TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO DE ACAPULCO

INGENIERIA EN SISTEMAS COMPUTACIONALES

SIMULACION
UNIDAD 2: NUMEROS PSEUDOALEATORIOS

ALUMNA:
RAMIREZ PELAEZ MARIA SELENA

NUM. CONTROL:
16320937

PROFESOR:
BRINGAS RAMIREZ JUAN LUIS

SEMESTRE:
ENERO - JUNIO 2018

FECHA:
7 DE ABRIL DE 2018
 Contenido
INTRODUCCIÓN......................................................................................................................3
2.1 METODOS DE GENERACION DE NUMEROS PSEUDOALEATORIOS......................4
2.2 PRUEBAS ESTADISTICAS..............................................................................................9
2.2.1 PRUEBAS DE UNIFORMIDAD................................................................................11
2.2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD...........................................17
2.2.3 PRUEBAS DE INDEPENDENCIA......................................................................20
2.3 MÉTODO DE MONTE CARLO...................................................................................26
2.3.1 CARACTERÍSTICAS.................................................................................................27
2.3.2 APLICACIONES...................................................................................................30
2.3.3 SOLUCIÓN DE PROBLEMAS............................................................................30
BIBLIOGRAFÍA......................................................................................................................31

2
 INTRODUCCIÓN

En los experimentos de simulación es necesario generar valores para las

variables aleatorias representadas estas por medio de distribuciones de probabilidad.
Para poder generar entradas estocásticas (probabilísticas) para un modelo de simulación,
se debe contar con un generador de números pseudo aleatorios. Con estos y métodos de
generación de variables aleatorias, se pueden simular las entradas incontrolables para un
modelo de simulación. Inicialmente los números aleatorios se generaban en forma manual
o mecánica utilizando técnicas como ruedas giratorias, lanzamientos de dados, barajas.
También existen métodos aritméticos que permiten generan un gran conjunto de números
aleatorios, pero el advenimiento de la computadora ha permitido crear generadores que
permitan generar de manera sucesiva todos los números aleatorios que se requieran.

3
2.1 METODOS DE GENERACION DE NUMEROS PSEUDOALEATORIOS

La herramienta principal de la simulación es la generación de números aleatorios o al

azar, los cuales representaran el valor que tomara una variable. En un principio los
números aleatorios se generaban por métodos rústicos como el girar una ruleta o lanzar
los dados.

El enfoque moderno es usar una computadora para generarlos mediante alguna fórmula
matemática con lo que nos encontramos generando por un método determinístico una
secuencia de número que dan la apariencia de ser aleatorios cuando no lo son, dado que
en algún momento no determinado esta lista comenzara a repetirse, el objetivo en sí es
generar una lista lo suficientemente larga como para evitar llegar al comienzo del ciclo.

Propiedades y generadores de números aleatorios.

 Su generación se basa en el uso de mecanismos físicos. Entre las distintas

propuestas se incluyen el recuento de partículas emitidas por una explosión, el
lanzamiento de monedas, aparatos mecánicos basadas en ruedas de la fortuna,
etc.
 Tienen el inconveniente de ser generados lentamente. Además, los números
aleatorios no pueden almacenarse de forma automática. Por tanto, se deben
buscar procedimientos algorítmicos computacionales que generen números
aleatorios de forma muy rápida y los puedan almacenar sin utilizar mucha
capacidad de memoria.

Una de las características más poderosas de la simulación es la habilidad de imitar el

comportamiento aleatorio que es característico de la mayoría de los sistemas reales. Para
poder imitar este comportamiento aleatorio la simulación necesita utilizar un generador de
números aleatorios, el cual es responsable de producir un ciclo grandísimo e
independiente de números aleatorios.

Hay que aclarar que los números U(0,1) producidos por un generador de números
aleatorios (algoritmo computacional) no son aleatorios en el verdadero sentido de la
palabra, ya que el generador puede reproducir la misma secuencia de números una y otra

4
vez, lo cual no indica un comportamiento aleatorio. Por esta razón, a los números U(0,1)
producidos por un generador (algoritmo) se les llama pseudoaleatorios.

Propiedades de los números pseudoaleatorios

Es deseable que los números pseudoaleatorios uniformes posean las siguientes

características:
1. Uniformemente distribuidos.
2. Estadísticamente independientes.
3. Reproducibles.
4. Periodo largo.
5. Generados mediante un método rápido.
6. Generados mediante un método que no requiera mucha capacidad de
almacenamiento de la computadora.

