Generacindenumerosaleatorios 130906214101 PDF

Simulacin
1
Simulacin Prof. Andrs Lillo
Generacin de nmeros aleatorios
Prof. Andrs Lillo
0,00082099 0,2661886 0,43576079
0,66189771 0,11678191 0,97269981
0,76749418 0,24125386 0,97309804
0,82810282 0,16590804 0,01734311
0,41671982 0,06581955 0,81785172
0,89368187 0,59277699 0,3746699
0,65729387 0,27383934 0,98117325
0,02501818 0,25777056 0,25334249
0,70026862 0,93231679 0,48305343
0,85055149 0,74479883 0,12358226
0,51442545 0,22244079 0,79513044
0,22411108 0,83588866 0,24181196
0,73508217 0,01742213 0,6439808
0,10092821 0,14163403 0,12138318
0,58549424 0,05003564 0,84052026
0,53138293 0,5844642 0,88716313
El objetivo es generar una secuencia de nmeros aleatorios
independientes con una distribucin especfica.
Independientes: cada nmero es obtenido por casualidad y no
tiene ninguna relacin con otros nmeros de la serie.
Distribucin especfica: cada nmero tiene una probabilidad
especfica de pertenecer a un rango de valores determinado. La
ms comn es la distribucin uniforme, todos los nmeros son
igualmente probables.
Simulacin
2
En todos los experimentos de simulacin existe la necesidad de
generar variables aleatorias que representan a una cierta
distribucin de probabilidad. Durante un experimento de
simulacin, el proceso de generar una variable aleatoria de una
distribucin en particular, puede repetirse cuantas veces se desee
y tantas veces como distribuciones de probabilidad existan en el
experimento de simulacin. Sin embargo, es conveniente sealar
que el proceso de generacin de variables no uniformes se hace a
partir de la generacin de variables rectangulares (nmeros de
distribucin uniforme).
Independientemente del mtodo que se utilice para la generacin
de nmeros uniformes, estos debe poseer ciertas
caractersticas:
1. Uniformemente distribuidos.
2. Estadsticamente independientes.
3. Reproducibles.
4. Periodo largo (sin repeticin dentro de una longitud
determinada de la sucesin).
5. Generados a travs de un mtodo rpido.
6. Generados a travs de un mtodo que no requiera mucha
capacidad de almacenamiento en la computadora.
Simulacin
3
Utilizar mquinas especficas (resistencia generadora de ruido)
Ej.: ERNIE (loto inglesa) Inconvenientes: averas difcilmente
detectables, imposibilidad de rehacer los clculos con idnticas
secuencias
Utilizar tablas. Inconvenientes: tablas cortas para clculos,
ocupan memoria, tiempos de acceso.
Utilizar operaciones aritmticas. Von Neumann (1946).
N N
2
extraer los dijitos centrales
Ej.: 772156649 3337.7923805949.09201 7923805949.09201
Cmo es aleatorio (random) si est completamente determinado
por el anterior?. NO es random pero lo parece. Las secuencias
las llamaremos simplemente aleatorias.
La secuencia de Von Neumann es un mal generador.
Generadores uniformes de nmeros aleatorios
Varios esquemas han sido propuestos para la generacin de los
nmeros pseudoaleatorios a travs de relaciones matemticas de
recurrencia. Estos nmeros se consideran pseudoaleatorios,
porque aunque pasan todas la pruebas estadsticas de
aleatoriedad, ellos son de hecho completamente determinsticos.
Actualmente, casi todas las computadoras incluyen en sus
programas de biblioteca alguna variante de los mtodos
congruenciales sugeridos por Lehmer. Los dos mtodos
congruenciales ms populares son: congruencial mixto y
congruencial multiplicativo.
Simulacin
4
Mtodo de los medios de cuadrados
Uno de los primeros procedimientos aritmticos que se usaron
para generar secuencias de nmeros pseudoaleatorios
uniformemente distribuidos, fue el mtodo de los medios
cuadrados. Es esta tcnica, propuesta por Von Neumann y
Metropolis en 1946, cada nuevo nmero de una secuencia
es producido tomando los dgitos medio de m de un nmero
obtenido mediante la elevacin al cuadrado de un digito. El
mtodo de los medios de cuadrados es el siguiente:
a) Escoja un nmero de cuatro dgitos.
b) Eleve al cuadrado dicho nmero y agrguele ceros del lado
izquierdo si es necesario a fin de contar con 8 dgitos.
c) Seleccione los cuatro dgitos de en medio con el nmero
aleatorio que va a ulilizar.
d) Eleve al cuadrado el nmero de cuatro digitos seleccionado
en el paso c (nuevamente agregando ceros del lado
izquierdo si es necesario a fin de obtener 8 digitos).
e) Repita los pasos c y d hasta que obtenga la cantidad
deseada de nmeros aleatorios.
