4 Examen Parcial

Modelos Estocsticos y de Decisin

10/12/2013
Pag. 1
Modelizacin de la aleatoriedad en sistemas discretos
Jos Emilio Bez Castillo, 1200741
Luis Carlos



Resumen: La modelizacin de la aleatoriedad en
sistemas discretos es importante debido a que lo que se
necesita en un sistema es simular la aleatoriedad para
poder anticipar o mejorar el sistema mismo, ya que
tiene muchas aplicaciones este tipo de modelado es una
gran herramienta en diferentes ramas ya que la mayora
de aplicaciones son directamente de este tipo son
enfocadas a imprevistos en los sistemas mismos, as se
puede llegar a una mejor solucin.
Introduccin
Debido a que las relaciones entre sistemas y simulacin
son importantes debido a que son necesarias para la
resolucin de problemas y posibles planteamientos e
hiptesis, tomando estos como una herramienta til en
el ciclo de vida de un sistema.
Estas herramientas sirven para poder evaluar el sistema
en cualquiera de sus fases como por ejemplo en la fase
de produccin o en la fase de utilizacin, todo esto se
puede usar en escenarios alternativos.
Es importante saber cmo se puede utilizar la
construccin de modelos de simulacin para analizar
fenmenos y problemas dentro de un sistema para la
toma de decisiones.
Tambin tener en cuenta como la simulacin puede
anticiparse con el anlisis y la evaluacin de un sistema
antes de que este sea construido, o tambin para estimar
a priori los cambios y su impacto en un sistema ya
existente, ayudando as a la prevencin o a la mejora de
dichos sistemas.

Identificacin de patrones de comportamiento
aleatorio
Lo ms importante dentro de un sistema es identificar la
aleatoriedad, ya que esta aleatoriedad est dentro de
uno o todos los componentes de un sistema. En primer
lugar se debe tener conocimiento de los componentes
que presentan esta aleatoriedad para as poder hacer la
hiptesis que mejor pueda explicar el comportamiento
aleatorio.
Lo que se recoja al momento de observar las variables
aleatorias relevantes se puede usar de diferentes
maneras cuando se especifica la distribucin de
probabilidad correspondiente.
La modalidad de simulacin que recibe el nombre de
dirigida por la traza (trace-driven) se refiere a que los
datos tomados representan duraciones de los servicios y
cuando surge alguna necesidad de conocer el valor del
tiempo de servicio se acude a estos datos. La desventaja
de esta modalidad de simulacin es que solo se pueden
reproducir los datos histricos no se puede saber que
pasara en un futuro.
Otra posibilidad es extraer las muestras con forme se
van necesitando los valores como es el caso de la
funcin de distribucin emprica, esta distribucin
permite generar valores entre mximos y mnimos de
los datos observados como en el caso de un tiempo de
servicio.
Otra posibilidad que se puede usar en estos casos es la
inferencia estadstica para ajustar los datos a una forma
de distribucin terica y realizar pruebas de hiptesis
para determinar la bondad del ajuste. Si se tiene un
buen modelo de distribucin de los datos observados se
puede tomar este modelo para modificaciones futuras
tomndolo como base en el caso de que se encuentre
una distribucin terica que se ajuste bien a los datos
observados.
Lo principal a determinar es la naturaleza de la
aleatoriedad para que en el futuro sea posible la
reproduccin, tambin especificar las variables
aleatorias dentro del modelo, recoger observaciones de
las variables aleatorias de entrada se debe hacer siempre
que sea posible
Cuando existan casos de poca informacin o de
informacin incorrecta lo mejor es recurrir al anlisis
de sensibilidad, considerando que la informacin
cualitativa a disposicin permite formular una conjetura
sobre cul puede ser la distribucin adecuada a usarse
en ese caso.
Los estudios de sensibilidad se limitan a modificar
medias y varianzas de las distribuciones de los datos de
entrada para las simulaciones, utilizando muchas veces
ecuaciones del tipo
Y = a+bX (1)
4 Examen Parcial
Modelos Estocsticos y de Decisin

10/12/2013
Pag. 2
Aunque esto no es suficiente para determinar los
valores de salida de la simulacin, esto pasa mucho en
el caso de las colas de las distribuciones. Un extenso
anlisis de sensibilidad es necesario para poder tener
credibilidad en el estudio de la simulacin.


Generacin de muestras de distribuciones
aleatorias: introduccin a los mtodos de Monte
Carlo
Para la reproduccin de la aleatoriedad en la simulacin
de un sistema se necesita la capacidad de generar
muestras de nmeros que se adecen a la distribucin
de la probabilidad que se tiene para semejar la conducta
aleatoria que se trata de simular en el sistema.
Lo que se necesita esencialmente para generar variables
aleatorias partiendo de cualquier proceso de
distribucin o cualquier proceso aleatorio es una fuente
de variables aleatorias independientes idnticamente
distribuidas.
Sea X una variable aleatoria continua con una funcin
de probabilidad fX, y una distribucin:

()

()

(2)

Considerando la variable aleatoria

()

() (3)

Por la teora de probabilidades se sabe que la funcin
probabilidad de U es:

() ||

() (4)

donde

(5)

Es el Jacobiano de la transformacin, y:

(x)=

()

(6)

En este caso

,

()-

(7)

Y en consecuencia:

() (8)

() (9)

Es la funcin de la probabilidad de una variable
aleatoria uniformemente distribuida en (0,1).

Este es el mtodo de la transformacin inversa, es un
procedimiento para generar una variable aleatoria segn
una distribucin dada a partir de variables aleatorias
uniformemente distribuidas.