Generar un conjunto de números pseudoaleatorios es una tarea relativamente sencilla,

para ello, el lector sólo tiene que diseñar su propio algoritmo de generación. Lo que
resulta difícil es diseñar un algoritmo que genere un conjunto de números
pseudoaleatorios con periodo de vida suficientemente grande (N) y además pase sin
problema las pruebas de uniformidad e independencia, lo cual implica evitar problemas
como éstos:

 Que los números del conjunto no estén uniformemente distribuidos, es decir, que
haya demasiados números en un subintervalo y otro muy pocos o ninguno.
 Que los números pseudoaleatorios sean discretos en lugar de continuos.
 Que la media del conjunto sea muy alta o muy baja, es decir, que esté por arriba o
por debajo de ½.
 Que la varianza del conjunto sea muy alta o muy baja, es decir, que se localice por
arriba o por debajo de 1/12.

Existen varios métodos para generar números pseudoaleatorios. A continuación se

presentan los más importantes.

5
Método de los cuadrados medios

Este método es debido a von Neumann y tiene fundamentalmente sólo interés histórico.
El método de centros al cuadrado se apega a la siguiente metodología:
1. Seleccionar semilla (X0) con D dígitos (D>3)
2. Sea X0 = resultado de elevar X0 al cuadrado; sea X1 = los D dígitos del centro, y
sea r1 = 0. D dígitos del centro.
3. Sea Yi = resultado de elevar Xi al cuadrado, sea Xi+1= los D dígitos del centro, y sea
ri = 0. D dígitos del centro para toda i = 1,2,3,…,n.
4. Repetir el paso 3 hasta obtener los n números r, deseados.
5.
Ejemplo:
Generar los primeros 5 números r i a partir de una semilla X 0 = 5 735, de donde se puede
observar que D = 4 dígitos.

Solución:
Y0 = (5735)2 = 32 890 225 X 1 = 8902 ri = 0.8902
Y1 = (8902)2 = 79 245 604 X 2 = 2456 ri = 0.2456
Y2 = (2456)2 = 06 031 936 X 3 = 0319 ri = 0.0319
Y3 = (0319)2 = 101 761 X 4 = 0176 ri = 0.0176
Y4 = (0176)2 = 030 976 X 5 = 3097 ri = 0.3097

Algoritmo de multiplicador constante

Este algoritmo no congruencial es similar al algoritmo de productos medios.

Los siguientes son los pasos necesarios para generar números pseudoaleatorios con el
algoritmo de multiplicador constante.

1. Se selecciona una semilla (X0) con D dígitos (D>3).

2. Seleccionar una constante (a) con D dígitos (D>3).
3. Sea YQ – a*X0; sea X, = los D dígitos del centro, y sea ri = 0. D dígitos del centro.
4. Sea Yi = a Xi; sea X/+1 = los D dígitos del centro, sea rm = 0. D dígitos del centro
para todo /´ = 1,2,3…,n.

6
 5. Repetir el paso 4 hasta obtener los n números f deseados.

Método Congruencial Mixto Lineal

Los valores posibles de Xn+1 son 0, 1, 2,3,…, m-1, m representa el número posible de
valores que pueden ser generados.

Fórmula:

Donde:
Xn= la semilla (X0>0)
a= el multiplicador (a>0)
c= constante aditiva (c>0)
m= Módulo (m>Xn; m>a; m>c)

Es importante señalar que la ecuación recursiva del algoritmo congruencial lineal genera
una secuencia de números enteros S = { 1,2,3,…,m-1} y que para obtener números
pseudo aleatorios en el intervalo [0,1] se requiere la siguiente ecuación:
Xi
ri
m−1
Para que el algoritmo sea capaz de lograr el máximo periodo de vida n, es preciso que
dichos parámetros cumplan ciertas condiciones, Banks, Carson, Neson y Nicol sugirieron
lo siguiente:

m= 2g
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 máximo: N= m= 2g.

7
Ejemplo:

Generar suficientes números entre 0 y 1 con los parámetros X 0 = 6 , k =3, g = 3, c =7 ,

hasta encontrar el periodo de vida máxima (N).

A = 1 + 4(3) = 13 m = 23 N=8

X0 = 6
X1 = (13*6+7) mod 8 = 5 r i = 5/7 = 0.714
X2 = (13*5+7) mod 8 = 0 r i = 0/7 = 0.000
X3 = (13*0+7) mod 8 = 7 r i = 7/7 = 1.000
X4 = (13*7+7) mod 8 = 2 r i = 2/7 = 0.214
X3 = (13*2+7) mod 8 = 1 r i = 1/7 = 0.142
X3 = (13*1+7) mod 8 = 4 r i = 4/7 = 0.571
X3 = (13*4+7) mod 8 = 3 ri = 3/7 = 0.428
X3 = (13*3+7) mod 8 = 6 ri = 6/7 = 0.857

Método Conguencial multiplicativo

El algoritmo congruencial multiplicativo surge del algoritmo congruencial lineal cuando

c=0. Entonces la ecuación recursiva es:

En comparación con el algoritmo congruencial lineal, la ventaja del algoritmo multiplicativo

es que implica una operación menos a realizar. Los parámetros de arranque de este
algoritmo son X0, a y m, todos los cuales deben ser números enteros y mayores que cero.

