtodos de computadora digital. Mtodos manuales Se realizan por medio del lanzamiento de monedas, lanzamiento de dados, bolitas dentro de una caja, los nmero de la gua telefnica, las ventajas de este mtodo es que es simple y aleatorio y las desventajas son: que es lento y no reproducible. Tablas de biblioteca: Son nmeros aleatorios publicados, generados por centros de investigacin, como la Rand Corporation, que tiene una publicacin de un milln de nmeros aleatorios, que fueron generados en base a radiaciones termoinicas de un tubo de rayos catdicos. La ventaja es que provienen de un fenmeno fsico aleatorio reproducible y la desventaja es que no se obtiene en tiempo real.

26

Mtodos de computacin analgica Dependen de ciertos procesos fsicos aleatorios , como el comportamiento de una corriente electrica, la gran ventaja es que son aleatorios verdaderos y la desventaja es que no son reproducibles. Mtodos de computacin digital Existen varios mtodos cuando se usa la computadora digital: Provisin externa: Consiste en grabar en la memoria externa tablas de Nmeros aleatorios, que pueden se usados como datos de entrada para un modelo de simulacin determinado. Procesos fsicos aleatorios: Se usa un aditamento especial, para registrar los resultados de un proceso aleatorio y que los traduzca a una sucesin de dgitos aleatorios. Por medio de un relacin de recurrencia: Se trata de la generacin de nmeros pseudo aleatorios por medio de una relacin de recurrencia, son los mtodos que se veran ms adelante. Para generar nmeros aleatorios verdaderos, se utilizan mtodos basados en el comportamiento de fenmenos fsicos o algunos dispositivos electrnicos los cuales pueden ser incondicionalmente seguros incluso para un desencriptador con recursos computacionalmente infinitos. Nadie podra reproducir la secuencia, ni siquiera nosotros mismos. Recoger bits Consiste en recoger algunos bits desconocidos e imposibles de adivinar. Deben venir de alguna clase de dispositivo I/O (entrada-salida). Los bits resultantes no son necesariamente independientes, es decir alguien podra predecir parte de ellos con probabilidad mayor que 1/2 dados todos los dems. Lo importante es que los bits contengan suficiente informacin que no se puedan adivinar. Algunos otros mtodos, no tan buenos ni rpidos para producir bits aleatorios: La desintegracin radioactiva El ruido elctrico Efectos cunticos en un semiconductor Micrfonos desconectados: en ocasiones un convertidor A-D con un micrfono desconectado produce ruido electrnico

27

Turbulencias de aire en una unidad de disco. Este parece ser un mtodo prometedor, especialmente si se dedica un disco exclusivamente a ello Un micrfono normal en una habitacin no intervenida produce cierta cantidad de bits utilizables

Videocmaras: una cmara normal puede obtener bits, aunque lentamente si se enfoca sobre escenas poco usuales (una persona haciendo muecas u objetos extraos; recientemente ha aparecido en Internet una experiencia con lmparas de lava que resulta divertida). La habitacin no debe tener cmaras ocultas Movimientos y pulsaciones de un ratn o mejor todava un joystick. Se pide a la persona que reproduzca su firma utilizando este perifrico. Un investigador propuso un sistema que funcionaba con esas lmparas de lava, que por conveccin generan movimiento del mismo. Al integrarse una cmara web y tomar una foto de la lmpara, poda generar un nmero al azar, al calcular cuanto plasma haba en una regin determinada de la lmpara en cuestin. Se propone otra solucin, que contiene una combinacin de lo antiguo y lo nuevo. A travs de una conexin de USB, el reloj de arena (ver imagen) se mantiene funcionando gracias a un rayo ptico que mide si ya pas todo el lquido de un lado a otro del reloj y entonces le da la vuelta gracias a un pequeo motor que ha incorporado. Las luces del rayo ptico se envan a una PC va el USB el cual le da la potencia al juguete, de manera que podamos as tener nmeros aleatorios, dependiendo de la intensidad del rayo capturado. El resto es entropa, azar contra pseudoazar. Ver referencia en la pagina www.matuk.com/2009/12/22/numeros-al-azar.

Figura 10 Dispositivo para generar Nmeros aleatorios

28

2.2 Nmeros pseudo aleatorios

Como se mencion anteriormente son nmeros aleatorios generados en una computadora, mediante un algoritmo y partiendo de una semilla, los cuales simulan nmeros aleatorios verdaderos que dependiendo del mtodo utilizado para generarlos, pasarn o no las pruebas estadsticas de aleatoriedad correspondientes, definiendo con esto si son confiables para usarlos en nuestro modelo de simulacin. Por lo tanto un generador de nmeros pseudoaleatorios es un algoritmo que produce secuencias de nmeros que siguen una distribucin de probabilidad especifica y tienen la apariencia de aleatoriedad. La referencia a secuencias de nmeros aleatorios significa que el algoritmo produce muchos nmeros aleatorios en serie. La secuencia de nmeros generados debe cumplir con las 2 hiptesis siguientes: Distribucin Uniforme Independencia (no correlacionados)

Adems son importantes los siguientes aspectos : Las secuencias posteriores tambin deben cumplir las dos hiptesis anteriores deben ser secuencias largas y sin huecos (densas) algoritmos rpidos y que no ocupen mucha memoria.

