Académique Documents
Professionnel Documents
Culture Documents
DE LAS CHOAPAS
INGENIERA INDUSTRIAL
DOCENTE
ING.RAUL RAMOS URGELL
MATERIA
SIMULACIN
2da. UNIDAD
ESTUDIANTE
26-02-17
1
CONTENIDO
INTRODUCCIN................................................................................................... 3
TABLAS................................................................................................................ 4
BONDAD DE AJUSTE............................................................................................ 7
COMPUTACIONALES.......................................................................................... 10
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.
26-02-17
3
2.1. NMEROS ALEATORIOS: DEFINICIN,
PROPIEDADES, GENERADORES Y TABLAS
26-02-17
4
puedan almacenar sin utilizar mucha capacidad de
memoria.
26-02-17
5
2.2. PROPIEDADES DE LOS NMEROS
PSEUDOALEATORIOS
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.
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
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.
26-02-17
8
Que los nmeros pseudoaleatorios sean discretos en
lugar de continuos.
26-02-17
9
3. Tome los 4 (2n) dgitos centrales como el prximo
nmero de 4 (2n) dgitos y llmele Z1(X1).
Mtodo de Lehmer
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.
m= 2g
26-02-17
11
a= 1 + 4k
K debe ser entero
C relativamente primo a m
G debe ser entero
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 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.
26-02-17
14
2.5. MTODO DE MONTE CARLO
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
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