Toda la naturaleza es como un arte desconocido a nosotros, Todo chance es una direccin que no alcanzamos a ver.

Alexander Pope, 1688 1744, Un Ensayo sobre el Hombre

-------------- Captulo 7----------------------

Interludio: Modelando la aleatoriedad

Este captulo desarrolla mtodos para hacer simulaciones por ordenador de modelos aleatorios. Las simulaciones nos ayudan a intuir acerca de la aleatoriedad que opera dentro de los procesos y nos ayuda a desarrollar la manera de apreciar cmo los procesos aleatorios difieren de los determinsticos. El enfoque algortmico que uno debe tomar para elaborar un programa nos conduce a un entendimiento diferente del modelo que es complementario al enfoque terico. Adems, las simulaciones por computadora son algunas veces el nico mtodo para obtener respuesta en ecuaciones que son difciles de solucionar.

Se usa un lenguaje algortmico general; el cual, es de hecho, un subconjunto de Pascal, aunque en el cdigo se orientar al uso de Scilab. Scilab es un lenguaje muy similar a otros en este contexto. Por lo que no le ser difcil dominarlos los trminos si Ud. Ya conoce algn otro lenguaje de programacin.

7.1 GENERADORES DE NMEROS ALEATORIOS (O PSEUDO-ALEATORIOS). En el corazn de simulaciones de modelos aleatorios est un mtodo para producir nmeros aleatorios es un procemiento o funcin que estar produciendo nmero tras nmero de una manera que estarn uniformemente distribuidos en el intervalo [0,1] sin ningn patrn aparente. El mtodo explicado en esta seccin es el mtodo usado por la mayora de lenguajes de programacin que tienen incorporado un programa generador de nmeros aleatorios.

En realidad, el generador de nmeros aleatorios es una frmula especfica que produce los nmeros en una manera completamente deterministica. Esto es una contradiccin para la idea misma de aleatoriedad. Por lo que consecuentemente, los nmeros producidos por el generador se llaman a menudo pseudo-aleatorios porque, aunque tienen un patrn muy definido, parecen no tener patrn perceptible detectable si uno no conoce la frmula exacta usada. El hecho que la misma secuencia de nmeros pseudo-aleatorios sea generada cada vez que el generador es usado es incluso til en ayudar a depurar programas y comprender el resultado de la simulacin. Aleatoriedad quiere decir sin patrn; Pseudo - aleatoriedad quiere decir sin patrn aparente. Comenzando con enteros positivos MULT (de MULTiplicador), ADDR (de sumador), y NORMA (para normalizador). SEED debe ser un nmero pseudo-aleatorio satisfaciendo

Cada vez que un nmero aleatorio nuevo se necesita, se produce del valor previo de SEED por la frmula

Es decir, el primer valor de SEED se multiplica por MULT, y luego se le suma ADDR, y finalmente el residuo obtenido de la divisin por NORMA es el nuevo valor de SEED.

El ejemplo 1 Use estos valores

MULT = 6

ADDR = 5

NORMA = 11

Qu valores de SEED se producir si el valor inicial de SEED es 0? , Si el valor inicial es 4?

Solucin: Cada vez que el valor nuevo de SEED es

SEED = (6 *SEED + 5) modulo 11

Con SEED inicialmente 0 esta es la secuencia generada:

0 5 2 6 8 9 4 7 3 1 0 5 2 6 8 ...

Con SEED inicialmente 4 esta es la secuencia generada:

4 7 3 1 0 5 2 6 8 9 4 7 3 1 0 5 2 ...