Los nmeros generados deben cumplir ciertas caractersticas para que sean vlidos. Dichas caractersticas son: 1. Uniformemente distribuidos. 2. Estadsticamente independientes. 3. Su media debe ser estadsticamente igual a 1/2. 4. Su varianza debe ser estadsticamente igual a 1/12. 5. Su periodo o ciclo de vida debe ser largo. 6. Deben ser generados a travs de un mtodo rpido. 7. Generados a travs de un mtodo que no requiera mucha capacidad de almacenamiento de la

29

computadora. Las principales venta jas de los generadores de nmeros aleatorios son: - Rapidez - Comodidad - Reproducibilidad - Portabilidad Y la desventaja fundamental es que las secuencias obtenidas no son realmente aleatorias, ya que se obtienen con operaciones deterministas. Solo podemos obtener secuencias pseudoaleatorias, que a su vez satisfacen algunos criterios de aleatoriedad adecuados.

Normalmente se utilizan nmeros enteros, ya que su aritmtica es exacta y rpida. Se generan enteros Ni entre 0 y M 1, y xi = Ni /M da valores reales en el intervalo [0, 1). En general los algoritmos utilizan relaciones de recurrencia del tipo Ni = f (Ni en el caso de recurrencia simple, o bien Ni = f (Ni para el caso de una recurrencia de orden k. Se necesitar dar un valor inicial para comenzar el algoritmo (k valores para recurrencias de orden k). 2.2.1 Tcnicas para generar nmeros pseudo aleatorios 2.2.1.1 Mtodo de medios al cuadrado Es considerado histricamente el primer mtodo aritmtico de generacin de nmeros pseudoaleatorios. Cada nmero de la sucesin se obtiene tomando los dgitos centrales del cuadrado del nmero precedente, por eso se le llama mtodo de los medios al cuadrado, fue propuesto por Neumann y Metropolis en 1946, posteriormente entr en desuso debido que es relativamente lento y de poca validez estadstica. Ejemplo: 1. Se coge un nmero al azar de 4 dgitos ejemplo (2152) 2. Lo elevamos al cuadrado (4631104)
1 1

, . . . , Nik )

30

3. Al nmero que de cmo resultado se le van a aumentar hacia la izquierda todos los ceros posibles hasta que ste nmero se convierta en un nmero de 8 dgitos 04631104 4. Se escoge los 4 nmeros del medio Xo = 2152 X1 = 6311 04631104

Basta slo con repetir el procedimiento para obtener la cantidad de nmeros aleatorios necesarios. n0 = 83 n1 = cc = (n0) = cc (6889) = 88 n2 = cc = 7744 = 74 n3 = cc = 5476 = 47 n4 = cc = 2209 = 20 n5 = cc = 0400 = 40 n6 = cc = 1600 = 60 Luego, una vez obtenida la serie, se pueden tomar los nmeros individualmente de a grupos, en funcin del a necesidad. As los nmeros obtenidos en el ejemplo anterior tenemos la siguiente serie: 8,3,8,8,7,4,4,7,2,0,4,0,6,0. Se pueden tomar parejas de nmeros: 83, 88, 74, 47, 20, 40, 60. O inclusive nmeros de 3 o 4 cifras, por ejemplo: 838. 874, 472, 020 o 8388, 7447, 2040.

Actualmente se utilizan los mtodos de congruencias, que satisfacen en buena medida los requerimientos bsicos para que los nmeros generados sean considerados vlidos estadsticamente. Antes de describir el mtodo de congruencias veremos lo que significa el trmino congruencia. 2.2.1.2 mtodos de Congruencia

31

Significado del trmino congruencia Congruencia es un trmino usado en la teora de nmeros, para designar que dos nmeros enteros a y b tienen el mismo resto al dividirlos por un nmero natural m, llamado el mdulo, tambin se dice que dos enteros a y b son congruentes mdulo m, si su diferencia es un mltiplo entero de m. La relacin de congruencia se expresa utilizando la notacin. a b (mod m ) que se lee diciendo que a es congruente con b mdulo m. Las siguientes expresiones son equivalentes: a es congruente con b mdulo m a b (mod m ) El resto de a entre m es el resto de b entre m a mod m = b mod m m divide exactamente a la diferencia de a y b ma-b a se puede escribir como la suma de b y un mltiplo de m a = b + km Propiedades de la relacin de congruencia. La congruencia para un mdulo fijo m es una relacin de equivalencia ya que se verifican las propiedades: reflexividad: a a ( mod m ) simetra: si a b (mod m ) entonces tambin b a (mod m ). transitividad: si a b (mod m ) y b c (mod m ) entonces tambin a c (mod m ). Si a es coprimo con m y a b (mod m ), entonces b tambin es coprimo con m. si a b (mod m ) y k es un entero entonces tambin se cumple a + k b + k (mod m ) y: ka kb (mod m ) si adems k es coprimo con m, entonces podemos encontrar un entero k -1, tal que kk-1 1 (mod m ) y entonces tiene perfecto sentido hablar de la divisin y tambin es cierto que a/k b/k (mod m ) donde por definicin ponemos a / k = ak-1. Como consecuencia de lo anterior, si tenemos dos congruencias con igual mdulo:

