TECNOLÓGICO NACIONAL DE MÉXICO
INSTITUTO TECNOLOGÍCO DE CERRO AZUL
INGENIERIA INDUSTRIAL
SIMULACIÓN
UNIDAD 2: Simulación de variables aleatorias.
ACTIVIDAD: Investigación del tema 2.
DOCENTE: Calderón Castro Ana Lilia.
ALUMNO:
Ileana Sarahi Gómez Juárez (21500542)
SEMESTRE: 6 GRUPO: 1
Periodo escolar: enero 2024 – junio 2024
Cerro Azul Ver., a 03 de marzo de 2024
ÍNDICE:
INTRODUCCIÓN: ............................................................................................................................ 3
2.1.1 TEORÍA: MÉTODOS CONGRUENCIALES ...................................................................... 4
1. Algoritmo de Cuadrados Medios ....................................................................................... 5
2. Algoritmo de Productos Medios ........................................................................................ 6
3. Algoritmo de Multiplicador Constante ............................................................................. 6
4. Algoritmo lineal ...................................................................................................................... 6
5. Algoritmo congruencial multiplicativo ............................................................................. 7
6. Algoritmo congruencial aditivo .......................................................................................... 7
2.2 SIMULACIÓN DE OTRAS VARIABLES ALEATORIAS ..................................................... 8
2.2.1 TEORÍA: TRANSFORMACIÓN INVERSA, COMPOSICIÓN, CONVOLUCIÓN Y
OTROS PROCEDIMIENTOS. ........................................................................................................ 8
Método de la transformada inversa....................................................................................... 8
Método de convolución ............................................................................................................ 9
Método de composición ......................................................................................................... 10
CONCLUSIÓN:............................................................................................................................... 11
FUENTES CONSULTADAS: ........................................................................................................ 12
INTRODUCCIÓN:
La simulación de variables aleatorias es un componente fundamental en el campo
de la simulación, ya que permite modelar y analizar una amplia gama de sistemas
y fenómenos que exhiben comportamientos aleatorios. En este trabajo de
investigación, nos enfocaremos específicamente en los métodos y técnicas
relacionadas con la simulación de variables aleatorias, explorando los temas de
métodos congruenciales, simulación de otras variables aleatorias y procedimientos
como la transformación inversa, composición y convolución.
Examinaremos los métodos congruenciales, que son algoritmos utilizados para
generar secuencias de números pseudoaleatorios. Estos métodos son
fundamentales en la simulación de variables aleatorias, ya que proporcionan una
forma eficiente de generar números aleatorios que se distribuyen de manera
uniforme dentro de un intervalo específico.
2.1.1 TEORÍA: MÉTODOS CONGRUENCIALES
NÚMEROS PSEUDOALEATORIOS
La mayoría de los métodos de simulación se basan en la posibilidad de generar
números pseudoaleatorios que imiten las propiedades de generaciones
independientes de una distribución 𝒰(0, 1). El procedimiento habitual para obtener
estas secuencias es emplear un algoritmo recursivo denominado generador:
Donde:
La longitud del ciclo o periodo es la longitud de la secuencia antes de que vuelva a
repetirse. Lo denotaremos por p.
Los números de la sucesión serán predecibles, conociendo el algoritmo y la semilla.
Sin embargo, si no se conociesen, no se debería poder distinguir una serie de
números pseudo aleatorios de una sucesión de números verdaderamente aleatoria
(utilizando recursos computacionales razonables). En caso contrario esta
predecibilidad puede dar lugar a serios problemas.
Como regla general, por lo menos mientras está desarrollando un programa,
interesa fijar la semilla de aleatorización.
• Permite la reproducibilidad de los resultados.
• Facilita la depuración del código.