Del ejemplo 1, dos hechos son aparentes: Primero, puesto que el siguiente nmero en la secuencia es generado slo del valor del nmero previo, si en cualquier momento se genera un nmero que ya haba sido generado, entonces a partir de ese punto en adelante se comienza a repetir la lista. En segundo lugar, la longitud del ciclo el nmero de nmeros distintos antes de que la repeticin ocurra puede ser a lo sumo de longitud igual que el valor de NORMA. Esto est as dado que la funcin modulo produce el residuo de la divisin entera por NORMA, lo cual necesariamente es un nmero entre 0 y NORMA-1; As que hay NORMA valores posibles de residuo NORMA valores posibles del nmero aleatorio SEED, es decir; Y tan pronto como uno es repetido, la repeticin de la lista entera ocurre. Un buen generador aleatorio de nmero usara valores de MULT; ADDR, y NORMA a fin de que la longitud del ciclo sea la ms grande posible.

El ejemplo 2

Considere el generador SEED = (6 *SEED + 3) modulo 7

Entonces 0 3 0 1 2 1 4 6 4 5 5 5

con 3 2 6 5

valores iniciales 0 3 0 3 0 1 2 1 2 1 4 6 4 6 4 5 5 5 5 5

diferentes de SEED, estas son las secuencias generadas: 3 2 6 5

Aunque el valor de NORMA = 7 sugiere que la longitud del ciclo es el mximo valor de 7, las longitudes del ciclo reales son pequeas; Si SEED es inicialmente 5, en ese entonces el generador aleatorio de nmero es realmente intil.

La teora de qu aprecia del resultado de parmetros en buenos generadores aleatorios de nmero est complicado y ms un tema de lgebra abstracta que de probabilidad. Nuestro inters aqu est de moda usar un generador aleatorio de nmero y el siguiente teorema es dicho sin prueba.*

Teorema El generador aleatorio de nmero producir la mxima longitud ciclista NORMA de pseudos - nmeros aleatorios con cualquier valor inicial de SEED debajo de ya sea de estas condiciones: NORMA es una potencia de 10. ADDR acaba en (el dgito de unidades) 1, 3, 7, o 9. MULT-1 es un mltiplo de 20. NORMA es una potencia de 2. ADDR es extrao. MULT-1 es un mltiplo de 4.

El ejemplo 3

Con NORMA = 10, ADDR = 27, y = 21 MULT, la longitud de ciclo mximo de NORMA = 10 se obtiene. Para comprobar esto, usamos:
Para producir cada valor sucesivo de SEED. Con SEED inicialmente 0 esta es la secuencia obtenida: 0 7 4 1 8 5 2 9 6 3 0. . . Cul tiene una longitud de ciclo de 10?. Con NORMA = 16, ADDR 7, y MULT 21 la mxima longitud del ciclo de NORMA = 16 es obtenida. Aqu

Produce esta secuencia con SEED inicialmente 0: 0 7 10 9 4 11 14 13 8 15 2 1 12 3 6 5 0. . . El cual, en efecto, tiene una longitud de ciclo de 16. El descubrimiento salda al dividir por los potencias de 10 puede hacerse rpidamente por seres humanos. Por ejemplo, 237 modulo 100 = 37; 3451 modulo 10 = 1; 9087 modulo 100 = 87. Pero las computadoras (usando aritmtica binaria) pueden encontrar restos ms rpidamente al

dividir por potencias de 2.

Adems de longitudes de ciclos largos, un generador aleatorio de nmero debe satisfacer esta condicin: el resultado de cualquier clculo aritmtico en el clculo de SEED desde el

valor anterior de SEED no debe exceder el entero mximo que se puede almacenar en la
computadora; de lo contrario, resultara una condicin de desbordamiento. Para computadoras que almacenan enteros en 32 bits, por ejemplo, este mximo entero es 2147483647 = 232 - 1. El mximo valor usado en computar el siguiente valor de SEED es MULT * + (el mximo valor de SEED) + ADDR

Pero el valor mximo de SEED es NORMA-1. Por consiguiente, MULT, ADDR, y Norma debe elegirse de forma que:

No excede el tamao del entero mximo. El ejemplo 4

Usando el teorema, lo siguiente sera producir generadores de nmeros aleatorios con un mximo de duracin del ciclo NORMA:
NORMA 100 10000 1024 32768 ADDR 41 4857 57 8485 MULT 641 2601 981 22073 MULT*(NORMA-1)+ADDR= mximo entero generado 63500 26012256 1003620 723274476