Para transformar los números X, en el intervalo de [0,1] se usa la ecuación:

Xi
ri
m−1

8
De acuerdo con Banks, Carson, Nelson y Nicol las condiciones que deben cumplir los
parámetros para que el algoritmo congruencial multiplicativo alcance su máximo periodo
son:

m= 2g
a= 3 + 8k o a= 5 + 8k
k= 0,1,2,3…
X0 debe ser un número impar
g debe ser entero.

A partir de estas condiciones se logra un periodo de vida máximo:

N = m/3 = 2g-2

Método de Lehmer

El método consiste en los siguientes pasos:

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

2. Se elige otro entero, c, de k cifras. Suele tomarse k<n.
3. Se calcula X0 *c, número de a lo sumo, n + k cifras.
4. Se separan las k cifras de la izquierda de X0*c y al número 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

2.2 PRUEBAS ESTADISTICAS

Las pruebas estadísticas son utilizadas para asegurar la aleatoriedad de los números
pseudoaleatorios generados. La hipótesis de rechazar o no un generador es el objetivo de
estas pruebas estadísticas. Garantizar que se cuenta con un generador confiable, es un
requisito inicial que se debe examinar. Existen una gran cantidad de pruebas estadísticas
las cuales parten de la idea de analizar estadísticamente los números pseudoaleatorios
los cuales se presume tienen un comportamiento uniforme. Existe una gran gamma

9
de pruebas de aleatoriedad, algunas simples de implementar computacionalmente, otras
m󰃡s complejas.

Las propiedades estadísticas que deben poseer los números pseudoaleatorios generados
por los métodos congruenciales tiene que ver con independencia y aleatoriedad
estadísticas. La prueba de la frecuencia se usa para comprobar la uniformidad de una
sucesión de N números pseudoaleatorios. Para cada conjunto de N números
pseudoaleatorios , se divide el intervalo unitario (0,1) en x subintervalos iguales; el
número esperado de números pseudoaleatorios que se encontrarán en cada subintervalo
es N/x. Si fj (j=1, 2...x) denota el número que realmente se tiene de números
pseudoaleatorios ri (i=1,2,...N) en el subintervalo (j-1)/ x ≤ ri < j/x entonces el estadístico:

tiene aproximadamente una distribución x2 con x-1 g.l…

La hipótesis de que los números pseudoaleatorios en el de conjunto de N números

pseudoaleatorios, son verdaderos números pseudoaleatorios, debe rechazarse si x 12 con
x-1 g.l. excede su valor critico fijado por el nivel de significancia deseado.

Ejercicio:
Verificar que el conjunto de 100 números aleatorios se distribuye uniformemente, con u =
5%.
0.001213 0.898980 0.578800 0.676216 0.050106
0.499629 0.282693 0.730594 0.701195 0.182840
0.108501 0.386183 0.769105 0.683348 0.551702
0.557434 0.799824 0.456790 0.216310 0.876167
0.092645 0.589628 0.332164 0.031858 0.611683
0.762627 0.696237 0.170288 0.054759 0.915126
0.032722 0.299315 0.308614 0.833586 0.517813
0.352862 0.574100 0.265936 0.859031 0.433081
0.941875 0.240002 0.655595 0.385079 0.908297
0.199044 0.936553 0.888098 0.817720 0.369820

10
0.339548 0.543258 0.624006 0.091330 0.416789
0.155062 0.582447 0.858532 0.887525 0.337294
0.751033 0.239493 0.535597 0.333813 0.493837
0.634536 0.199621 0.650020 0.745759 0.791130
0.227241 0.191479 0.406443 0.081288 0.734352
0.721023 0.222878 0.072814 0.641837 0.442675
0.789616 0.052303 0.106994 0.558774 0.141519
0.760869 0.120791 0.277380 0.657266 0.792691
0.805180 0.826543 0.294530 0.208524 0.429894
0.585186 0.986111 0.344882 0.343580 0.115375

Al contar con un paquete de pruebas ya implementadas computacionalmente, es útil

formar un paquete de pruebas que tenga que pasar un generador determinado. Knuth
expresa que si una sucesión se comporta como aleatoria para las pruebas P1, P2, .., P3, no
se asegura en general que para Pn+1 no se encuentre una falla.