Ejemplo: seleccionaremos X
0
= 2152 como primer nmero
X X
2
n
X
0
= 2152 (X
0
)
2
= 04631104 6311
X
1
= 6311 (X
1
)
2
= 39828721 8287
X
2
= 8287 (X
2
)
2
= 68674369 6743
X
3
= 6743 (X
3
)
2
= 45468049 4680
X
4
= 4680 (X
4
)
2
= 21902400 9024
Simulacin
5
Desafortunadamente, este mtodo es difcil de analizar,
relativamente lento y estadsticamente poco satisfactorio. Por
ejemplo la relacin entre el nmero inicial y la longitud de la
secuencia generada ante que sta empiece a repetirse a si misma
(referida como periodo) es difcil de analizar antes de tiempo. Es
posible que la secuencia sea muy corta y en alguno casos no
haya aleatoriedad alguna. Ejemplo: seleccionaremos X
0
= 4500
X X
2
n
X
0
= 4500 (X
0
)
2
= 20250000 2500
X
1
= 2500 (X
1
)
2
= 06250000 2500
X
2
= 2500 (X
2
)
2
= 06250000 2500
X
3
= 2500 (X
3
)
2
= 06250000 2500
X
4
= 2500 (X
4
)
2
= 06250000 2500
Mtodo congruencial mixto
Los generadores cogruenciales lineales generan una secuencia de
numeros pseudo aleatorios en la cual el prximo nmero
pseudoaleatorio es determinado a partir del ultimo nmero
generado, es decir, el nmero pseudo aleatorio Xn+1 es derivado
a partir del nmero pseudoaleatorio Xn. Para el caso particular
del generador congruencial mixto, la relacin de recurrencia es
la siguiente:
X
n+1
= (aX
n
+ c) mod m
Donde:
X
0
= la semilla (X
0
> 0)
a = el multiplicador (a > 0)
c = constante aditiva (c > 0)
m = el mdulo (m > X
0
, m > a y m>c), m representa el nmero
posible de valores diferentes que puede ser generado.
Simulacin
6
Ejemplo: se tiene un generador en el cual los valores de sus
parmetros son: a = 5, c = 7, X
0
= 4 y m = 8.
n Xn (5Xn + 7) Xn+1
0 4 27 3
1 3 22 6
2 6 37 5
3 5 32 0
4 0 7 7
5 7 42 2
6 2 17 1
7 1 12 4
Despus de analizar el ejemplo anterior, podra pensarse que el
periodo de todo generador es siempre igual a m. Sin embargo,
esto es falso porque el periodo depende de los valores asignados
a los parmetros a, c, X
0
y m, es decir, se requiere seleccionar
valores adecuados para estos parmetros con el fin de que el
generador tenga periodo completo. Ejemplo: vamos a generador
un periodo con a = X
0
= c y m = 10.
n Xn (7Xn + 7) Xn+1
0 7 56 6
1 6 49 9
2 9 70 0
3 0 7 7
Simulacin
7
Seleccin de los parmetros
Seleccin de m. Existen dos opciones para seleccionar el valor
apropiado del modulo:
1. Seleccionar m de modo que sea el numero primo ms grande
posible y que a su vez sea menor que p
d
, donde p es la base
del sistema (binario, decimal, hexadecimal, etc.) que se est
utilizando y d es el numero de bits que tiene una palabra de
computadora del sistema. Por ejemplo, si se tiene una
computadora IBM 370 que trabaja con sistema binario,
entonces p = 2 y d = 32.
2. Seleccionar m como p
d
. Cuando m toma este valor se facilita
el clculo del nmero rectangular (U
n
= X
n
/m), ya que solo se
corre el punto binario o decimal a la izquierda del nmero.
Sin embargo se ha comprobado que cuando el mdulo toma
este valor, los ultimo dgitos del nmero pseudoaleatorio
generado no se comporta de manera aleatoria.
Seleccin de a.