En resumen, desde grandes longitudes de ciclo son deseables, MULT, ADDR, y NORMA deberan estar escogidos satisfaciendo las condiciones del teorema de tal manera que (NORMA-1) *MULT +ADDR est prximo al mximo tamao de entero. Entonces cualquier valor inicial de SEED le producir a NORMA muchos pseudos nmeros aleatorios sin repeticin. Tenga en cuenta que no hay punto en el uso de un valor inicial de SEED > NORMA-1 ya que cada valor sucesivo de SEED ser menor que NORMA. Por qu?

Hasta ahora, el generador de nmeros aleatorios produce SEED enteros CON 0 SEED < NORMA. Para obtener un nmero adentro el intervalo de la unidad, simplemente divide SEED por NORMA. Con un valor inicial de SEED y MULT constantes, ADDR, NORMA, nmeros pseudo aleatorios en el intervalo de la unidad [ 0,1) es obtenido por estas dos instrucciones SEED= (MULT*SEED +ADDR)modulo NORMA; RND= SEED/NORMA

El ejemplo 5 Escriba un programa para generar 100 nmeros aleatorios en [0, 1]. Solucin

Los nmeros pseudo-aleatorios producidos de esta manera tienen buena probabilidad de pasar varias pruebas de aleatoriedad. Por ejemplo, la media de los nmeros es aproximadamente 1/2;
Aproximadamente de un dcima parte de ellos se subdividir (o cae) en cada uno de los intervalos [ 0, uno), [ 1, 2), , [ 9, 1 ). Con cualquier secuencia finita, sin embargo, no puede haber prueba completa de aleatoriedad. Adems, puesto que los nmeros pseudos - aleatorios son obtenidos por una frmula determinista, si el modelo aleatorio que es simul incorpora un patrn que coincide con el patrn de la frmula aleatoria del generador de nmeros, en ese entonces el generador puede resultar malo para ese modelo. Antes de utilizar un generador de nmeros aleatorios especial (la eleccin de NORMA, ADDR, y MULT), uno debera realizar algunas comprobaciones simples. Teniendo un listado de varios centenares de ellas y visualmente inspecciona la lista; hace que parecen ser aleatorias? Haga que el

promedio impreso. Est cerca de ? Y as sucesivamente. (Vase problemas del 7.6 al 7.10). Tenga en cuenta tambin que un generador de nmeros aleatorios es slo capaz de producir NORMA muchos valores diferentes de RND. Si se requieren ms de una simulacin, los valores de NORMA, ADDR, y MULT debe ser el cambio.
El ejemplo 6

Simulando Pruebas del Bernoulli

Introduzca una probabilidad p de xito en cada ensayo de Bernoulli y un MAXI entero, y la salida MAXI muchas simulaciones de ensayos de Bernoulli (MAXI diversos letras "S" o "F").
Solucin

Despus de generar cada valor de RND como en el ejemplo 5, una decisin tiene que ser hecho si el valor de RND corresponder a una S o a una F. pero la probabilidad de que RND es menor que p es exactamente p, ya que el intervalo [0, p) ocupa una fraccin p de la unidad de intervalo entero [0, 1]. As RND simula un xito si RND <p, de lo contrario, RND simula un fracaso.