32

a b (mod m ) y c d (mod m ) podemos sumarlas, restarlas o multiplicarlas de forma que tambin se verifican las congruencias a + c b + d (mod m ) y ac bd (mod m ) En matemticas, dos nmeros enteros a y b son nmeros primos entre s (o coprimos, o primos relativos), si, por definicin, no tienen ningn factor primo en comn, o, dicho de otra manera, si no tienen otro divisor comn ms que 1 y -1. Equivalentemente son primos entre s, si y slo si, su mximo comn divisor es igual a 1. Ejemplos. 8 23 (mod 5) puesto que 5 |(23-8)= 15 Notemos que tanto 23 y 8 son de la forma 5k +3. Para 8, tenemos que k=1 5(1) + 3 = 8 Para 23, tenemos k = 4 5(4) + 3 = 23 360 (Mod 12) puesto que 12 |(36-0)=36. -22 6 (mod 7) dado que 7|(6 (-22))= 28. Mtodos de congruencia Los mtodos de congruencia son completamente determinsticos, debido a que los procesos aritmticos determinan unvocamente cada nmero de la sucesin, sin embargo si los nmeros generados pasan las pruebas estadsticas que demuestran que estn distribuidos uniformemente y son estadsticamente independientes, entonces para fines prcticos se puede suponer que son aleatorios, a pesar de que su generacin es determinista. Estos mtodos se basan en una relacin fundamental de congruencia, que expresada en forma recursiva es:

ni+1 ani + c ( mod m )

donde ni ,a , c y m son enteros no negativos. Los trminos subsecuentes de {ni} son todos enteros y forman una sucesin de residuo mdulo m. Esto implica que ni < m para toda ni. A partir de los nmeros enteros de la sucesin {ni} se pueden obtener nmeros racionales en el intervalo (0,1) con slo formar la sucesin ri = {ni/m} [12]. Se han desarrollado tres mtodos bsicos de congruencias para generar nmeros aleatorios mediante el empleo de distintas versiones de la relacin dada en la ecuacin: el Aditivo, el Multiplicativo y el Mixto. El mtodo Aditivo de Congruencias presupone k valores iniciales dados, con k un entero positivo, y calcula una sucesin de nmeros mediante la siguiente relacin de congruencia:

33

ni+1 = ni+ ni-k (mod m). Si K = 1 se dar la sucesin de Fibonacci Las propiedades estadsticas de la sucesin tienden a mejorar a medida que k se incrementa. Mtodo Multiplicativo El modulo que emplea este mtodo es m = p e donde p representa el nmero de guarismos del sistema numrico que usa la computadora y e denota el nmero de dgitos en una palabra. En computadoras binarias p=2; en computadoras decimales p=10. La ecuacin recursiva para generar residuos potenciales es: ni+1 ani (mod pe ) El mtodo Multiplicativo de Congruencias calcula una sucesin {ni} de enteros no negativos, cada uno de los cuales siempre es menor que m, por medio de la relacin de congruencia. Este mtodo es un caso especial de la citada Relacin fundamental de Congruencias, donde c = 0. A fines de asegurar un perodo mximo para las sucesiones generadas con este mtodo, es posible imponer condiciones convenientes tanto para el multiplicador a como para el valor inicial n0 con que empieza el clculo. Para el caso de computadoras binarias m = 2b b = nmero de bits de palabra b >2 h = 2b-2 mximo perodo que se puede obtener El problema se reduce a encontrar multiplicadores que tengan orden h=2 b-2; a tiene que ser primo relativo de m=2b y por lo tanto tiene que ser impar. Los valores de a se encuentran en una clase residual que se representa por: a 3 (mod 8) a = 8t 3 t = 0, 1, 2, 3,..... entero positivo Los valores de a prximos a 2b/2 minimizan la correlacin en serie de primer orden. Con respecto al valor inicial n0, este debe ser primo relativo de m = 2b, entonces n0 puede ser cualquier nmero entero impar. Procedimiento: 1. Se escoge cualquier nmero impar como valor inicial n 0 2. Se elige un entero a = 8t 3

34

3. Se calcula an0 usando aritmtica entera de punto fijo. Este producto consta de 2b bits, de los cuales se descartan los bits de orden superior, dejando para n 1 los bits restantes. 1. Se calcula r1 = n1 / 2b 2. Cada nmero aleatorio sucesivo ni+1 se obtiene a partir de los bits de menor orden en el producto ani Ejemplo: Sea b = 4, m = 24 = 16 y h = 24-2 = 4 1.- n0 = 7 n0 = 0111

