INSTITUTO TECNOLGICO DE CERRO

AZUL
INGENIERA INDUSTRIAL
(Sistema Abierto)

DOCENTE

LIC. SERGIO MARTNEZ ORTIZ

MATERIA

SIMULACIN
2da. UNIDAD

GENERACIN DE NMEROS ALEATORIOS

ESTUDIANTE
ALVARADO CASTILLO ROGER ALEJANDRO
A12500369

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

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.

2.1. NMEROS ALEATORIOS: DEFINICIN, PROPIEDADES,

GENERADORES Y TABLAS
3

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 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
4

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

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.
5

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.
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.

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.
6

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.

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 Z 0 (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.
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.
8

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

4. Se separan las k cifras de la izquierda de X0*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
a= 1 + 4k
k debe ser entero
c relativamente primo a m
g debe ser entero
9

Bajo estas condiciones se obtiene un periodo de vida mximo: N= m= 2 g.

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 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).
10

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 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

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.
11

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 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
12

los que 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 malla siendo ste el factor limitante de
la eficacia del mtodo. Sin embargo, el mtodo Montecarlo es sencillo y fcil de
programar.

13

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().
Los nmeros aleatorios generados con java script pueden ser utilizados
para infinidad de cosas en una pgina web.
Mostrar un banner aleatorio, una cabecera distinta, una frase, generar un cdigo
de seguridad. Etc.
Existen varios modelos que permiten generar nmeros aleatorios.
14

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

15