Problemas 7.1. Con los siguientes valores de NORMA, ADDR, MULT, y el valor inicial de SEED, escriba la secuencia de valores sucesivos de SEED generada de SEED= (MULT*SEED+ADDR) modulo NORMA. Comience con SEED = 0. MULT (A) (B) 4 5 ADDR 3 3 NORMA 7 16

(C) (D) (E) (F)

2 5 1 7

3 7 9 4

16 10 10 9

Para cul de ellas es la duracin del ciclo igual a Norma? Cul de ellos satisfacen las condiciones del

teorema?
7.2. Si NORMA = 1035, ADDR 6355; MULT 2309, cul es el mximo valor de MULT *SEED +ADDR que se obtiene con un valor inicial de SEED menor que el de NORMA? 7.3. Demostrar que M mdulo NORMA= M, mdulo NORMA si y slo si M-M, es un mltiplo de

NORMA. Muestran que, en consecuencia, si MULT - MULT, es un mltiplo de NORMA, entonces (MULT*SEED + ADDR) modulo NORMA = (MULT1*SEED + ADDR) modulo NORMA
Por lo tanto MULT, ADDR, NORMA producen el mismo generador de nmeros aleatorio como MULT 1, ADDR, NORMA. 7.4. Demostrar que MULT, ADDR, NORMA producen el mismo generador de nmeros aleatorios como

MULT, ADDR1, NORMA si ADDR - ADDR1 es un mltiplo de NORMA.

Note Nota: este problema 7,3 implica que no es momento de tomar MULT mayor que NORM.

Esto es as ya que si MULT> NORM, entonces el mismo generador de nmeros aleatorios se obtiene restando NORMA de MULT suficientes veces que ADDR se pueden tomar para ser menor queNORMA sin la eliminacin de cualquier de los generadores
7.5. Qu pasar si MULT = 1? Al generar 10 los valores sucesivos de SEED si el valor inicial de SEED es 0

y SEED = (1 + SEED +17) modulo 400. Qu est mal con este generador? En los problemas de los programas siguientes se utilizan los mismos valores de NORM, ADDR, y el MULT.
7.6 Averige cul es el mximo entero est en su ordenador. A continuacin, seleccione NORM, ADDR, y

MULT que satisface el teorema, pero a fin de que (NORM-1) *MULT +ADDR no exceda dicho lmite mximo.

7.7. Con su eleccin de NORMA; ADDR, y MULT, escriban un programa que usa el nmero inicial de ciclos del lazo realizado. Este nmero debera ser NORMA (si usted ha escogido su generador aleatorio de nmero de conformidad con el teorema). Tambin imprimir el promedio de todos los valores RND. 7.8. Escriba un programa que ser ENTRADA MAXI igual a la cantidad de nmeros aleatorios RND =

SEED / NORMA a generar. Imprimir todos los estos nmeros (asegrese de MAXI no sea demasiado grande) Y compruebe que parecen estar distribuidos al azar en [0, 1], sin ningn patrn obvio.
7.9. Con el mismo generador aleatorio de nmero, escribir un programa para MAXI entrada. Calcular los

distintos valores MAXI de RND comenzando con el valor inicial de igual de la SEED para 0. Imprima el
nmero de valores de RND en cada uno de los intervalos [0, 1 ), [ 1, 2 ), ; [ 9, 1 ]. Estos cada uno deberan estar prximos al MAXI/10. Ejecute el programa con varias entradas de MAXI. 7.10. Con el mismo generador aleatorio de nmero, escriba un programa para recoger los distintos valores MAXI de RND (indicando con un valor inicial de SEED igual a 0) y calcular el nmero de veces que

los valores actuales de RND es mayor que el valor anterior o RND. Este nmero debe ser aproximadamente MAXI / 2.

7.2. SIMULANDO PROBABILIDADES Y EXPECTATIVAS Recordemos que la interpretacin de la frecuencia de la probabilidad afirma que si un experimento aleatorio se realiza un MAX gran nmero de veces y el evento A ocurre un momento, entonces P (A) n / MAX.

Recuerde tambin que si la X es una variable aleatoria, la E (X) es aproximadamente la media de los valores de X en un gran nmero de repeticiones del experimento aleatorio.

