INSTITUTO TECNOLGICO SUPERIOR

DE LAS CHOAPAS
INGENIERA INDUSTRIAL

DOCENTE
ING.RAUL RAMOS URGELL

MATERIA
SIMULACIN
2da. UNIDAD

GENERACIN DE NMEROS ALEATORIOS

ESTUDIANTE

MARTIN AZAMAR FLORES

141A0101

26-02-17
1
 CONTENIDO
INTRODUCCIN................................................................................................... 3

2.1. NMEROS ALEATORIOS: DEFINICIN, PROPIEDADES, GENERADORES Y

TABLAS................................................................................................................ 4

2.2. PROPIEDADES DE LOS NMEROS PSEUDOALEATORIOS................................6

2.3. PRUEBAS ESTADSTICAS DE ALEATORIEDAD PARA LOS NMEROS

PSEUDOALEATORIOS: DE MEDIAS, DE VARIANZA, DE INDEPENDENCIA Y DE

BONDAD DE AJUSTE............................................................................................ 7

2.4. OBTENCIN DE NMEROS PSEUDOALEATORIOS UTILIZANDO PAQUETES

COMPUTACIONALES.......................................................................................... 10

2.5. MTODO DE MONTE CARLO.........................................................................12

CONCLUSIN..................................................................................................... 15

BIBLIOGRAFA.................................................................................................... 16

INTRODUCCIN

26-02-17
2
 Los sistemas reales frecuentemente tienen valores de tiempo y cantidades
que varan dentro de un rango y de acuerdo a una funcin especfica de densidad,
definida por una distribucin de probabilidad.

Cada vez que generamos un valor a partir de una distribucin, a ese valor
se le llama variable aleatoria. Para generar variables aleatorias, es necesario
utilizar nmeros aleatorios. Los nmeros aleatorios permiten a los modelos
matemticos representar la realidad.

En general cuando se requiere una impredecibilidad en unos determinados

datos, se utilizan nmeros aleatorios
Los seres humanos vivimos en un medio aleatorio y nuestro
comportamiento lo es tambin. Si deseamos predecir el comportamiento de un
material, de un fenmeno climatolgico o de un grupo humano podemos inferir a
partir de datos estadsticos. Para lograr una mejor aproximacin a la realidad
nuestra herramienta predictiva debe funcionar de manera similar: aleatoriamente.
De esa necesidad surgieron los modelos de simulacin.
En la vida cotidiana se utilizan nmeros aleatorios en situaciones tan
dispares como pueden ser los juegos de azar, en el diseo de la cada de los
copos de nieve, en una animacin por ordenador, en tests para localizacin de
errores en chips, en la transmisin de datos desde un satlite o en las finanzas.
La lgica nos hace pensar que las personas somos generadores aleatorios
imperfectos, hay estudios que demuestran que existen tendencias claras en los
humanos para la elaboracin de secuencias sesgadas y estn relacionadas con
caractersticas personales, con los conocimientos o informaciones previas o con la
edad
Podemos aprovecharnos de situaciones reales para obtener una tabla de
nmeros aleatorios, como la lista de los nmeros de Lotera Nacional premiados a
lo largo de su historia, pues se caracterizan por que cada dgito tiene la misma
probabilidad de ser elegido, y su eleccin es independiente de las dems
extracciones.

26-02-17
3
 2.1. NMEROS ALEATORIOS: DEFINICIN,
PROPIEDADES, GENERADORES Y TABLAS

Un nmero aleatorio es aqul que es generado a partir de la

distribucin Uniforme U (0,1).

Propiedades y generadores de nmeros aleatorios

Su generacin se basa en el uso de mecanismos fsicos.

Entre las distintas propuestas se incluyen el recuento de
partculas emitidas por una explosin, el lanzamiento de
monedas, aparatos mecnicos basadas en ruedas de la
fortuna, etc.

Tienen el inconveniente de ser generados lentamente.

Adems, los nmeros aleatorios no pueden almacenarse
de forma automtica. Por tanto, se deben buscar
procedimientos algortmicos computacionales que
generen nmeros aleatorios de forma muy rpida y los

26-02-17
4
 puedan almacenar sin utilizar mucha capacidad de
memoria.