El valor seleccionado de a debe ser entero impar, y adems no
debe ser divisible por 3 o 5. Sin embargo, si queremos
asegurar que el generador tenga un perodo completo, el valor
de a se debe seleccionar de acuerdo al siguiente criterio:
1. (a - 1) mod 4 = 0 si 4 es un factor de m
2. (a - 1) mod b = 0 si b es un factor primo de m
Seleccin de c. El valor seleccionado para este parmetro puede
ser cualquier constante. Sin embargo, si se desea asegurar
buenos resultados el valor de c debe ser c mod 8 = 5 si se
trabaja con un sistema binario y c como mod 200 = 21 si se
trabaja en sistema decimal. Ms especficamente el valor de c
debe ser un entero impar relativamente primo a m.
Simulacin
8
Seleccin de X
0
.
Para el generador congruencial mixto, se ha encontrado que el
valor de la semilla es irrelevante, es decir, el valor de este
parmetro resulta tener poca o ninguna influencia sobre las
propiedades estadsticas de las sucesiones.
Congruencial Multiplicativo
Al igual que el generador congruencial mixto, el generador
congruencial multiplicativo determina el prximo nmero
pseudoaleatorio a partir del ltimo nmero generado, de acuerdo
a la siguiente recurrencia:
X
n+1
= aX
n
mod m
Para este generador se recomienda tambin seleccionar
adecuadamente los valores de los parmetros a, X
0
y m, con el
fin de asegurar un periodo mximo para las sucesiones
generadas por este mtodo. Los valores de estos parmetros
tomaran valores distintos si se trabaja en sistema decimal, que si
se trabaja en sistema binario.
Simulacin
9
Sistema decimal
Si se trabaja en sistema decimal, los valores de los parmetros
debes ser seleccionados de acuerdo a los siguiente criterios:
1. El valor de la semilla puede ser cualquier entero impar no
divisible entre 2 o 5, y debe ser relativamente primo a m.
2. El valor seleccionado de a debe ser obtenido de acuerdo a la
siguiente identidad: a = 200 p, donde t es cualquier entero y
p es cualquiera de los siguientes valores: 3, 11, 13, 19, 21, 27,
29, 37, 53, 59, 61, 67, 69, 77, 83, 91.
3. El valor seleccionado de m puede ser 10
d
. Si m = 10 y d >=5
el periodo del generador es 5 x 10
d-2
.
Por otra parte, si m=10d y d<5 entonces el periodo del
generador se obtiene de acuerdo a la siguiente expresin:
Periodo = Mnimo comn mltiplo {(P
1
d1
), (P
2
d2
),(P
n
dn
)}
donde : Pi es un factor primo de m
(2)=1, (4)=2
(2
d
)=2
d-2
si d >= 3
(p
d
)= p
d-1
(p-1) si p >= 2
Ejemplo: vamos a analizar el generador :
X
n+1
= 3X
n
mod 100 y X
0
=17
Puesto que m puede ser expresado como 10
2
o bien como
(2
2
)(5
2
) entonces el periodo de este generador sera:
Simulacin
10
Perodo = Mnimo comn mltiplo ( (2
2
) (5
2
) )
= Mnimo comn mltiplo ( (2) (25) )
= 20
La siguiente tabla muestra los nmero pseudoaleatorios generados por
este generador:
n Xn n Xn n Xn n Xn
1 51 6 93 11 99 16 57
2 53 7 79 12 97 17 71
3 59 8 37 13 91 18 13
4 77 9 11 14 73 19 39
5 31 10 33 15 19 20 17
Sistema binario
Si se trabaja en sistema binario, los valores de los parmetros
debes ser seleccionados de acuerdo a los siguiente criterios:
1. El valor de la semilla puede ser cualquier entero impar
relativamente primo a m.
2. El valor seleccionado de a debe ser obtenido de acuerdo a la
siguiente expresin:
a = 8t 3
donde t es cualquier entero.
3. El valor seleccionado de m puede ser 2
d
. Si m = 2
d
el periodo
del generador es 2
d-2
m/4.
Simulacin
11
Ejemplo: vamos a analizar el generador: X
n+1
= 5X
n
mod 32,
donde a =5, X
0
= 5 y m = 32.