Qu tan grande debe ser MAXI para que las aproximaciones sean correctas? La respuesta requiere el teorema del lmite central y la ley de los grandes nmeros (captulo 10). Pero considere esto: si MAXI = 1000 y SUMA es un nmero entero, SUMA / MAXI slo puede tener un mximo de tres dgitos distintos de cero a la derecha del punto decimal. Para una mayor precisin a estos muchos lugares, MAXI tiene que ser tomado considerablemente mayor que 1000

.El ejemplo 7 Tres bolas son lanzadas al azar en 5 latas. Cul es la probabilidad que todos ellos aterrizan en latas diferentes? La solucin que hay 53 formas para distribuir todo el adentro para las latas, 53 de los cuales tienen bolas en latas diferentes. Por lo tanto la probabilidad exacta es

Para simular las probabilidades, introduzca en la computadora un entero MAX, en ese entonces muchos tiempo simule que tres nmeros de los contenedores CAN[1], CAN[2], Y can[3] son distintos aadir 1 al SUM.

7.3. SIMULACION DE DISTRIBUCION DISCRETA CON UN NUMERO FINITO DE RESULTADOS.

El ejemplo 6 simul pruebas Bernoulli en las cuales hubo dos resultados posibles, el xito o el fracasoGeneralizando, supongamos que un experimento aleatorio puede tener N + 1

posibles resultados, resultados que se produce con probabilidad pi . As

Si RND se distribuye uniformemente en el intervalo de la unidad [O, 1), a continuacin de la fraccin P0 Si RND se distribuye uniformemente en el intervalo de la unidad [O, 1), entonces la fraccin de los valores de p0 RND estar en el intervalo [O, p0), p1 fraccin de los valores RND estar en el intervalo [p0, p0+1) As, para simular un resultado i, siga este procedimiento: Generar RND, y determinar qu intervalo contiene RND. Ms especficamente, si RND<p0, set i = 0, si no, pero RND <p0 + p1, puedo configurar i = 1, si no, pero RND <p0 + p1 + p2, se puede establecer i = 2, ..., es decir, la resultados de las simulaciones en los resultados i si i es el menor entero para que RND <p0 + ... + pi, tenga en cuenta que tal existe desde p0 i + ... + pN = 1 y RND Pertenece [0, 1). Ahora en adelante denotaremos estas probabilidades usando la notacin de matriz. En la parte de las declaraciones de variables de los programas, P ser conjunto [0, ..., 100] de lo real. (N se supone que es 100). As, en particular, P [i] denota pi. (Ver fig. 7.1.).

El ejemplo 8 Un experimento aleatorio puede tener O, 1 ..., N resultados. Escriba un programa que puede introducir MAX (el nmero de simulaciones a realizar), N y N + 1 la probabilidad P [0],. . ., P [N]. Imprimir todas las simulaciones MAX de los muchos experimentos. Solucin: Ambos P y SUM Son arreglos. Un bucle while se utiliza para encontrar el valor de i ms pequeo de modo que RND<SUMA[i].

Yo falta el programa del ejemplo 8 El ejemplo 9 Use el mtodo anterior para simular 100 rollos de un dado comn y corriente. Solucin Cada resultado tiene igual probabilidad 1/6. Por lo tanto no tienen que ser introducidos en el programa. Tampoco SUMA [i] tiene que ser almacenado desde SUMA [i] = 1/6. Por qu? Programa del ejemplo 9

Tenga en cuenta que i se inicializa a 1 antes del bucle, mientras que en lugar de 0 como en el Ejemplo 8. Por qu? El ejemplo 10: Simulando Una Variable Aleatoria Binomial Entrada MAXI, N, P, y simular muchos experimentos MAXI; Cada uno consiste en realizar N pruebas Bernoulli con P de probabilidad de xito y determinar el nmero de xitos sobre todas Los N ensayos. La solucin que hay dos mtodos. La primera parte es simular un total de MAXIN numerosas pruebas de Bernoulli, dividirlos en grupos de N cada uno; Para cada grupo de N, cuente el nmero total de xitos. (El problema 7.13 pide que usted haga esto.). El segundo mtodo consiste en calcular las probabilidades binomiales