Otra de las propiedades que debe satisfacer el conjunto (r i) es que sus números tengan
una varianza de 1 /12. La prueba que busca determinar lo anterior es la prueba de
varianza, que establece las siguientes hipótesis:

Ho:° Í = 1 /1 2

H,:o\2*1 /1 2

La prueba de varianza consiste en determinar la varianza de los n números que contiene

el conjunto r, mediante la ecuación siguiente:

11
2.2.1 PRUEBAS DE UNIFORMIDAD

Una de las propiedades mas importantes que debe cumplir un conjunto de números r i es
la uniformidad.

Para comprobar esto se ha desarrollado pruebas estadísticas tales como:

 Prueba de Chi-Cuadrada
 Prueba Kolmogoroc- Smirnov

Donde:

 H0= ri ¬ U(0,1)
 H1: ri no son uniformes

Prueba Chi-Cuadrada

Esta prueba busca determinar si los números del conjunto r i se distribuyen uniformemente
en el intervalo (0,1). Para esto se lleva a cabo una división del intervalo en m
subintervalos, en donde es recomendable m = √n.

La cantidad de números que se clasifican en cada intervalo se denomina frecuencia

Observada Oi y la Frecuencia esperada se la determina n/m.

Con los valores que se han obtenido se puede determinar el estadístico mediante la
ecuación.

La ji cuadrada se utiliza cuando:

 Cuando los datos puntualizan a las escalas nominal u ordinal.

12
  Se utiliza solo la frecuencia.
 Poblaciones pequeñas.
 Cuando se desconocen los parámetros media, moda, etc.
 Cuando los datos son independientes.
 Cuando se quiere contrastar o comparar hipótesis.
 Investigaciones de tipo social - muestras pequeñas no representativas >5.
 Cuando se requiere de establecer el nivel de confianza o significatividad en las
diferencias.
 Cuando la muestra es seleccionada no probabilísticamente.
 X2 permite establecer diferencias entre f y se utiliza solo en escala nominal.
 Población > a 5 y < a 20.

Pasos.

1. Arreglar las categorías y las frecuencias observadas.

2. Calcular los valores teóricos esperados para el modelo experimental o tipo de
distribución muestral: normal, binomial y de Poisson.
3. Calcular las diferencias de las frecuencias observadas en el experimento con
respecto a las frecuencias esperadas.
4. Elevar al cuadrado las diferencias y dividirlas entre los valores esperados de cada
categoría.
5. Efectuar la sumatoria de los valores calculados.
6. Calcular los grados de libertad (gl) en función de número de categorías [K]:
gl = K –1
7. Comparar el estadístico X2 con los valores de la distribución de ji cuadrada en la
tabla.
8. Decidir si se acepta o rechaza la hipótesis X2c ³ X2t se rechaza Ho.

Ejemplo:

Realizar la prueba Chi-cuadrada a los siguientes 100 números de un conjunto ri, con un
nivel de confianza de 95%.

Intervalo Oi n ( Ei−Oi)
2
Ei=
m Ei

13
 [0.00 – 0.10] 7 10 0.9
[0.10 – 0.20] 9 10 0.1
[0.20 – 0.30] 8 10 0.4
[0.30 – 0.40] 9 10 0.1
[0.40 – 0.50] 14 10 1.6
[0.50 – 0.60] 7 10 0.9
[0.60 – 0.70] 11 10 0.1
[0.70 – 0.80] 14 10 1.6
[0.80 – 0.90] 9 10 0.1
[0.90 – 2.00] 12 10 0.4

El resultado del estadistio es:

X20.04,9= 16, 9.

Prueba de Kolmogorov- Smirnov

Es una prueba propuesta por Kolmogorov y Smirnov, esta es una prueba estadística que
sirve para determinar si un conjunto ri cumple la propiedad de uniformidad.

Es recomendable aplicarla en conjuntos pequeños, por ejemplo n<20.

Procedimiento:

1. Ordenar de menor a mayor los numeros del conjunto ri.

2. Determinar los valores de D+, D- y D con las siguientes ecuaciones:

 Determinar el valor critico de Da,n de acuerdo con la tabla de valores críticos de

Kolmogorov.Smirnoz para un grado de confianza a, y según el tamaño de la
muestra n.

14
Si el valor critico D es mayo que el número critico D a,n se concluye que los números del
conjunto ri, no siguen una distribución uniforme. Caso contrario no existiría diferencia
significativa

15
17
2.2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD

Las pruebas de aleatoriedad (o test de aleatoriedad), son pruebas estadísticas usadas

para decidir si una determinada muestra o conjuntos de datos responde a un patrón o
puede considerarse aleatoria.

Aleatoriedad

La aleatoriedad es un campo de definición que, en matemáticas, se asocia a todo proceso

cuyo resultado no es previsible más que en razón de la intervención del azar.

El resultado de todo suceso aleatorio no puede determinarse en ningún caso antes de que
este se produzca.