Todo generador de números pseudoaleatorios mínimamente aceptable debe
comportarse como si se tratase de una muestra genuina de datos independientes
de una 𝒰(0, 1). Otras propiedades de interés serán:
• Reproducibilidad a partir de la semilla
• Periodo suficientemente largo
• Eficiencia (rapidez y requerimientos de memoria)
• Portabilidad
• Generación de subsecuencias (computación en paralelo)
Existen diferentes métodos para generar números aleatorios, existen diferentes
métodos, que, si bien sus resultados no pueden ser considerados como números
totalmente aleatorios, imitan de manera aceptable el comportamiento estadístico
requerido, es decir, que sena números que se comporten bajo una distribución
uniforme con valor mínimo de cero y máximo de uno. Los métodos que se abordarán
en este estudio son:
1. Algoritmo de Cuadrados Medios.
2. Algoritmo de Productos Medios.
3. Algoritmo de Multiplicador Constante.
4. Algoritmo lineal.
5. Algoritmo Congruencial Multiplicativo.
6. Algoritmo Congruencial Aditivo.
7. Algoritmos Congruenciales No Lineales.
1. Algoritmo de Cuadrados Medios
Este algoritmo no congruencial fue propuesto en la década de los cuarenta del siglo
XX por Von Neumann y Metrópolis, requiere un número entero detonador (llamado
semilla) con D dígitos, el cual es elevado al cuadrado para seleccionar del resultado
los D dígitos del centro. El procedimiento para obtener números pseudoaleatorios
bajo este procedimiento es (García Dunna, Eduardo, García Reyes, Heriberto, &
Cárdenas Barrón, Leopoldo E., 2013):
Nota: Si no es posible obtener los D dígitos del centro del número Yi, agregue ceros
a la izquierda del número.
Una alternativa para seleccionar los D dígitos centrales de cada iteración es la
propuesta por Fernández Casal y Cao (2022), misma que se representa con la
siguiente expresión:
Donde la variable Z indica que el número pertenece al conjunto de los números
enteros. Esta expresión es de importancia cuando es necesario desarrollar un
algoritmo computacional para generar números pseudoaleatorios.
Una situación importante a resaltar acerca de este algoritmo es que generalmente
es incapaz de generar una secuencia de ri con periodo de vida n grande, es decir,
su periodo p es corto, lo que ocasionará que en un número relativamente pequeño
de repeticiones de la secuencia entre en periodicidad, es decir, que comience a
repetir la secuencia de ri números anteriormente generada.
2. Algoritmo de Productos Medios
La mecánica de generación de números pseudoaleatorios de este algoritmo no
congruencial es similar a la del algoritmo de cuadrados medios. La diferencia entre
ambos radica en que el algoritmo de productos medios requiere dos semillas, ambas
con D dígitos; además, en lugar de elevarlas al cuadrado, las semillas se multiplican
y del producto se seleccionan los D dígitos del centro, los cuales formarán el primer
número pseudoaleatorio r=0.D dígitos. A continuación, se presentan con más detalle
los pasos del método para generar números con el algoritmo de producto medios:
Para la selección de los dígitos centrales, podrá recurrirse también a la fórmula
enunciada en el método anterior.
3. 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:
Para la selección de los dígitos centrales, podrá recurrirse también a la fórmula
enunciada en el método de Cuadrados Medios.
4. Algoritmo lineal
Este algoritmo congruencial fue propuesto por D. H. Lehmer en 1951. Según Law y
Kelton, no ha sido el más usado. El algoritmo congruencial lineal genera una
secuencia de números enteros por medio de la siguiente ecuación recursiva:
Donde x0 es la semilla, a es la constante multiplicativa, c es una constante aditiva
y m es el módulo. x0>0,a>0, c>0 y m>0 deben ser números enteros. La operación
mod(m) significa multiplicar x0 por a para sumar c y dividir el resultado entre m
para obtener el residuo xi+1. Es importante mencionar que la ecuación recursiva del
algoritmo congruencial lineal genera una secuencia de números enteros
S={0,1,2,3,...,m−1}, y que para obtener el número pseudoaleatorio en el intervalo
𝒰(0,1) se requiere la siguiente ecuación:
5. Algoritmo congruencial 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, los cuales deben ser números enteros y
mayores que cero. Para transformar los números xi en el intervalo (0,1) se usa la
expresión antes comentada, es decir:
Las condiciones que deben de cumplir los parámetros para que el algoritmo
congruencial multiplicativo alcance su máximo periodo N, son:
A partir de estas condiciones se logra un periodo de vida máximo de N=k/4=2g−2.