Pi As como en captulo 4, el ejemplo 17. El cuerpo humano del programa es Falta codigo del ejemplo 10 Deje al de la X al azar la variable con = la pi de alcance { 0, 1, , N } y P (la X =). Veamos cmo simular el anterior mtodo para valor de X aparece grficamente. La funcin de

distribucin para X es F (t) = P (la X t) como una funcin de t. Desde que la X es discreta, F es una funcin de paso con saltos en el entero apunta a yo = 0, 1, , N. Para simular una X de valor, el mtodo es computar a RND y encontrar lo ms pequeo tan esa pi RND < p0 + +. Grficamente, el valor RND es tramado en el eje vertical; Una lnea horizontal es levadiza de RND; Dnde intersecta los pasos determina el valor simulado. (Vea higo. 7.2.). Ms generalmente, si la X variable aleatoria discreta tiene alcance { x0, x1, , xn } con los valores aumentando (xi +1), entonces la funcin de distribucin de X es una funcin de paso; Si la pi = p (la x = xi), entonces

F (la X) = _ Pi = P = _ P (la X = xi) (la x de la X)

Donde las sumas se extienden a lo largo de todos los indices con x xi d. Grficamente, la funcin de distribucin aparece as como en higo. 7.3. En ese entonces el mtodo grfico para simular un valor de X es ste: Primero genere a RND, localice a RND en el eje vertical, y encuentre el valor de la X exactamente debajo del punto de la interseccin de la lnea horizontal a travs de RND y la grfica de F. Problemas

7.11. Una caja contiene 4 rojo y 3 lpices azules. Tres son seleccionados al azar sin reemplazar cualquier de ellos. Deje a la X ser el nmero de marca con rojo en la muestra. Qu es P (la X =) para / = O, 1, 2, 3? .Escriba un programa para simular e imprimir 100 pruebas. Es decir, la salida debera aparecer como una lista de enteros 2 3 0 2 0 1 1 ... Indicando "2 rojo en primera muestra, 3 rojos en segunda muestra, O en tercera muestra, El aporte debera ser P i para / = O, 1, 2, 3.

7.12. El aporte MAX y P y le simulan a MAX muchos experimentos. Cada uno consiste en lanzar una moneda al aire dos veces con P de probabilidad de cabezas. El resultado 0 le corresponde a 0 cabezas (abstemio) con probabilidad Q2 = (1 P) 2; El resultado 1 le corresponde a HT con probabilidad P-Q; El resultado 2 le corresponde a TH; Y el resultado 3 le corresponde a HH. 7.13. El aporte MAX, N, y P y le simulan a MAX muchos experimentos; Cada uno consiste en realizar pruebas N Bernoulli as como en el Ejemplo 10. Haga esto realizndole a MAX-N muchas simulaciones de pruebas Bernoulli. Un contorno del programa es El programa del falta de esta seccion 7.14. (La continuacin) Tenga su programa impresin el nmero comn de xitos para MAX muchas simulaciones. Esto debera estar prximo a la expectacin N-P.

7.4 SIMULANDO DISTRIBUCIONES DISCRETAS CON UN INFINITO COUNTABLY NUMERAN DE RESULTADOS

Suponga que a todo lo largo de esta seccin X variable aleatoria tiene alcance { Oh, 1, 2,. . .], Deje A A P I = P (la X = / ). Simular un valor para X requiere dividir el intervalo de la unidad 0,1 en countably muchos subintervalos, entonces seleccionando RND a. uniformemente distribuido y finalmente determinando en cul el subintervalo RND est ubicado. Usar las tcnicas de la seccin precedente requerira primer descubrimiento las infinitamente muchas sumas La SUMA i = P 0 + + P i