2.- a cerca de 2b/2 = 4 si t = 1, a puede ser 5 3 si a = 5 a = 0101

3.- an0 = (0101)(0111) = 00100011 n1 = 0011 r1 = 3/16 = 0.1875

4.- an1 = (0101)(0011) = 00001111 n2 = 1111 r2 = 15/16 = 0.9375

5.- an2 = (0101)(1111) = 01001011 n3 = 1011 r3 = 11/16 = 0.6875 6.- an3 = (0101)(1011) = 00110111 n4 = 0111 r4 = 7/16 = 0.4375 y as sucesivamente... Para computadoras decimales m = 10d = 2d 5d d = nmero de dgitos decimales de la palabra. d>3 a = nmero coprimo de 10d El orden h de a (mod 10d) es: h = m.c.m. [2d-2, 4 * 5d-1] = 5 * 10d-2 Los multiplicadores constantes con perodo 5 * 10d-2 se pueden ubicar en 32 clases residuales distintas mod 200, dado por: a = (3, 11, 13, 19, 21, 27, 29, 37, 53, 59, 61, 67,69, 77, 83, 91) (mod 200) tambin se puede expresar como:

35

a = 200t p

t = 0, 1, 2, 3, ...

p = uno de los 32 nmeros dados anteriormente. De igual modo n0 debe ser coprimo de m = 10 d , lo cual implica que tiene que ser impar, no divisible entre 5 para seleccionarse como valor inicial. a 10d/2 El procedimiento es semejante al caso binario: 1. Seleccinese n0, un nmero impar no divisible entre 5. 2. Seleccinese a = 200t p a 10d/2 3. Calcular an0 utilizando aritmtica entera de punto fijo.

4. Calcular r1 = n1/10d
5. Cada nmero aleatorio subsecuente ni+1 se obtiene a partir de los dgitos de menor orden del producto ani. Ejemplo: Sea d = 4, m = 104 = 10,000, h = 5*104-2 = 500 1. n0 = 5379

2. a 102 = 100
a = 200(0)+91 a = 91 a = 200(1)-91 a =109 r1 = 9489/1000 = 0.9484

3. an0 = (0091)(5379) =00489489 n1 = 9489 y as sucesivamente... Mtodo mixto El mtodo mixto de congruencias ofrece ciertas ventajas pero presenta problemas en cuanto a validez estadstica. Est fundamentado en la ecuacin recursiva inicial

ni+1 ani + c ( mod m )

Con la seleccin adecuada del multiplicador y la contante aditiva c 0, el perodo cubre todo el conjunto de m nmeros diferentes cuando se tiene a m por el mdulo. Las condiciones resumidas son: c y m son coprimos ( primos relativos ). a 1 (mod p) si p es un factor primo de m

36

a 1 (mod 4) si 4 es un factor de m

Computadoras binarias El mdulo m = 2b cuando se trata de computadoras binarias, donde b es el nmero de trminos binarios que aparecen en una palabra. Para que una sucesin de nmeros pseudo aleatorios pueda tener un perodo completo con longitud igual a 2 b se requiere que el parmetro c en la ecuacin recursiva sea un nmero impar y que a 1 (mod 4) para esto se hace a = 28

+1

Para s 2, Para n0 se puede seleccionar cualquier nmero positivo. Una buena eleccin para seleccionar el multiplicador es la de a = 27 Computadoras decimales El mdulo m = 10d cuando se trata de computadoras decimales, donde d es el nmero de dgitos decimales que se encuentran en cada palabra. Para generar una sucesin de nmeros pseudo aleatorios de perodo completo la constante c debe ser un nmero impar positivo no divisible entre 5 y el multiplicador a debe satisfacer la siguiente condicin: a 1 (mod 20) o alternativamente a = 108 Para s > 1 Se han logrado buenos resultados estadsticamente hablando, seleccionando : a = 101, c = 1 y d 8

+ 1, cuando c = 1.

+1

A manera de ilustracin, suponga que m=8, a=5, c=7 y n 0=4. En la siguiente tabla se calcul la sucesin de nmeros aleatorios que se tuvo (esta sucesin no puede continuar, puesto que solo

37

se repetiran los nmeros en el mismo orden). Obsrvese que sta sucesin incluye los ocho nmeros posibles una sola vez. sta propiedad es necesaria para una sucesin de nmeros aleatorios enteros, pero no ocurre con algunos valores de a y c. i 0 1 2 3 4 5 6 7 ni 4 3 6 5 0 7 2 1 5ni + 7 27 22 37 32 7 42 17 12 (5ni + 7)/8 3 + 3/8 2 + 6/8 4 + 5/8 4 + 0/8 0 + 7/8 5 + 2/8 2 + 1/8 1 + 4/8 ni+1 3 6 5 0 7 2 1 4