Una de las caractersticas ms poderosas de la simulacin es

la habilidad de imitar el comportamiento aleatorio que es
caracterstico de la mayora de los sistemas reales. Para poder
imitar este comportamiento aleatorio la simulacin necesita
utilizar un generador de nmeros aleatorios, el cual es
responsable de producir un ciclo grandsimo e independiente
de nmeros aleatorios. Hay que aclarar que los nmeros U
(0,1) producidos por un generador de nmeros aleatorios
(algoritmo computacional) no son aleatorios en el verdadero
sentido de la palabra, ya que el generador puede reproducir la
misma secuencia de nmeros una y otra vez, lo cual no indica
un comportamiento aleatorio.
Por esta razn, a los nmeros U (0,1) producidos por un
generador (algoritmo) se les llama pseudoaleatorios.

GENERADORES DE NUMEROS ALEATORIOS

26-02-17
5
 2.2. PROPIEDADES DE LOS NMEROS
PSEUDOALEATORIOS

Casi todas las aplicaciones comerciales tienen varios

generadores de nmeros pseudoaleatorios que pueden
generar un conjunto muy grande de nmeros sin mostrar
correlacin entre ellos, para ello se utilizan mtodos
preestablecidos que garantizan esta demanda.

Para poder realizar una simulacin que incluya

variabilidad dentro de sus eventos, es preciso generar una
serie de nmeros que sean aleatorios por s mismos, y que su
aleatoriedad se extrapole al modelo de simulacin que se est
construyendo. En la construccin del modelo los nmeros
aleatorios juegan un papel relevante.

26-02-17
6
 Unas de las primeras tareas que es necesario llevar a
cabo consiste en analizar si los nmeros que se utilizaran para
correr o ejecutar la simulacin son realmente aleatorios o
no; por desgracia, precisar lo anterior con absoluta
certidumbre resulta muy complicado, ya que para ello se
tendra que generar un nmero infinito de valores que
permitan comprobar la existencia de correlaciones entre ellos.
Esta actividad sera muy costosa y tardada, volviendo
imprctico el uso de la simulacin aun con las computadoras
ms avanzadas.

Tomando en cuenta lo anterior, se puede asegurar, con

altos niveles de confiabilidad que el conjunto de nmeros que
se utilizarn en la simulacin se comportan de manera muy
similar a un conjunto de nmeros totalmente aleatorios; por
ello es que se les denomina nmeros pseudoaleatorios.

Un nmero pseudoaleatorio es un nmero U (0,1) producido

por un algoritmo matemtico.

26-02-17
7
 2.3. PRUEBAS ESTADSTICAS DE ALEATORIEDAD PARA
LOS NMEROS PSEUDOALEATORIOS: DE MEDIAS, DE
VARIANZA, DE INDEPENDENCIA Y DE BONDAD DE
AJUSTE

Propiedades de los nmeros pseudoaleatorios

Es deseable que los nmeros pseudoaleatorios uniformes

posean las siguientes caractersticas:

Uniformemente distribuidos.
Estadsticamente independientes.
Reproducibles.
Periodo largo.
Generados mediante un mtodo rpido.
Generados mediante un mtodo que no requiera mucha
capacidad de almacenamiento de la computadora.

Generar un conjunto de nmeros pseudoaleatorios es

una tarea relativamente sencilla, para ello, el lector slo tiene
que disear su propio algoritmo de generacin. Lo que resulta
difcil es disear un algoritmo que genere un conjunto de
nmeros pseudoaleatorios con periodo de vida
suficientemente grande (N) y adems pase sin problema las
pruebas de uniformidad e independencia, lo cual implica
evitar problemas como stos.

Que los nmeros del conjunto no estn uniformemente

distribuidos, es decir, que haya demasiados nmeros en
un subintervalo y otro muy pocos o ninguno.

26-02-17
8
 Que los nmeros pseudoaleatorios sean discretos en
lugar de continuos.

Que la media del conjunto sea muy alta o muy baja, es

decir, que est por arriba o por debajo de .

Que la varianza del conjunto sea muy alta o muy baja, es
decir, que se localice por arriba o por debajo de 1/12.