Como se puede apreciar en la tabla, el periodo generador es 8
n Xn n Xn
1 25 5 9
2 29 6 13
3 17 7 1
4 21 8 5
Generacin de nmeros aleatorios no-uniformes
En todo modelo de simulacin estocstico, existen una o arias
variables aleatorias interactuando. Generalmente, estas variables
siguen distribuciones de probabilidad tericas o empricas
diferentes a la distribucin uniformes. Por consiguiente, para
simular este tipo de variables, es necesario contar con un
generador de nmeros uniformes y una funcin que a travs de
un mtodo especifico, transforme estos nmeros en valores de
las distribucin de la probabilidad deseada.
Simulacin
12
Muestreo con el mtodo de Monte Carlo
El muestreo de Monte Carlo es fundamental para el concepto de
los sistemas de simulacin que contienen elementos estocsticos
o probabililisticos. Su origen y nombre se remontan al trabajo de
von Neumann y Ulan a finales de los aos cuarenta, cuando
acuaron el termino y aplicaron la tcnica para resolver ciertos
problemas de proteccin nuclear. La tcnica mtematica se ha
reconocido durante muchos aos, pero fue revivida para el
trabajo secreto de Los lamos y se le asig el nombre clave
Monte Carlo. El mtodo fue tan exitoso que su popularidad se
extendi a varios campos y el trmino casi se ha vuelto un
sinnimo de simulacin en la mente de muchas personas.
Frecuencia absoluta: Se define la frecuencia de un evento a como el
cociente que resulta de dividir el numero de veces que sucedi el evento entre
el numero total de veces que se repiti el experimento, bajo el supuesto de
que en cada repeticin de experimento el evento A tiene la misma
oportunidad de ocurrir La frecuencia absoluta de una variable estadstica es el
nmero de veces que aparece en la muestra dicho valor de la variable, la
representaremos por Ni
Frecuencia relativa: La frecuencia absoluta, es una medida que est influida
por el tamao de la muestra (N), al aumentar el tamao de la muestra
aumentar tambin el tamao de la frecuencia absoluta. Esto hace que no sea
una medida til para poder comparar. Para esto es necesario introducir el
concepto de frecuencia relativa, que es el cociente entre la frecuencia
absoluta y el tamao de la muestra. La denotaremos por Fi
N
Ni
Fi =
Simulacin
13
1. Grafique o tabule los datos de inters (no los nmeros aleatorios) con
una funcin de distribucin de probabilidad acumulada, con los
valores de la variable sobre el eje x o abscisa y las probabilidades de 0
a 1 que se trazaron sobre el eje y de la ordenada.
2. Seleccione un nmero decimal aleatorio entre 0 y 1 (en tantos lugares
como se desee), por medio de un generador de nmeros aleatorio.
3. Proyecte horizontalmente el punto sobre el eje y (ordenada) que
corresponda a este nmero decimal aleatorio, hasta que la lnea de
proyeccin interseque la curva acumulativa.
4. Proyecte hacia debajo de este punto de interseccin sobre la curva al
eje x (abscisa).
5. Escriba el valor de x correspondiente a este punto de interseccin.
Despus, este valor de x se toma como el valor de la muestra.
6. Repita los pasos 2 al 6 hasta que se hayan generado tantas variables
aleatorias como se deseen, siguiendo la secuencia en la cual se
obtuvieron.
Ejemplo: Supongamos que tenemos un sistema en donde en
cualquier periodo de diez minutos, los clientes requerirn
servicio con la siguiente probabilidad:
Clientes Probabilidad
Probabilidad
acumulada
0 0.40 0.40
1 0.25 0.65
2 0.20 0.85
3 0.15 1.00
Simulacin
14
Se grafica la funcin de distribucin de probabilidad acumulada
Supongamos que se desea generar un experiencia artificial para
cinco periodos. Primero, podramos obtener la distribucin de
probabilidad acumulativa. Luego podramos generar cinco
nmeros de dos dgitos y colocar un punto decimal enfrente de
cada uno de ellos. Cada uno de estos cinco nmeros se usar
para generar el nmero de clientes que llega durante un periodo
determinado. Si los nmeros aleatorios obtenidos son 09, 54, 42,
80 y 20 respectivamente, entonces el resultados es:
Perodo Nmero
aleatorio
Probabilidad
Acumulada
1 0.09 0
2 0.54 1
3 0.42 1
4 0.80 2
5 0.20 0
Simulacin
15
Si los nmeros aleatorios que se usan estn verdaderamente
distribuidos uniformemente y son aleatorios (es decir, cada uno
de los nmeros de 0 a 99 tiene la misma oportunidad igual de
aparecer o ser seleccionado), entonces cada nmero de los datos
de inters saldr con la misma frecuencia relativa de este proceso
sinttico como en el mundo real pero su arreglo ser
aleatorizado. En consecuencia se ha generado una experiencia
artificial que es caracterstico de lo que hemos experimentado
del mundo real.