La cantidad de nmeros consecutivos en una sucesin antes de que se repita se conoce como longitud del perodo. En consecuencia, la longitud del perodo en el ejemplo es 8. La longitud del perodo mxima es m, de manera que slo los valores de a y c considerados son los que conducen a una longitud del perodo mxima. En la siguiente tabla, se ilustra la conversin de nmeros aleatorios en nmeros aleatorios uniformes. La columna de la izquierda proporciona los nmeros aleatorios enteros que se obtuvo en la ltima columna de la tabla anterior. La ltima columna proporciona los nmeros aleatorios uniformes correspondientes a partir de la frmula Nmero aleatorio uniforme = Nmero aleatorio entero + m

38

2.3 Pruebas de aleatoriedad La importancia de las pruebas estadsticas de aleatoriedad radica en que cualquier variable aleatoria como la Poisson, Gamma, Exponencial, Normal, Uniforme, etc.. es obtenida a partir de nmeros aleatorios uniformes (0,1) y es fundamental que se sometan los generadores de nmeros pseudoaleatorios a este tipo de pruebas, ya que cualquier deficiencia estadstica en los generadores, provocar una deficiencia en las variables aleatorias simuladas. Las propiedades estadsticas que deben poseer los nmeros pseudoaleatorios generados por los mtodos congruenciales tiene que ver con independencia y aleatoriedad estadsticas. Prueba de frecuencias La prueba de frecuencias que es quiz una de las ms importantes pruebas de aleatoriedad de los nmeros pseudoaleatorios, se usa para comprobar la uniformidad de una sucesin de N nmeros pseudoaleatorios. Para cada conjunto de N nmeros pseudo aleatorios r 1, r2, r3,rN se divide el intervalo unitario (0,1) en x subintervalos iguales, luego se compara para cada subintervalo la frecuencia esperada con la frecuencia observada. el nmero esperado de nmeros pseudoaleatorios que se encontrarn en cada subintervalo es N/x. Si fj (j=1, 2...x) denota el nmero que realmente se tiene de nmeros pseudoaleatorios ri (i=1,2,...N) en el subintervalo (j-1)/ x ri < j/x entonces el estadstico:

tiene aproximadamente una distribucin

con x-1 g.l

La hiptesis de que los nmeros en el de conjunto de N nmeros pseudoaleatorios, son verdaderos nmeros pseudoaleatorios, debe rechazarse si correspondiente. Prueba de promedios El valor esperado de una funcin de distribucin uniforme en el intervalo [0,1] es igual a con x-1 g.l. excede el valor

critico fijado por el nivel de significancia deseado y consultado en las tablas de la chi cuadrada

, y la

prueba consiste en verificar que los nmeros generados tengan una media estadsticamente igual a , de este modo la hiptesis planteada es: H0 = hiptesis nula:

39

H1 = hiptesis alternativa: Paso 1

Calcular la media de los n nmeros generados

Paso 2

Calcular los lmites superior e inferior de aceptacin

Paso 3

Si el valor

se encuentra entre li y ls, aceptamos que los nmeros tienen una media

estadsticamente igual a con un nivel de aceptacin 1-.

Prueba de la Varianza

Consiste en verificar si los nmeros aleatorios generados tienen una variancia de 1/12 = 0.083, de tal forma que la hiptesis queda expresada como:
H0 = hiptesis nula: H1 = hiptesis alternativa: Var (x) = 1/12 Var (x) 1/12

Paso 1. Calcular la variancia de los n nmeros generados V(x).

40

Paso 2. Calcular los lmites superior e inferior de aceptacin.

Paso 3. Si V(x) se encuentra entre los valores de liV(x) y , lsV(x) aceptamos la hiptesis nula y los nmeros aleatorios tiene una variancia estadsticamente igual a 1/12. Pruebas de independencia

Las pruebas de independencia consisten en demostrar que los nmeros generados son estadsticamente independientes entre s, esto es, que no depende uno de otro. Hay varios mtodos, entre los cuales estn: La prueba de Poker La prueba de corridas arriba y abajo La prueba de corridas arriba y abajo de la media La prueba de la longitud de las corridas La prueba de series La prueba de poker plantea la siguiente hiptesis:

H0 : ri independiente H1 : ri dependiente

Paso 1. Calcular las probabilidades esperadas para un juego de poker con 5 cartas numeradas del 0 al 9 con reemplazos. Se tienen 7 eventos con las siguientes probabilidades:

41

Paso 2. Calcular la frecuencia esperada de cada uno de los eventos multiplicando la probabilidad de cada evento por la cantidad de nmeros aleatorios generados. Paso 3. Para cada nmero aleatorio generado verificar si es Pachuca, 1 par, 2 pares, etc., tomando los primeros 5 dgitos a la derecha del punto decimal. Con estos resultados se genera una tabla de frecuencias observadas de cada uno de los eventos.

Paso 4. Calcular el estadstico de prueba:

Paso 5. Si el valor del estadstico de prueba no excede al estadstico de tablas estadsticamente independientes entre s. Prueba de series

con 6

g.l. y una probabilidad de rechazo alfa =, entonces se acepta que los datos son

H0 : ri independiente H1 : ri dependiente

Paso 1 Crear un histograma de dos dimensiones con m intervalos, clasificando cada pareja de nmeros consecutivos (ri, ri + 1) dentro de las casillas de dicho histograma de frecuencias. El nmero total de pares ordenados en cada casilla formar la frecuencia observada: Foi.