Para yo = 0 para _ as como en Higo. 7.4. Desde que estos infinitamente muchas operaciones son imposibles en una computadora, necesitamos una alternativa. Una posibilidad es encontrar una M de valor a fin de que la SUMA M frise 1. Si el valor de RND est menos de este valor, la

simulacin debera producir lo ms pequeo tan ese i RND<SUM como antes; Si, sin embargo, la SUMA e M, la simulacin producir resultado M + l. Una alternativa y el mismo usado aqu hay computar sucesivamente valores de SUMA i, detencin cuando i RND<SUM por primera vez. Este mtodo es menos eficiente que el primer mtodo desde entonces con muchas simulaciones la SUMA de valor 0 . LA SUMA 1,. . . Debe calcularse muchas veces. Por otra parte, no hay valor sobresaliente de truncamiento como lo superior con direccin al valor simulado de X. Uno puede mejorar el mtodo almacenando SUMA 0, PUEDE SUMAR a 1,. . . Como son computados. Entonces cuando el siguiente RND es generado, uno revisa para ver si RND est menos de cualquier de SUMA de sumas i computado hasta ahora; Si no, ms valores de SUMA I son computados (y almacenado) hasta un valor de yo es encontrado con RND<SUM i . Esta mejora vale la pena, sino por el bien de claridad no ser incorporado en los ejemplos (vea a Problem7.18). El ejemplo 11: Simulando Una Variable Aleatoria Geomtrica Recuerde que si la X es el tiempo de espera hasta el primer xito en una sucesin de pruebas Bernoulli, entonces

Para j = 1, 2, 3, ... Write un programa para introducir en la computadora a MAX (el nmero de simulaciones) y P y devolver al MAX muchas veces de espera la j simulada. La solucin La frmula recursiva

Es usado (pero vea Problema 7.17 para un mtodo alternativo). Estas probabilidades Dividen el intervalo 0, 1 as como en Higo. 7.5.

Falta lgorimo del 7.5

El ejemplo 12: Simulando Una Variable Aleatoria Poisson El aporte debera ser MAX para el nmero de simulaciones y L para el parmetro. La salida debera ser MAX muchas simulaciones de una X variable aleatoria distribuida Poisson con L de parmetro. La retentiva de solucin (la Seccin 6.1) que las probabilidades Poisson satisfacen esta frmula recursiva:

Para yo = 1, 2,. . ., Donde la L es el parmetro. El programa es similar a eso de Ejemplo 11. Hay slo dos diferencias: La inicializacin Y la modificacin Usando la frmula recursiva. El cuerpo humano del programa es

Falta el programa PROBLEMAS 7.15. Deje a la X ser Poisson distribuido. E (la X). Escriba un programa que introducir en la computadora a L (para.) Y simula 1000 valores de X. Despus de cada serie de 100 simulaciones, escriba en letras de imprenta fuera de la suma de todas las simulaciones de X hasta ahora generada y la proporcin de este nmero para el nmero de simulaciones. Este nmero debera estar prximo a la expectacin. Corra el programa para varios valores de L. 7.16. Deje a la X ser geomtricamente distribuido. Qu es E (la X)? Escriba un programa que introducir en la computadora P y simule 1000 valores de X. La impresin fuera del promedio de todo 1000 valores de la X. Corra el programa para varios valores de P.

7.17. La x es geomtricamente distribuida. Recuerde a (la Seccin 4.3) esa P (la X j) 1qj. Use este mtodo (en vez del mismo en el Ejemplo 11) para escribir un programa que introducir en la computadora K de la P y de nmero entero positivo. Realice 1000 simulaciones e imprima el nmero de X de veces excede K. (ste debera ser aproximadamente 1000P (X>K) = 1OOOqk.) 7.18. Incorpore la mejora discutida antes del Ejemplo 11 en ese ejemplo. Declare otra PARTE SUPERIOR variable (el entero) cuyo valor es lo ms grande yo a fin de que i de SUMA ha sido computado. Despus de que RND sea generado, revise para ver si RND<SUM TOP . Si no, la SUMA de cmputo i para yo > la PARTE SUPERIOR hasta RND<SUM i ; En ese entonces coloca al igual SOBRESALIENTE para yo.