Esto provoca que cada vez que se sustituya U
uniformemente distribuida en un intervalo (0,1) se
obtiene el valor de x de la variable aleatoria
exponencial X de parmetro .

En los estudios de simulacin hay otros dos mtodos
que son de los ms utilizados el de aproximaciones a la
funcin inversa y el de rechazo.

Este algoritmo invierte la aproximacin de la poligonal
F(x):

1.- Encontrar X, tal que F(

) U (
)

2.- Calcular:

X=
[(
)
]

,(

)-

)(

)
(10)

El mtodo del rechazo se puede usar solo cuando se
conoce la funcin de probabilidad, este mtodo requiere
que la funcin de probabilidad f(x) est acotada y no
nula en un intervalo finito [a,b].

*() + (11)

Entonces

1. Generar X uniformemente distribuida en (a,b):
2. Generar Y uniformemente distribuida en (0,c):
3. Si Y f(x), entonces aceptar X, en caso
contrario rechazarla y repetir.

El mtodo del rechazo es uno de los procedimientos
bsicos del conjunto conocido como mtodos de Monte
Carlo, estos mtodos tambin admiten gran cantidad de
variantes y son considerados como procedimientos de
integracin numrica, en particular cuando se trata de
funciones reales no integrables analticamente y para
integrales mltiples. Los mtodos de Monte Carlo son
procedimientos que utilizan la generacin de nmeros
aleatorios para resolver problemas estocsticos o
deterministas de tipo esttico.
4 Examen Parcial
Modelos Estocsticos y de Decisin

10/12/2013
Pag. 3




Generacin de nmeros pseudo-aleatorios
uniformemente distribuidos en (0,1).

Hay muchos mtodos para la generacin de nmeros,
de todos estos mtodos hay tres consideraciones que
hay que tener en cuenta, en primer lugar las secuencias
de nmeros generadas por la fuente, estas deben pasar
por un gran nmero de pruebas estadsticas, para una
secuencia verdaderamente aleatoria los elementos
deben ser conjuntamente independientes, y cada uno ha
de tener una distribucin uniforme en (0,N).

En segundo lugar se requiere que los nmeros
aleatorios contengan suficientes dgitos como para que
la generacin de nmeros en el intervalo (0,1) sea lo
suficientemente densa.

Y por ltimo la tercera consideracin que se debe tomar
se refiere a la eficiencia con que una fuente particular
produce las secuencias de nmeros aleatorios.

Generacin de dgitos aleatorios

Los inconvenientes de los mtodos mecnicos y
electromecnicos era la irreproducibilidad de una
secuencia, era un problema grave ya que en simulacin
se deben repetir experimentos bajo las mismas
condiciones para su anlisis, las computadoras han
hecho posible esto y el mtodo resultante se conoce
como cuadrados medios, que consiste en partir de un
nmero cualquiera que de preferencia sea un nmero
par de n digios

, se eleva al cuadrado y se extraen los

n dgitos del medio, con lo que se obtiene un nuevo
nmero

, con el cual se puede repetir el proceso y asi

sucesivamente.

Cun aleatoria es la secuencia generada?

El mtodo de generacin de dgitos adems de fcil de
programar es reproducible, la cuestin es si es la
secuencia adecuada o no adecuada como fuente de
generacin de dgitos aleatorios a partir de los cuales
formar nmeros de varios dgitos.

Un criterio que se puede utilizar es comprobar si los
nmeros son aceptablemente aleatorios, para lo cual se
debera someter a mtodos estadsticos.

Por ejemplo si los dgitos son aleatorios los dgitos han
de aparecer con la misma frecuencia, en la tabla
siguiente se tienen 60 numeros de 4 digitos generados
por el mtodo de los cuadrados medios a partir del
5729.

El valor de

emprico, correspondiente a esta tabla es:

(12)

El resultado siendo comparado con un valor de

para
un nivel de significacin de 0,05:

= 16.916

(13)

Con esto se puede aceptar que los dgitos son generados
aleatoriamente de una forma aceptable. Aplicando el
test de aleatoriedad a esta tabla se pueden obtener los
siguientes resultados:

Este mtodo tienen el inconveniente de que las
secuencias a partir de un mtodo se vuelven cclicas
como consecuencia de esto la aleatoriedad se mantiene
pero estadsticamente limitado solo a la primera parte
del ciclo.

Debido a la degeneracin que sufren los nmeros se les
da el nombre de pseudoaleatorios que son los nmeros
generados por este procedimiento.

4 Examen Parcial
Modelos Estocsticos y de Decisin

10/12/2013
Pag. 4
Los problemas se empiezan a presentar cuando se
requiere mayor tamao muestreal que la que el ciclo
nos puede ofrecer porque de seguir usando el ciclo para
este tipo de casos se invalidara el carcter aleatorio.
Como esto sucede con mucha frecuencia se deben
buscar otros mtodos alternativos que generen de
manera computacional y eficaz secuencias de nmeros
pseudoaleatorios cuyos ciclos sean de tamao
adecuado.

Procedimientos generales

Los mtodos ms generalizados son los generadores
congruenciales lineales ya que tienen especial
adecuacin a los computadores digitales adems de las
longitudes de ciclos que proporcionan. Tienen la
siguiente forma:

( ) (14)

La secuencia se inicia con el nmero

, que es el
inicializador. La congruencia mdulo m implica que:

] (15)


Referencias

[1] Simulacin de sistemas discretos por Jaime Barcel, ISDEFE
ingeniera en sistemas.