En el ejemplo anterior se utilizaron datos discretos. En el caso de
los datos continuos, el proceso es idntico, excepto que la curva
es continua en vez de escalonada.
Distribucin acumulada
Simulacin
16
El diseo de un modelo de simulacin que contiene elementos
estocsticos o probabilisticos, siempre da origen a la pregunta
referente a si debemos usar datos empricos directamente en el
muestreo de Monte Carlo o si debemos usar una de las
distribuciones tericas. Esta pregunta es muy importante y
fundamental por tres razones.
Primera, el uso de datos empiricos no actualizados implica que
todo lo que uno est haciendo es simula el pasado. El uso de
datos del ao pasado duplicara en forma eficiente slo el
rendimiento de dicho ao; los ltimos eventos son aquellos que
ya ocurrieron. Una cosa es suponer que la forma bsica de la
distribucin permanecer inalterada a travs del tiempo y otra
muy diferente es suponer que la idiosincrasia de un perodo en
particular se repetir.
Segunda, por lo general resulta ms eficiente usar una
distribucin de probabilidad terica en trminos de tiempo de
cmputo y requerimientos de almacenamiento.
Tercera, es mucho ms fcil cambiar los parmetros de un
generado de distribuciones tericas para realizar las pruebas de
sensibilidad o contestar preguntas del tipo que ocurre si.
Como regla general, creemos que un modelo ms til tendra
lugar, si pudiramos usar distribuciones tericas. Por tanto,
sugeriramos que los datos empricos se prueben mediante
mtodos estadsticos (pruebas ji-cuadrada de la bondad del ajuste
y Kolmogorov-Smirnov) para determinar si se ajustan a una
distribucin, conocida con un nivel de confianza
estadsticamente aceptado. Si lo hace, entonces debe usarse la
distribucin terica.
Simulacin
17
Mtodo de la Transformada Inversa
El mtodo de la transformada inversa utiliza la distribucin
acumulada F(x) de la distribucin que se va a simular. Puesto
que F(x) est definida en el intervalo (0;1), se puede generar un
nmero aleatorio uniforme R y tratar de determinar el valor de la
variable aleatoria para la cual su distribucin acumulada es igual
a R, es decir, el valor simulado de la variable aleatoria que sigue
una distribucin f(x), se resuelve al resolver la siguiente
ecuacin:
x = F
-1
(R)
La dificultad principal de este mtodo descansa en el hecho de
que en algunas ocasiones es difcil encontrar la transformada
inversa. Sin embargo, si esta funcin inversa ya ha sido
establecida, generando nmeros uniformes se podrn obtener
variables aleatorias que sigan la distribucin de probabilidad
deseada
1
0
R
x = F
-1
(R)
Forma grfica del mtodo de la transformada inversa
Simulacin
18
Ejemplo: Distribucin Exponencial
Se desea generar nmeros al azar que sigan la siguiente
distribucin de probabilidad:
La distribucin acumulada de esta funcin es:
<
0 x si 0
0 x si
) (
x
e
x f
x
e dt e x F
x
x

= =

1 ) (
0
Ejemplo: Distribucin Exponencial
Funcin de distribucin
de probabilidad f(x)
Distribucin cumulada F(x)
Simulacin
19
Utilizando el principio de x = F
-1
(R), igualamos la distribucin
acumulada con el nmero uniforme R, se obtiene:
1-e
-x
= R
e-
x
= 1-R
Pero si R sigue una distribucin uniforme 1-R tambin sigue esta
distribucin, por consiguiente:
LnR x
R e
x
1
=
=

Ejemplo: Distribucin Exponencial, se generaron 100 nmeros a travs de este
mtodo y luego se construy el histograma, el cual muestra que la distribucin
se asemeja mucho a la exponencial.