En ocasiones se presentan tambin anomalas como

nmeros pseudoaleatorios seguidos por arriba o por debajo de
la media; secuencia de nmeros por arriba de la media,
seguida por una secuencia por debajo de la media, y
viceversa, o varios nmeros seguidos en forma ascendente o
descendente.

Existen varios mtodos para generar nmeros

pseudoaleatorios. A continuacin se presentan los ms
importantes.

El Mtodo de Centros al Cuadrado (Mtodo de los

cuadrados medios)

Este mtodo es debido a von Neumann y tiene

fundamentalmente slo inters histrico. El mtodo de
centros al cuadrado se apega a la siguiente metodologa:

1. Inicie con un nmero entero positivo de 4 (2n) dgitos y

llmele Z0 (X0), llamado semilla.

2. Eleve Z0 (X0) al cuadrado para obtener un nmero de 8

(4n) dgitos. Si es necesario, agregue ceros a la izquierda
para hacerlo exactamente de 8 dgitos.

26-02-17
9
 3. Tome los 4 (2n) dgitos centrales como el prximo
nmero de 4 (2n) dgitos y llmele Z1(X1).

4. Coloque el punto decimal a la izquierda de Z 1(X1) para

obtener el primer nmero pseudoaleatorio U (0,1).

5. Continu generando de esta forma nmeros

pseudoaleatorios U(0,1)

Desventaja del mtodo de centros al cuadrado: Tiene

una fuerte tendencia a degenerar rpidamente hacia cero,
donde permanecer por siempre.

La gran mayora de los generadores de nmeros

pseudoaleatorios que se usan en la actualidad son
generadores congruenciales lineales, introducidos
por Lehmer en 1951.
Los generadores congruenciales lineales generan una
secuencia de nmeros pseudoaleatorios en la cual el prximo
nmero pseudoaleatorio es determinado a partir del ltimo
nmero generado. A continuacin se presentan los dos ms
importantes: el mtodo congruencial mixto lineal y el mtodo
congruencial multiplicativo lineal.

Mtodo de Lehmer

El mtodo consiste en los siguientes pasos:

1. Se toma como semilla un nmero entero, X0, de n cifras.

2. Se elige otro entero, c, de k cifras. Suele tomarse k<n.

3. Se calcula X0 *c, nmero de a lo sumo, n + k cifras.

26-02-17
10
 4. Se separan las k cifras de la izquierda de X 0*c y al
nmero formado por las n cifras restantes se le resta el
que se forma de esas k cifras de la izquierda, dando
lugar a X1.

5. Se repite este proceso tantas veces como sea necesario.

6. Se devuelven los valores

Mtodo Congruencial Mixto Lineal

Los valores posibles de Xn+1 son 0, 1, 2,3,, m-1, m

representa el nmero posible de valores que pueden ser
generados.
Frmula:
Donde:
Xn= la semilla (X0>0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= Mdulo (m>Xn; m>a; m>c)

Periodo del generador = 4

Reglas para la seleccin de parmetros en el mtodo

congruencial mixto lineal

En los ejemplos anteriores se colocaron de manera

arbitraria cada uno de los parmetros requeridos: X 0, a, c, m.
Sin embargo, para que el algoritmo sea capaz de lograr el
mximo periodo de vida n, es preciso que dichos parmetros
cumplan ciertas condiciones. Banks, Carson, Nelson y Nicol
sugieren lo siguiente:

m= 2g
26-02-17
11
a= 1 + 4k
K debe ser entero
C relativamente primo a m
G debe ser entero

Bajo estas condiciones se obtiene un periodo de vida mximo:

N= m= 2g.

El Mtodo Congruencial multiplicativo

Al igual que el generador congruencial mixto lineal, el

generador congruencial multiplicativo determina el prximo
nmero pseudoaleatorio a partir del ltimo nmero generado,
de acuerdo a la siguiente frmula:
Frmula:

2.4. OBTENCIN DE NMEROS PSEUDOALEATORIOS

UTILIZANDO PAQUETES COMPUTACIONALES.

Los nmeros pseudoaleatorios producidos mediante un

programa de computadora no son aleatorios debido a que

26-02-17
12
tales nmeros estn completamente determinados por los
datos inciales y tienen una precisin limitada. Sin embargo,
en la medida en que esos nmeros pseudoaleatorios pasen
determinadas pruebas estadsticas, pueden considerrseles
como verdaderos nmeros aleatorios. Las siguientes pruebas
son de las ms usadas para la comprobacin de la
aleatoriedad.