42

Paso 2 Calcular la frecuencia esperada en cada casilla FE de acuerdo con FE=nm/m donde nm. es el nmero total de parejas ordenadas.

Paso 3 Calcular el error

, con la ecuacin:

Paso 4 Si el valor de es menor o igual al estadstico de tablas con m-1 grados de libertad y una probabilidad de rechazo , entonces aceptamos que estadsticamente los nmeros son independientes.

Prueba de Kolmogorov Smirnov

Entre los pruebas no paramtricos que comnmente se utilizan para verificar si una distribucin se ajusta o no a una distribucin esperada se encuentra la prueba de Kolmogorov Smirnov. Esto es, se interesa en el grado de acuerdo entre la distribucin de un conjunto de valores de la muestra y alguna distribucin terica especfica. Determina si razonablemente puede pensarse que las mediciones mustrales provengan de una poblacin que tenga esa distribucin terica. Para el caso especfico de nmeros pseudoaleatorios, compara la distribucin de un conjunto de nmeros generados con una distribucin uniforme. Compara la funcin de Probabilidad Acumulada continua F(x) de una Distribucin Uniforme, con la funcin de Probabilidad Acumulada emprica SN(x), de una muestra de N observaciones. Por definicin: F(x) = x para 0 x 1 Para una muestra de r1, r2, ...,rN la funcin de distribucin acumulada, SN(x), est definida por: SN(x) = (nmero de r1, r2, ...,rN que son 1)/N D = max |F(x) - SN(x)

Algoritmo Tomar la serie de N nmeros. Ordenar los nmeros de menor a mayor. Calcular FN (Ri) = i /N Calcular D = max |F(x) - SN(x)

43

Si D < DN, se acepta H0 El ltimo paso se realiza utilizando la tabla de valores crticos de Kolmogorov Smirnov. Ejemplo: Sean 5 nmeros 0,44, 0,81, 0,14, 0,05, 0,93 generados por algn mtodo.

D+ = max 1 i N {i/N - R(N)} = 0,26 D- = max 1 i N {R(N) - (i-1)/N}= 0,21 Por tanto D = 0,26. Para = 0,05 y N = 5 el valor de la tabla es 0,565 por tanto no se puede rechazar la hiptesis nula. 2.4 Mtodo de Monte Carlo El mtodo de Monte Carlo es un mtodo no deterministico o estadstico numrico usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud. El mtodo se llam as en referencia al Casino de Montecarlo (Principado de Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora. El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene del trabajo realizado en el desarrollo de la bomba atmica durante la segunda guerra mundial en los lamos. Este trabajo conllevaba la simulacin de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones en el material de fusin, la cual posee un comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de trazado de rayos para la generacin de imgenes sintticas.

Los primeros experimentos de simulacin se realizaron en el ao 1940 en EEUU bajo el nombre de anlisis Monte Carlo. Los pioneros fueron Von Neumann y Ulam que publicaron un artculo intitulado "The Monte Carlo method" en 1949. El mtodo en si ya era conocido en estadstica, disciplina donde muchos problemas se resuelven utilizando muestras aleatorias (de hecho, aplicando este mtodo). Entonces podemos definir el mtodo de Monte Carlo como el mtodo numrico de simulacin

44

que permite resolver problemas matemticos mediante la simulacin de variables aleatorias.

Propiedades y caractersticas importantes del mtodo de Monte Carlo 1) Algoritmo de estructura muy sencilla. Como regla se elabora primero un programa para la realizacin de una prueba aleatoria (una muestra, por ejemplo: escoger un punto aleatorio en una superficie, y comprobar si ese punto pertenece o no a una figura de la superficie). Esta prueba se repite N veces de modo que cada experimento sea independiente de los restantes, y se toma la media de todos los resultados de los experimentos. 2) El error del valor obtenido como regla proporcional. El error del valor obtenido es como regla proporcional a la magnitud s 2 / N siendo s2 la varianza (constante) y N el nmero de pruebas. De esta forma, para disminuir el error 10 veces deberemos aumentar N (volumen de trabajo) 100 veces. Es de notar que es imposible alcanzar una elevada exactitud, por eso el Mtodo Monte Carlo resulta especialmente eficaz en la solucin de problemas en los que se necesita conocer los resultados con una exactitud del 5 al 10% (intervalo de confianza 95%, 97,5%). La exactitud de los resultados se puede mejorar con tcnicas de reduccin de varianza, sin tener que aumentar el volumen de trabajo (N). Un mismo problema puede ser resuelto utilizando distintas variantes del mtodo, es decir mediante la simulacin de distintas variables aleatorias. El mtodo es aplicable en situaciones de diversa ndole: a) Problemas aleatorios diversos, orientados a eventos o no. Se resuelven creando un modelo probabilstico artificial, que cumpla con las leyes de probabilidad que se dan en el sistema real. Ejemplos: estudio de la demanda de energa elctrica en un cierto perodo: depende de factores puramente aleatorios, como el clima juegos de azar estudio de la cantidad de barcos llegados a un puerto por da

45

b) Problemas matemticos determinsticos. Cuando los problemas determinsticos son imposibles de resolver analticamente o muy complicados se puede llegar a una solucin aproximada mediante el uso de un modelo artificial cuyas funciones de distribucin y densidad satisfagan las relaciones funcionales del problema determinstico. Ejemplos: clculo de integrales mltiples ecuaciones diferenciales de orden mayor que dos.