Histograma
0
50
100
150
200
250
300
0
,0
0
0
7
8
6
7
3
3
0
,5
8
6
0
4
7
7
0
1
1
,1
7
1
3
0
8
6
7
1
,7
5
6
5
6
9
6
3
8
2
,3
4
1
8
3
0
6
0
6
2
,9
2
7
0
9
1
5
7
4
3
,5
1
2
3
5
2
5
4
3
4
,0
9
7
6
1
3
5
1
1
4
,6
8
2
8
7
4
4
7
9
5
,2
6
8
1
3
5
4
4
7
5
,8
5
3
3
9
6
4
1
6
6
,4
3
8
6
5
7
3
8
4
7
,0
2
3
9
1
8
3
5
2
7
,6
0
9
1
7
9
3
2
8
,1
9
4
4
4
0
2
8
9
8
,7
7
9
7
0
1
2
5
7
Clase
F
r
e
c
u
e
n
c
i
a
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia
% acumulado
Simulacin
20
Mtodo de Rechazo
Existe otro procedimiento para generar nmeros al azar de
distribuciones de probabilidad no-uniformes. A este
procedimiento se le conoce con el nombre de mtodo de
rechazo. Este mtodo consiste primeramente en generar un valor
de la variable aleatorio y en seguida probar que dicho valor
simulado proviene de las distribucin de probabilidad que se est
analizando. Para comprender la lgica de este mtodo, suponga
que f (x) es una distribucin de probabilidad acotada y con rango
finito, es decir, a<=x<=b. De acuerdo a esta funcin de
probabilidad, la aplicacin del mtodo de rechazo implica el
desarrollo del siguiente algoritmo:
Mtodo de Rechazo
1. Generar dos nmeros uniformes R(0,1) llamados R
1
y R
2
.
2. Determinar el valor de la variable aleatoria x de acuerdo a la
siguiente relacin lineal de R
1
:
3. Evaluar la funcin de probabilidad en x = a+(b-a) R
1
.
4. Determinar si la siguiente desigualdad se cumple:
donde M es la moda o el valor con mayo probabilidad de
suceder
5. Se utiliza a x = a + (b - a)R
1
si la respuesta es afirmativa
como un valor simulado de la variable aleatoria. De lo
contrario, es necesario regresar nuevamente al paso 1 tantas
veces como sea necesario
M R a b a f R / ) ) ( (
1 2
+
( )
1
R a b a x + =
Simulacin
21
Mtodo de Rechazo
La teora sobre la que se apoya este mtodo se basa en el hecho de
que la probabilidad de R
2
<= f(x)/M es exactamente f(x)/M. Por
consiguiente, si un nmero es escogido al azar de acuerdo a x =
a+(b-a)R
1
y rechazado si R
2
> f(x)/M, entonces la distribucin de
probabilidad de las xs aceptadas ser exactamente f(x).
M
f(x)
a b x
Mtodo de Rechazo
Por otra parte, conviene sealar que si todas las xs fueran
aceptadas, entonces x estara uniformemente distribuida entre a
y b.
Finalmente, es necesario mencionar que algunos autores como
Tocher, han demostrado que el nmero esperado de intentos para
que x sea aceptada como una variable aleatoria que sigue una
distribucin de probabilidad f(x), es M. Esto significa que este
mtodo podra ser ineficiente para ciertas distribuciones de
probabilidad en las cuales la moda se grande.
Simulacin
22
Mtodo de Rechazo
Ejemplo: Distribucin triangular. Se desea generar valores de
variables aleatorias que sigan la siguiente distribucin de
probabilidad:
+

=
7 x 5 si
6
7
6
1
5 x 1 si
12
1
12
1
) (
x
x
x f
Mtodo de Rechazo
Ejemplo: Distribucin triangular.
Al graficar obtenemos que a=1, b=7 y M= 1/3.