Prueba de los promedios

En la prueba de los promedios se establecen las siguientes
hiptesis:
Ho: = (los nmeros pseudoaleatorios generados
provienen de una distribucin U (0,1) con =0.50)
Ha: (los nmeros pseudoaleatorios generados no
provienen de una distribucin U (0,1) con =0.50)
Prueba de las frecuencias
Esta prueba consiste en dividir el intervalo (0,1)
en n subintervalos para luego comparar para cada
subintervalo la frecuencia esperada con la frecuencia
observada. Si estas frecuencias son bastante parecidas
entonces la muestra proviene de una distribucin uniforme.
Las hiptesis son:
Ho: Los nmeros pseudoaleatorios provienen de una
distribucin U (0,1).
Ha: Los nmeros pseudoaleatorios no provienen de una
distribucin U (0,1).

Prueba de Series
Esta prueba se utiliza para comprobar el grado de
aleatoriedad entre nmeros sucesivos. La prueba consiste en
formar parejas de nmeros, las cuales son consideradas como
26-02-17
13
coordenadas en un cuadrado unitario dividido en n2 celdas.
En la prueba de series se generan N nmeros
pseudoaleatorios de los cuales se forman parejas entre Ui y
Ui + 1, es decir si se generan 5 nmeros, las parejas que se
forman serian:
(U1, U2), (U2, U3), (U3, U4), (U4, U5).
En seguida se determina la celda a la que pertenece cada
pareja ordenada, con lo cual se determina la frecuencia
observada de cada celda.

Prueba de las corridas

La prueba de las corridas sirve para probar la aleatoriedad de
los nmeros generados. Esta prueba se basa en el nmero de
corridas o secuencias ascendentes y descendentes. Una
corrida es una secuencia ascendente o descendente de
nmeros pseudoaleatorios adyacentes.

Las hiptesis son:

Ho: Los nmeros son pseudoaleatorios U (0,1).
Ha: Los nmeros no son pseudoaleatorios U (0,1).
En este mtodo se coloca el signo + o en cada par de
nmeros adyacentes. Se puede demostrar que:
Si: R = nmero total de corridas (arriba y abajo)
N = tamao de la muestra

26-02-17
14
 2.5. MTODO DE MONTE CARLO

La simulacin de Montecarlo es un mtodo especialmente til

para analizar situaciones que involucran riesgo con el
propsito de obtener respuestas aproximadas cuando el
realizar un experimento fsico o el aplicar mtodos analticos
no es posible o resulta muy difcil o costoso.
La simulacin de Montecarlo hace referencia a experimentos
que involucran el uso de nmeros pseudoaleatorios. El
requisito clave de esta tcnica es que los resultados de todas
las variables de inters deben ser seleccionados
aleatoriamente.
La simulacin de Montecarlo ha tenido una gran
aceptacin en la vida real debido al poder analtico que
presenta sin la necesidad de matemticas complejas.
El mtodo Montecarlo es un mtodo numrico que
permite resolver problemas fsicos y matemticos mediante la
simulacin de variables aleatorias. Lo vamos a considerar aqu
desde un punto de vista didctico para resolver un problema
del que conocemos tanto su solucin analtica como
numrica. El mtodo Montecarlo fue bautizado as por su clara
analoga con los juegos de ruleta de los casinos, el ms
clebre de los cuales es el de Montecarlo, casino cuya