El estudio de los fenómenos aleatorios queda dentro del ámbito de la teoría de la

probabilidad y, en un marco más amplio, en el de la estadística.
Las propiedades estadísticas que deben poseer los números pseudoaleatorios generados
por los métodos congruencia les tienen que ver con independencia y aleatoriedad
estadísticas.

En algunos casos, los datos muestran una patrón claramente no aleatorio (por ejemplo si
una variable debe presentar valores aleatorios que sean enteros entre 0 y 9, la secuencia
"4 3 2 1 0 4 3 2 1..." es poco probable ya que en ningún caso los valores exceden el valor
4).
Si un conjunto de datos no pasa la prueba de aleatoriedad, entonces puede ser sustituida
por otra serie de dato aleatorizados que pase el test de aleatoriedad

Prueba de las corridas:

Existen dos versiones de la prueba de las corridas: la prueba de corridas arriba y abajo
del promedio y la prueba de corridas arriba y abajo.

Prueba de corridas arriba y abajo del promedio:

La prueba de corridas arriba y abajo del promedio es un caso ligeramente modificado de

la prueba de la distancia en la cual α=0 y β=0.5.
En esta versión de la prueba de las corridas, una secuencia de números pseudoaleatorios
U1,…Un es generada. En seguida una secuencia binaria es obtenida, en la cual el
ith término es 0 si UI < 0.5 y 1 si UI>0.5.

Una vez obtenida la secuencia binaria, el siguiente paso es determinar la cantidad de

veces que una misma longitud de corrida se repite (frecuencia observada de la corrida de
longitud i). Una sucesión de i ceros (unos), enmarcada por unos (ceros) en los extremos
representa una corrida de longitud i. El número total esperado de corridas y el número
esperado para cada tamaño de corrida, se obtienen las siguientes expresiones:

E (total de corridas) = N+1/2

FEi = (N-i+3)/2i+1

Estas frecuencias esperadas son comparadas con las observadas a través de una
distribución chi-cuadrada y una decisión sobre la aleatoriedad de los números
pseudoaleatorios generados es tomada.

Pruebas de corridas de arriba y abajo: En la prueba de corridas arriba y abajo, una

secuencia de números pseudoaleatorios U1….Un es generada, y al igual que es el inciso
anterior, una secuencia binaria es obtenida, en la cual el ith término es cero si Ui < Ui+1 y
1 si Ui>Ui+1. Una vez obtenida la secuencia binaria, se sigue el mismo procedimiento
descrito anteriormente y se obtiene la frecuencia observada para cada tamaño de corrida.
El número total esperado de corridas y el número esperado para cada tamaño de corrida,
se obtienen con las siguientes expresiones:

E (total de corridas) = 2N-1/3

FEi = 2 [[(i2+3i+1) N – (i3+3i2-i-4)] / (i+3)!] Para I < N-1

FEN-1 = 2/N! Para I = N-1

Finalmente, el estadístico X0 se determina de acuerdo a la siguiente expresión:

19
Donde n es el número de términos de la ecuación anterior. Es importante señalar que en
el cálculo estadístico de la ecuación anterior, la frecuencia esperada para cada tamaño de
corrida debe ser mayor o igual a cinco. Si las frecuencias esperadas para corridas de
tamaño grande son menores que 5, tales frecuencias se deben de agrupar con las
adyacentes de tal modo que la frecuencias esperada de los tamaños de corrida sea de al
menos 5.

Ejemplo Paso 1:

Se tienen los siguientes números aleatorios

59,12,19,05,59,58,83,18,36,00,61,47,24,41,42,98,23,67,84,43,29,71,88,74,60,10,46,23,15
,11,78,3
1,11,91,99,57,28,18,32,21,12,95,38,76,07,96,33,63,10,05

De acuerdo al método (prueba de corridas arriba y abajo) se evaluará 59<12, como no lo

es se le signará un signo -. Seguiremos comparando 12<19, ya que si lo es se le asigna
un signo +.

Una corrida se define como una sucesión de eventos similares, precedidos y seguidos por
un evento diferente.

En el ejemplo tendíamos un total de corridas de 33.

20
Para el paso 2: se utiliza la siguiente formula donde N número de datos generados

Paso 3: Se define µ = 0.05, entonces

Como µ=0.05 entonces se valida en la formula1-µ/2 el resultado en las tablas de

distribución
La validación de rechazo será Z calculada =0.00 < Z0.475 =0.68

2.2.3 PRUEBAS DE INDEPENDENCIA

Las pruebas de independencia consisten en demostrar que los números generados son
estadísticamente independientes entre sí, esto es, que no depende uno de otro.