M=1/3
f(x)
1 x 5 7
Simulacin
23
Mtodo de Rechazo
R1 R2 x=a+(b-a)R1 f(x) f(x)/M Es R2<f(x)/M? VAX
0,700146 0,432928 5,200878263 0,299854 0,8995609 SI 5,200878
0,731104 0,784514 5,38662231 0,268896 0,8066888 SI 5,386622
0,467972 0,824032 3,807830453 0,233986 0,7019576 NO FALSO
0,724052 0,556891 5,344309211 0,275948 0,8278454 SI 5,344309
0,147178 0,0474 1,88306725 0,073589 0,2207668 SI 1,883067
0,520989 0,014957 4,125932574 0,260494 0,7814831 SI 4,125933
0,476351 0,199773 3,858107209 0,238176 0,7145268 SI 3,858107
0,894193 0,654377 6,365159392 0,105807 0,3174203 NO FALSO
0,530992 0,367149 4,185953259 0,265496 0,7964883 SI 4,185953
0,648169 0,874138 4,889016032 0,324085 0,972254 SI 4,889016
Ejemplo: Distribucin Triangular, se aplicaron 100 iteraciones y se obtuvieron
60 nmero aleatorios. Aqu se muestran las primeras 10 iteraciones:
Mtodo de Rechazo
Ejemplo: Aqu vemos la tabla de frecuencias y distribucin acumulada para los
60 valores generados:
Clase Frecuencia % acumulado
1,388846278 1 1,67%
2,117132238 2 5,00%
2,845418198 3 10,00%
3,573704158 8 23,33%
4,301990117 10 40,00%
5,030276077 13 61,67%
5,758562037 16 88,33%
y mayor... 7 100,00%
Simulacin
24
Mtodo de Rechazo
Luego se construye el histograma para verificar la distribucin:
Histograma
0
2
4
6
8
10
12
14
16
18
1
,3
8
8
8
4
6
2
7
8
2
,1
1
7
1
3
2
2
3
8
2
,8
4
5
4
1
8
1
9
8
3
,5
7
3
7
0
4
1
5
8
4
,3
0
1
9
9
0
1
1
7
5
,0
3
0
2
7
6
0
7
7
5
,7
5
8
5
6
2
0
3
7
y
m
a
y
o
r...
Clase
F
r
e
c
u
e
n
c
i
a
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia
% acumulado
Procedimientos Especiales
Distribucin normal. La distribucin normal o gaussiana es sin
lugar a dudas una de las distribuciones continuas de mayor
importancia y ms ampliamente usadas. Es simtrica en cuanto a
su valor medio y se caracteriza por su valor medio y su
desviacin estndar . Se desea generar nmeros al azar que
sigan la siguiente distribucin de probabilidad:
puesto que no es posible expresar la distribucin acumulada de
la distribucin normal de manera explicita, entonces no es
posible utilizar para la generacin de nmeros al azar, el mtodo
de la transformada inversa.
2
2
1
2
1
) (
|
\
|
=

x
e x f
Simulacin
25
Distribucin normal
Se puede hacer uso del teorema del limite central. Si tomamos n
muestras de una distribucin con varianza
2
y media , entonces
la suma de las n muestras es asinttica y normalmente
distribuida con una media n una varianza n
2
(cuando n es
grande). Ahora si tomamos nuestras n muestras a partir de una
distribucin uniforme sobre el intervalo que va de cero a uno,
entonces = 1/2 y
2
=1/12, y de la suma de nuestras n muestras,
obtendriamos una varibale X que estara normalmente distribuida
con una media = n/2 y una varianza = n/12.
Por consiguiente, si seleccionamos n=12, la varianza de X es
igual 1 y si le restamos 6 a la suma, la media es igual a cero.
Distribucin normal
Por lo que si ni es un nmero aleatorio normalmente distribuido
sobre el intervalo que va desde cero a uno, podemos calcular una
variable aleatoria distribuida con = 0 y
2
=1
Si queremos generar nmeros normalmente distribuidos con otra
media y otra desviacin
6
12
1
=

= i
i
r x
|
\
|
+ =

=
6
12
1 i
i
r x
Simulacin
26
Distribucin normal
Ejemplo: Se trataron de generar 100 nmeros aleatorios que estuvieran
distribuidos normalmente con =0 y =1 (normal estndar).