26-02-17
15
construccin fue propuesta en 1856 por el prncipe Carlos III
de Mnaco, siendo inaugurado en 1861.
La importancia actual del mtodo Montecarlo se basa en
la existencia de problemas que tienen difcil solucin por
mtodos exclusivamente analticos o numricos, pero que
dependen de factores aleatorios o se pueden asociar a un
modelo probabilstica artificial (resolucin de integrales de
muchas variables, minimizacin de funciones, etc.). Gracias al
avance en diseo de los ordenadores, clculos Montecarlo que
en otro tiempo hubieran sido inconcebibles, hoy en da se
presentan como asequibles para la resolucin de ciertos
problemas.
En estos mtodos el error ~ 1/N, donde N es el nmero
de pruebas y, por tanto, ganar una cifra decimal en la
precisin implica aumentar N en 100 veces. La base es la
generacin de nmeros aleatorios de los que nos serviremos
para calcular probabilidades. Conseguir un buen generador de
estos nmeros as como un conjunto estadstico adecuado
sobre el que trabajar son las primeras dificultades con la nos
vamos a encontrar a la hora de utilizar este mtodo.
En el caso que presentamos hemos hecho uso de la
funcin random () incluida en la clase Math que la mquina
virtual Java trae por defecto como generador. Las pruebas
realizadas, algunas de las cuales se propondrn como
ejercicio, verifican su calidad a la hora de calcular nmeros
aleatorios sin tendencia aparente a la repeticin ordenada.
Para resolver la ecuacin elptica de nuestro
problema usando el mtodo de Montecarlo, se ha dividido el
recinto bidimensional en una malla cuadrada de puntos. Todos
los situados en su frontera se consideran inicializados a un
valor de temperatura conocido. Suponemos en principio una
partcula situada en uno de los puntos y que tiene la
posibilidad de moverse libremente por todos los que
26-02-17
16
constituyen la malla. La nica condicin que imponemos es
que en un solo salto, su movimiento se limite a los 4 nodos
vecinos, los situados su izquierda, derecha, arriba o abajo. La
probabilidad de elegir una cualquiera de las 4 direcciones
posibles es la misma.
Dejando a la partcula viajar por toda la red sin ms
restricciones contamos el nmero de veces que, partiendo de
un mismo punto de coordenadas (i,j) sale por cada uno de los
que constituyen la frontera, momento en el cual suponemos
que ha terminado su viaje.
Considerando un nmero elevado de pruebas podemos
calcular la probabilidad de que, partiendo de un mismo punto,
salga por cada uno de los puntos del contorno despus de
recorrer una trayectoria aleatoria. Los detalles de camino
seguido desde el inicio hasta el final del viaje no nos
importan, tan solo nos vamos a fijar en el nmero de veces
que sale del recinto por cada uno de los puntos posibles.
La temperatura a la que se encuentra el punto desde
donde ha partido la partcula es la suma, extendida a todos
los puntos frontera (if,jf), de la temperatura de dichos puntos
(determinada por las condiciones de contorno) y por la
probabilidad de que estando en (i,j) salga por (if,jf). Ver ec.(6).
Si tomamos una malla pequea de 10x10 (salvo
consideraciones de simetra) hay que calcular probabilidades
para 102 puntos. Una precisin razonable requerimos que
para cada uno de ellos hay que calcular ~106 trayectorias
aleatorias. Con slo estas estimaciones podemos aventurar
que el tiempo de computacin requerido para solucionar la
ecuacin de Laplace en una malla pequea va a ser superior
al necesario en cualquiera de los otros mtodos propuestos.
Ejecutando nuestra aplicacin veremos cmo este
tiempo crece rpidamente con el nmero de puntos de la

26-02-17
17
malla siendo ste el factor limitante de la eficacia del mtodo.
Sin embargo, el mtodo Montecarlo es sencillo y fcil de
programar.

CONCLUSIN

Los nmeros aleatorios siempre se utilizan todo el

tiempo, sin embargo los casos en lo que ms se adecuan es
para realizar clculos de integrales, clculos de varianza, o el
clculo de la moda, clculo de errores.
En estos casos se utilizan promedio y se grafican en un
plano cartesiano, para posteriormente trazar la recta que
permita identificar cules son los puntos ms cercano y de
esta forma tener un rango e imagen de error mnimo sobre el
clculo que se est realizando a una variable.
Los nmeros aleatorios siempre estn siendo utilizado s
en las aplicaciones web con las que se interactan todos los
das, una forma de sealizar los nmeros aleatorios puede ser
utilizado java script con el mtodo random().

26-02-17
18
 BIBLIOGRAFA

http://es.slideshare.net/kor10/numeros-aleatorios-14148169

https://es.scribd.com/doc/136390978/Problemas-de-Simulacion-Alu

http://italica.us.es/asignaturas/Simulacion/ejercicios/modelado26.htm

26-02-17
19