Hay varios métodos, entre los cuales están:

 La prueba de Póker.
 Prueba de Yules
 Autocorrelación
 Prueba de huecos
 Prueba de póker

La prueba de póker plantea la siguiente hipótesis:

Ho: ri ~ Independiente
H1: ri ~ Dependiente

Esta prueba examina en forma individual los dígitos del número pseudoaleatorio
generado. La forma como esta prueba se realiza es tomando 5 dígitos a la vez y
clasificándolos como: Par, dos pares, tercia, póker quintilla full y todos diferentes. Las
probabilidades para cada una de las manos del póker diferentes se muestran enseguida:

Todos diferentes = 0.3024

Un par = 0.504

Dos pares = 0.108

Tercia = 0.072

21
Full = 0.009

Quintilla = 0.0001

Con las probabilidades anteriores y con el número de números pseudoaleatorios

generados, se puede calcular la frecuencia esperada de cada posible resultado, la cual al
compararse con la frecuencia observada, produce el estadístico:

Si
Pasos para aplicar la prueba es necesario:

Primero: Saber la cantidad de dígitos que formarán los aleatorios que se desean probar.

Segundo: Clasificar los casos posibles que se pueden formar (pares de iguales, tercias,
etc.).

Tercero: Calcular las probabilidades de que en esos números se presenten los casos que
se determinaron.

Cuarto: Generar una muestra de aleatorios con el generador a probar y clasificar la

frecuencia que presentaron los casos en la muestra.

Quinto: Efectuar una prueba ji-cuadrada para verificar si existe evidencia estadística para
afirmar que las frecuencias observadas son diferentes a las esperadas.

En caso contrario, no se rechazará la hipótesis de que el generador produce aleatorios

independientes.

Ejemplo: Determine si hay (o no) independencia en los aleatorios generados para el

siguiente caso (con un 5% de significancia y aplicando la prueba de Póker).

Suponga que tiene 1000 números de 3 dígitos y después de analizarlos tiene los
siguientes resultados:

700 con tres dígitos diferentes

273 con un par de dígitos iguales

27 con dígitos iguales

22
Los números tienen o no independencia con un α = 0.05.

Entonces se rechaza la independencia

En este caso no se acepta la independencia debido a que el valor máximo permitido (el
que se lee de la tabla) fue superado por el valor del estadístico calculado para la muestra
generada.

Prueba de Autocorrelacion

La autocorrelación surge cuando los términos de error del modelo no son independientes
entre sí, es decir, cuando: E(uiuj)≠0. para todo i≠j. Entonces los errores estarán
vinculados entre sí. Los estimadores mínimos cuadráticos ordinarios (MCO) obtenidos,
bajo esta circunstancia, dejan de ser eficientes. La autocorrelación generalmente aparece
en datos en serie de tiempo aunque también se presenta en el caso de una muestra de
corte transversal.

Como primera aproximación se asume que las observaciones se generan de la siguiente

manera:

Yt =α + ß Xt+ ut

23
ut =ρut-1+εt ; para –1< ρ

 Si ρ = 0 no existe autocorrelación
 Si ρ = 1 existe autocorrelación positiva perfecta
 Si ρ = -1 existe autocorrelación negativa perfecta

Para detectar la presencia de autocorrelación en una serie de datos la prueba más

utilizada y que es calculada en, prácticamente, todos los programas econométricos, es la
de Durbin Watson. Para este fin se define el estadístico de la siguiente manera:

donde £t es el residuo estimado para el periodo t. Es posible escribir a d como

Pruebas de hueco

Es usada para asegurar que la recurrencia de cada dígito particular en un flujo de

números suceda con un intervalo aleatorio. Además se usa para comparar estos
intervalos con la longitud esperada de huecos.

Llamaremos hueco a cualquier serie de números en la secuencia de partida, que no

Están dentro del intervalo [alfa, beta) y que están comprendidos entre dos números que si
lo están. A la cantidad de números en ese hueco que NO pertenecen a α) la llamaremos
Longitud del hueco.

Esta prueba puede ser realizada de dos maneras: considerando los números
pseudocodigos generados como dígitos, o considerado como números reales.

Hipótesis

H0:r~ independientes

H1:rj~ dependiente

24
Pasos

1- Definir un intervalo de prueba (α,ß) donde (α,ß) pertenecen (0,1).

2- Se construye una secuencia de 1 0 de esta manera: se asigna un 1 si el r i
pertenece al intervalo (α,ß), y un 0 si no pertenece.

Ejemplo: si se define un intervalo (α, ß) = (0.6 y 0.7) y se tiene la muestra de 10 números.

ri = (0.67, 0.62, 0.65, 0.49, 0.59, 0.42, 0.64, 0.06, 0.74, 0.67)

S = {1, 1, 1, 0, 0, 0, 1, 0, 0, 1}

El tamaño del hueco i se define como el número de ceros existentes entre unos
consecutivos. En el ejemplo tenemos h = 3.