Por ello se puede hablar del mtodo de Monte Carlo como un mtodo universal de resolucin de problemas matemticos.

Utilicemos el mtodo para calcular el rea de un cuadrado de lado <1. Planteamos un experimento aleatorio tal que colocamos una tabla como en la figura 11:

Figura 11 Experimento aleatorio y hacemos que alguien con los ojos vendados tire dardos a la tabla. Los dardos van a perforar la tabla en N puntos aleatorios. Cmo podemos estimar el rea del cuadrado S a partir de esos puntos? Nos fijamos cuntos puntos estn dentro de S (sean N'); supongamos que N'=5, siendo N=40. Entonces la estimacin del rea de S est dada por N'/N=5/40=1/8=0,125, siendo el valor exacto en este dibujo 0,3*0,3=0,09.

46

Ntese que el rea buscada cumple la relacin N'/N (independiente de la forma del rea incgnita) y que cuanto mayor sea N ms nos vamos a acercar a la relacin S/1. Para que este mtodo de calcular el rea tenga validez, los puntos aleatorios deben estar distribuidos en forma uniforme en la superficie total, y deben ser obtenidos en forma independiente. 2.4.1 Simulacin de procesos Simulacin de semforos En el camino a la escuela todos los das, una persona pasa por tres semforos (A, B y C) en su automvil. La probabilidad de que la luz del semforo est en verde es 0.3 y la probabilidad de que no lo est es 0.7. Considrese que los semforos son independientes uno de otro. Cul es la probabilidad de que la persona en su prximo viaje a la escuela encuentre todos los semforos en verde? Cul es la probabilidad de que la persona se encuentre al menos un semforo que est verde? Cul es la probabilidad de que la persona en su prximo viaje a la escuela encuentre todos los semforos en rojo? Crees que sea ms probable que todos estn en rojos que todos estn en verde?

Simulacin fsica

1. Realiza una simulacin fsica del problema usando una urna con 3 canicas verdes y 7 canicas rojas. Qu representan cada una de las canicas y sus colores? (Si no se dispone de canicas se pueden utilizar tablas de nmeros aleatorios donde del 0 al 2 representa semforo en verde y de 3 a 9 representa semforo en rojo, o cualquier otro dispositivo que reproduzca la probabilidad de los semforos).

2. Extrae 3 canicas y registra cuntas son verdes (semforo en verde) en la siguiente tabla. Reemplzalas y repite de nuevo la operacin 20 veces. N de canicas (semforos en verde) 0 1 2 Frecuencia

47

3 Total 3. Una vez que todos tus compaeros hayan completado el experimento, acumulen los datos en una tabla idntica a la anterior que ahora contendr los resultados de todo el grupo. N de canicas Frecuencia (semforos en verde ) 0 1 2 3 Total Construye una grfica con los resultados anteriores. Cul es la frecuencia con la que aparecen 3 semforos en verde? _________ Cul es la frecuencia con la que aparece al menos una canica verde? ________ Cul es la frecuencia con la que aparecen las tres canicas rojas (ninguna verde)?_________

Simulacin en la computadora Utilizando un generador de nmeros aleatorios en el intervalo (0,1), realiza los mismos experimentos, 1000 veces y grafica los resultados, y despus interprtalos. Contesta las mismas preguntas y compara los resultados con la simulacin fsica. Terminal de autobuses Imagina que ests esperando un autobs en una terminal que est muy saturada. 50 autobuses llegarn dentro de la siguiente media hora y 1 de cada 4 (25%) de autobuses que llegan pueden ir a tu destino. Supongamos que los autobuses llegan en forma aleatoria. Cuntos autobuses crees que pueden llegar antes de que llegue el primero que te puede llevar a tu destino?. Cul crees que ser el mximo nmero de autobuses que llegarn antes de que llegue el autobs que te puede llevar a tu destino? Cul es la probabilidad que entre los primeros cinco autobuses que lleguen se encuentre al menos uno que te lleve a tu destino?

48

Simulacin fsica 1. Realiza una simulacin fsica del problema utilizando una caja que contenga 3 canicas negras y 1 blanca, o utiliza en su lugar una tabla de nmeros aleatorios. Podras explicar porqu se puede usar una caja con tres canicas de un color y una de otro para simular este problema? Qu representan cada una de las canicas y sus colores?