-1,56212 -0,74272 -1,77864 0,191673 -0,43504 -0,1644 0,15813
-1,13946 0,033322 1,457953 0,960845 0,341072 -0,06714 0,1681
-1,31823 0,132008 -1,52358 1,068777 0,672988 1,025627 -0,60158
-0,05374 -0,43714 -0,31137 0,767179 0,089758 -1,64221 0,245339
0,233834 0,433062 -1,83339 -0,46959 -0,09441 1,520895 -0,98476
0,096985 -0,61506 0,080019 -0,50699 -0,34265 0,89166 -1,63781
1,498359 -0,96651 1,133706 -0,11287 -0,45794 0,069447 -0,27462
-0,75174 -0,59614 0,005158 0,480127 0,854403 1,313777 0,766697
0,442144 -0,63115 -0,21798 1,011978 0,424203 1,981829 0,808147
-0,10187 1,086415 0,399595 0,632835 -0,94604 -1,03406 -0,73059
-0,40551 -0,56282 1,078344 0,340498 -0,04369 -0,86891
-1,89286 0,461902 0,761379 -1,58207 -0,80844 0,752433
-0,95282 -0,20098 -2,44803 -1,12926 2,105168 0,952772
-0,50166 -0,87788 -0,84894 -1,1353 -0,23474 -2,85993
0,454528 -0,42257 1,294709 0,163248 -1,59991 -1,55507
Distribucin normal
Se construy la tabla de frecuencias y frecuencias acumuladas
Clase Frecuencia % acumulado
-2,85993 1 1,00%
-2,36342 1 2,00%
-1,86691 1 3,00%
-1,3704 9 12,00%
-0,87389 10 22,00%
-0,37738 19 41,00%
0,119127 19 60,00%
0,615638 16 76,00%
1,112148 16 92,00%
1,608658 6 98,00%
y mayor... 2 100,00%
Datos de la muestra
= -0,1176752
= 0,96442761
Simulacin
27
Distribucin normal
Histograma
0
2
4
6
8
10
12
14
16
18
20
-
2
,8
5
9
9
3
4
6
8
8
-
2
,3
6
3
4
2
4
3
7
3
-
1
,8
6
6
9
1
4
0
5
8
-
1
,3
7
0
4
0
3
7
4
3
-
0
,8
7
3
8
9
3
4
2
8
-
0
,3
7
7
3
8
3
1
1
3
0
,
1
1
9
1
2
7
2
0
2
0
,
6
1
5
6
3
7
5
1
7
1
,
1
1
2
1
4
7
8
3
2
1
,
6
0
8
6
5
8
1
4
7
y
m
a
y
o
r...
Clase
F
r
e
c
u
e
n
c
i
a
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia
% acumulado
Distribucin normal
Histograma
0
50
100
150
200
250
-
3
,3
8
7
0
8
3
8
8
8
-
2
,9
9
6
0
8
7
6
0
9
-
2
,6
0
5
0
9
1
3
3
-
2
,2
1
4
0
9
5
0
5
1
-
1
,8
2
3
0
9
8
7
7
2
-
1
,4
3
2
1
0
2
4
9
3
-
1
,0
4
1
1
0
6
2
1
4
-
0
,6
5
0
1
0
9
9
3
5
-
0
,2
5
9
1
1
3
6
5
6
0
,1
3
1
8
8
2
6
2
3
0
,5
2
2
8
7
8
9
0
2
0
,9
1
3
8
7
5
1
8
1
1
,3
0
4
8
7
1
4
6
1
,6
9
5
8
6
7
7
3
9
2
,0
8
6
8
6
4
0
1
8
2
,4
7
7
8
6
0
2
9
7
2
,8
6
8
8
5
6
5
7
7
3
,2
5
9
8
5
2
8
5
6
Clase
F
r
e
c
u
e
n
c
i
a
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia
% acumulado
Generando 5000 nmeros la distribucin se acerca a la normal estndar ya
que = -0,0170251 = 1,01336584
Simulacin
28
Distribucin de Poisson. La distribucin de Poisson puede
describir un nmero de procesos del mundo real. Si tomamos
una serie de pruebas independientes de Bernoulli (procedeno
procede, xito-fracaso, etc), que tengan una pequea
probabilidad que ocurra un evento, entonces, conforme n se
incrementa, la probabilidad de x ocurrencias es proporcionada
por la distribucin de Poisson.
Densidad:
Media: =
Varianza
2
=
!
) (
x
e
x f
x

=
La distribucin de Poisson es un distribucin discreta (la variable solo
toma valores enteros incluyendo el cero) que tiene una media y una
varianza igual a . Para generar variables de Poisson se puede utilizar
el mtodo de Tocher, dicho mtodo se basa en la generacin de
variables uniformes (Ri) sobre el intervalo que va desde 0 hasta 1
hasta que la siguiente relacin se sostenga:
En resumen, el algoritmo es el siguiente:
1. Sean k=1, x=1.
2. Se genera un nmero uniforme Ri y se hace k=kRi.
3. Si k <= e
-
, entonces x-1 es el valor buscado. En caso contrario se
hace x=x+1 y se va al paso 2

=
+
=
>
x
i
x
i
Ri e Ri
0
1
0

Generacindenumerosaleatorios 130906214101 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Generacindenumerosaleatorios 130906214101 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Simulacin

Simulacin Prof. Andrs Lillo

Vous aimerez peut-être aussi