A partir del conjunto anterior se determina la frecuencia O i, contabilizando el num. De

ocurrencias de cada tamaño de hueco y su correspondiente frecuencia esperada Ei de
acuerdo con :

Ei = (h)(ß-α)(1-( ß-α))i

Frecuencia observadas y esperadas de huecos

Después se procede a calcular el error o estadístico de la prueba:

25
Prueba de Yule

Es una medida de asociación creada por el estadístico escoces George Udny Yule, se
utiliza en cuadros estadísticos llamado contingencia.

Variables nominales

Restricciones:

 Tener en cuenta que son números positivos, solo pueden tomar valores
comprendidos entre cero y uno.
 Cuando se acercan a un cero, indican independencia o asociación muy débil entre
las variables.

El estadístico escoces George Udny Yule propone un estudio de medida de asociación

por medio de cuadros estadísticos que denominan tablas de contingencia. El coeficiente
de contingencia Q de Yule es una medida del grado de relación (asociación) existente
entre dos variables (atributos). El coeficiente de asociación de Yule debe ser utilizado
únicamente en tablas de 2x 2. Los datos deben ser agrupados en tablas de contingencia
de 2x3. Este coeficiente es aplicable en casos como pruebas de señales en donde se
requiere emparejar una muestra independen diente. El cálculo de este coeficiente
considera a A y B como dos atributos los cuales están clasificados en N y M grupos
respectivamente. El primer paso es organizar los datos dentro de una tabla de M y N.

El coeficiente de contingencia se estima con la siguiente expresión:

El coeficiente de asociación debe ser aplicado a una tabla de 2x2 usando la siguiente
expresión:

26
 2.3 MÉTODO DE MONTE CARLO

El método Montecarlo es un método numérico que permite resolver problemas físicos y

matemáticos mediante la simulación de variables aleatorias.

El método Montecarlo fue bautizado así por su clara analogía con los juegos de ruleta de
los casinos, el más célebre de los cuales es el de Montecarlo, casino cuya construcción
fue propuesta en 1856 por el príncipe Carlos III de Mónaco, siendo inaugurado en 1861.

La invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una idea
del resultado general del solitario haciendo pruebas múltiples con las cartas y contando
las proporciones de los resultados que computar todas las posibilidades de combinación
formalmente. Se le ocurrió que esta misma observación debía aplicarse a su trabajo de
Los Álamos sobre difusión de neutrones, para la cual resulta prácticamente imposible
solucionar las ecuaciones íntegro-diferenciales que gobiernan la dispersión, la absorción y
la fisión. “La idea consistía en probar con experimentos mentales las miles de
posibilidades, y en cada etapa, determinar por casualidad, por un número aleatorio
distribuido según las probabilidades, qué sucedería y totalizar todas las posibilidades y
tener una idea de la conducta del proceso físico”.

La importancia actual del método Montecarlo se basa en la existencia de problemas que

tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero que
dependen de factores aleatorios o se pueden asociar a un modelo probabilística artificial
(resolución de integrales de muchas variables, minimización de funciones, etc.). Gracias
al avance en diseño de los ordenadores, cálculos Montecarlo que en otro tiempo hubieran
sido inconcebibles, hoy en día se presentan como asequibles para la resolución de ciertos
problemas.

27
En la práctica este análisis consiste en ejecutar varias veces los diferentes sucesos
variando aleatoriamente su valor en función de la función estadística que los define,
dando como resultado un conjunto de valores finales. Este conjunto de valores permite
calcular el valor medio y la variabilidad para el conjunto.

2.3.1 CARACTERÍSTICAS

Propiedades y características importantes del M.M.C.

1. Algoritmo de estructura muy sencilla.

Como regla se elabora primero un programa para la realización 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 número 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 Método Monte
Carlo resulta especialmente eficaz en la solución de problemas en los que se necesita
conocer los resultados con una exactitud del 5 al 10% (intervalo de confianza 95%,
97,5%).

El método es aplicable en situaciones de diversa índole:

a) Problemas aleatorios diversos, orientados a eventos o no. Se resuelven creando

un modelo probabilístico artificial, que cumpla con las leyes de probabilidad que se
dan en el sistema real.
b) Problemas matemáticos determinísticos.
Cuando los problemas determinísticos son imposibles de resolver analíticamente o
muy complicados se puede llegar a una solución aproximada mediante el uso de

28
 un modelo artificial cuyas funciones de distribución y densidad satisfagan las
relaciones funcionales del problema determinístico.

Ejemplos:
• cálculo de integrales múltiples
• ecuaciones diferenciales de orden mayor que dos. Por ello se puede hablar del
MMC como un método universal de resolución de problemas matemáticos.