2. Extrae canicas con reemplazo hasta que aparezca una blanca (autobs correcto), toma nota de la cantidad de canicas negras (autobuses incorrectos) que aparecieron antes de la blanca y regstrala en la siguiente tabla. Repite el experimento 20 veces. N de canicas negras (autobuses incorrectos) 0 1 2 3 4 5 6 7 8 9 10 11 Frecuencia N de canicas negras (autobuses incorrectos) 12 13 14 15 16 17 18 19 20 Total Frecuencia

3. Una vez que todos tus compaeros hayan completado el experimento, acumulen los datos en una tabla idntica a la anterior que ahora contendr los resultados de todo el grupo. N de canicas negras (autobuses incorrectos) 0 1 2 3 4 5 6 7 8 9 10 11 Frecuencia N de canicas negras (autobuses incorrectos) 12 13 14 15 16 17 18 19 20 Total Frecuencia

Podrs observar que algunas veces lleg el autobs correcto (canica blanca) a la primera vez, en este caso hubo cero autobuses incorrectos, mientras que en algunos casos llegaron muchos

49

incorrectos (canica negra) antes del camin correcto. Cuntos autobuses incorrectos (canicas negras) en promedio llegan antes del autobs correcto? Realiza tus clculos: Cul es la probabilidad de que al menos un camin correcto llegue entre los primeros 5 autobuses? Realiza tus clculos:

Simulacin en computadora Realiza una simulacin en computadora, utilizando un generador de nmeros aleatorios, obtn la grfica e interpreta los resultados Contesta las mismas preguntas y compara los resultados con la simulacin fsica

Para cada una de las tablas de nmeros aleatorios siguientes aplicar todas las pruebas estadsticas de aleatoriedad e independencia para verificar su validez

1. 3690 2492 7171 7720 6509 7549 2330 5733 4730

0813 6790 6858 1489 2669 3743 1901 4971 8280 6477 5289 4092 4223 6454 7632 7577 2816 9002 0772 2160 7236 0812 4195 5589 0830 8261 9232 5692 9870 3583 8997 1533 6466 8830 7271 3809 2080 3828 7880 0586 8482 7811 6807 3309 2729 1039 3382 7600 1077 4455 8806 1822 1669 7501 7227 0104 4141 1521 9104 5563 1392 8238 4882 8506 6348 4612 8252 1062 1757 0964 2983 2244 5086 0303 7423 3298 3979 2831 2257 1508 7642 0092 1629 0377 3590 2209 4839 6332 1490 3092 0935

50

2. 0935 5565 2315 8030 7651 5189 0075 9353 1921

2605 3973 8204 4143 2677 0034 8601 3340 8383 7277 9889 0390 5579 4620 5650 0210 2082 4664 5484 3900 3485 0741 9069 5920 4326 7704 6525 6905 7127 5933 1137 7583 6450 5658 7678 3444 8387 5323 3753 1859 6043 0294 5110 6340 9137 4094 4957 0163 9717 4118 4276 9465 8820 4127 4951 3781 5101 1815 7068 6379 7252 1086 8919 9047 0199 5068 7447 1664 9278 1708 3625 2864 7274 9512 0074 6677 8676 0222 3335 1976 1645 9192 4011 0255 5458 6942 8043 6201 1587 0972 0554

BIBLIOGRAFA

51

1. Banks Jerry, Carson John, Discret event simulation, Editorial Prentice Hall 2. Checkland PB. 1971, asystems map of the universe, Journal of Systems Engineering 2(2): 107-114 3. Coss Bu Ral, Simulacin Un enfoque prctico, Editorial Limusa. 2002. 4. Fishman, G. Principles of discrete event simulation, Editorial John Wiley & Sons. Gordon, G. Simulacin de Sistemas, Mxico: Editorial Diana. 1989. 5. Gottfried, B.S. Elements of Stochastic Process Simulation, Englewood Cliffs, N.J.: Editorial Prentice Hall 6. Guasch Antoni, Piera Miguel, Casanova Josep, Figueras Jaume, Modelado y Simulacin,Editorial Alfaomega, 2005. 7. Harrell Ch. Ghosh B., Bowden R. Simulation using PROMODEL w/CD-ROM, second Edition, Editorial Mc Graw Hill, 2004. 8. Hillier, F.S. y Lieberman, G.J. Introduccin a la Investigacin de Operaciones, Mxico: Editorial Mc Graw Hill. 2003. 5 Edicin. 9. Kelton W David, Sadowski Randall, Sturrock David, Simulacin con software Arena, cuarta edicin, Editorial McGraw Hill, 2008. 10. Law A. y Kelton W. Simulation Modeling and Anlisis, Editorial Mc Graw Hill. 11. Naylor, Balintfy y Burdick, Tcnicas de Simulacin de computadoras, Editorial Limusa. 12. Ross, S. Simulation, USA: Editorial Academic Press. 1997. 2 Edicin. 13. Taha, H.A. Investigacin de Operaciones, Mxico: Editorial Alfa Omega. 14. Winston. Investigacin de Operaciones, Editorial Iberoamericana.

52