El método de Monte Carlo en su versión más simple consiste en:

1. sortear valores para un conjunto X(1), X(2) , · · · , X(n) , de variables aleatorias

i.i.d. (independientes e idénticamente distribuidas) a X.
2. Calcular Sn = X(1) + . . . + X(n) , la suma de los n valores sorteados.

3. Calcular = Sn/n.

4. Calcular = .

Ejemplo:

Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran

emparedados. Por medio de la distribución de probabilidad del método de Monte carlo, en
un periodo de 30 días.

29
El primer paso en identificar la demanda que recibe por días. El siguiente paso es
construir otra columna con la sumatoria consecutiva de cada ocurrencia de los valores

En esta tabla se hace presente el paso 3, que trata de colocar los intervalos de los
números aleatorios, simplemente se colocan los números empezando por el 01hasta el
valor de la probabilidad acumulada. Y después se sigue con el otro valor comenzando por
número en el que se quedó. Una manera simple de ver la simulación es mediante esta
simplificación del ejemplo en un periodo de 10 días. Por último se emplean los pasos 4 y 5
en la tabla que continua se busca un numero aleatorio en la tabla 1 expuesta en el paso 4.
Después se compara el numero aleatorio obtenido con el intervalo de la tabla 3, a verificar
en que intervalo cae se colocara el valor de la demanda en la tercer columna.

30
Por último se saca la demanda esperada que se demuestra por la siguiente fórmula:

= (.17x41)+(.33x45)+(.20x48)+(.13x52)+(.17x56)= 47.7

La demanda esperada en las mayorías de sus ensayos será similar a la demanda

promedio.

2.3.2 APLICACIONES

Sistemas de computación: redes de ordenadores, componentes, programación, bases de

datos, fiabilidad.

Fabricación: manejo de materiales, líneas de montaje, equipos de almacenamiento,

control de inventario, mantenimiento, distribución en planta, diseño de máquinas.

Negocios: análisis de existencias, política de precios, estrategias de marketing, estudios

de adquisición, análisis de flujo de caja, predicción, alternativas del transporte,
planificación de mano de obra.

Gobierno: armamento y su uso, tácticas militares, predicción de la población, uso del

suelo, prevención de incendios, servicios de policía, justicia criminal, diseño de vías de
comunicación, servicios sanitarios.

Ecología y medio ambiente: contaminación y purificación del agua, control de residuos,

contaminación del aire, control de plagas, predicción del tiempo, análisis de seísmos y

31
tormentas, exploración y explotación de minerales, sistemas de energía solar, explotación
de cultivos.

Sociedad y comportamiento: estudios de alimentación de la población, políticas

educativas, estructuras organizativas, análisis de sistemas sociales, sistemas de
asistencia social, administración universitaria.

2.3.3 SOLUCIÓN DE PROBLEMAS

Supongamos que tenemos un satélite, que para su funcionamiento depende de que al

menos 2 paneles solares de los 5 que tiene disponibles estén en funcionamiento, y
queremos calcular φ la vida útil esperada del satélite (el tiempo promedio de
funcionamiento hasta que falla, usualmente conocido en la literatura como MTTF - Mean
Time To Failure).  Supongamos que cada panel solar tiene una vida útil que es aleatoria,
y está uniformemente distribuida en el rango [1000 hrs, 5000 hrs] (valor promedio: 3000
hrs)

BIBLIOGRAFÍA
https://es.scribd.com/doc/30146029/Metodo-de-Monte-Carlo

http://simulaingenieria.blogspot.mx/2017/02/21-numeros-aleatorios-definicion_44.html

http://www.ugr.es/~jillana/Docencia/FM/mc.pdf

https://prezi.com/_2ldlovquapw/23-pruebas-estadisticas-de-aleatoriedad-para-los-numeros-ps/

http://itpn.mx/recursosisc/5semestre/simulacion/Unidad%20II.pdf

http://www.monografias.com/trabajos-pdf5/prueba-chi-cuadrada-estadistica/prueba-chi-
cuadrada-estadistica.shtml
https://es.slideshare.net/ew_ing/pruebas-de-uniformidad
http://www.ub.edu/aplica_infor/spss/cap5-2.htm
https://prezi.com/s5dlkuvrozou/prueba-de-corridas/
http://simulaingenieria.blogspot.mx/2017/02/21-numeros-aleatorios-definicion_44.html
https://www.academia.edu/7207310/Librodesimulacion

32
https://simulacionkarla.blogspot.mx/p/unidad-ii.html
http://www.monografias.com/trabajos32/prueba-de-poker/prueba-de-poker.shtml
http://webdia.cem.itesm.mx/ac/alvarez/CVIO/PARTI/sesc1t2.html

33