6. Algoritmo congruencial aditivo
Este algoritmo requiere una secuencia previa de n números enteros x1,x2,x3,...,xn
para generar una nueva secuencia de números enteros que empieza en xn+1,
xn+2, xn+3,..., su ecuación recursiva queda definida por:
Los números ri pueden ser generados mediante la ecuación:
2.2 SIMULACIÓN DE OTRAS VARIABLES ALEATORIAS
La variabilidad de eventos y actividades se representa a través de funciones de
densidad para fenómenos continuos, y mediante distribuciones de probabilidad para
fenómenos de tipos discreto. La simulación de estos eventos o actividades se
realiza con la ayuda de generación de variables aleatorias.
Los principales métodos para generar las variables aleatorias son:
• Método de la transformada inversa
• Método de convolución
• Método de composición
• Método de transformación directa
• Método de aceptación y rechazo
2.2.1 TEORÍA: TRANSFORMACIÓN INVERSA, COMPOSICIÓN,
CONVOLUCIÓN Y OTROS PROCEDIMIENTOS.
Método de la transformada inversa
El método de la transformada inversa puede utilizarse para simular variables
aleatorias continuas, lo cual se logra mediante la función acumulada F(x) y la
generación de números pseudo aleatorios ri∼ 𝒰(0,1). La metodología se presenta
mediante la siguiente secuencia:
1. Definir la función de densidad F(x) que representa la variable a modelar.
2. Calcular la función acumulada F(x).
3. Despejar la variable aleatoria x y obtener la función inversa F(x)−1.
4. Generar las variables aleatorias x, sustituyendo valores con números
pseudoaleatorios ri∼ 𝒰(0,1) en la función acumulada inversa.
El método de la transformada inversa también puede emplearse para simular
variables aleatorias de tipo discreto, como en las distribuciones de Poisson, de
Bernoulli, Binomial, Geométrica, discreta general, etc. La generación se lleva a cabo
a través de la probabilidad acumulada P(x) y la generación de números
pseudoaleatorios ri∼ 𝒰(0,1). El método consiste en:
a. Calcular todos los valores de la distribución de probabilidad p(x) de la
variable a modelar.
b. Calcular todos los valores de la distribución acumulada P(x).
c. Generar números pseudoaleatorios ri∼ 𝒰(0,1).
d. Comparar con el valor de P(x) y determinar qué valor de x corresponde
a P(x).
Método de convolución
Es importante comentar que el método visto anteriormente es útil cuando la
función de densidad de la distribución a simular está dada, es decir la expresión:
Está definida y genera como resultado una expresión matemática de la cual es
posible despejar a la variable aleatoria x.
Sin embargo, en muchos casos, esto no es posible, como en el caso de la
distribución normal, cuya función de densidad está dada por:
Por la naturaleza de esta expresión, no es posible obtener una función matemática
F(x) de la cual despejar a la variable aleatoria para implementar el método de la
transformada inversa, aunque se pueden obtener aproximaciones mediante
integración numérica, esta información no es útil para estimar a la variable
aleatoria mediante el método antes mencionado.
Esta situación se extiende a otras distribuciones de como:
• Distribución Erlang.
• Distribución Binomial.
• Distribución Poisson.
Sin embargo, es posible generar estas distribuciones por medio de la suma de
otras variables aleatorias, mediante la siguiente expresión:
Donde Xk es la k−ésima variable aleatoria que, sumada, dará como resultado a la
variable aleatoria deseada. Para esto mencionaremos algunos ejemplos, como la
distribución K-Erlang, la cual puede ser generada mediante la suma de variables
aleatorias exponenciales con media 1/kλ, de la siguiente manera:
Factorizando la expresión tenemos que:
Aplicando propiedades de los logaritmos, finalmente escribimos que:
Método de composición
Para generar valores de variables aleatorias no-uniformes es usado también el
método de composición, en la cual la distribución de probabilidad f(x) se expresa
cómo una mezcla de varias distribuciones de probabilidad f(x) seleccionadas
adecuadamente. Este procedimiento se basa en el objetivo de minimizar el tiempo
de computación requerido para la generación de valores de la variable aleatoria
analizada.
El método de composición-conocido también como método mixto-permite generar
variables aleatorias x cuando estas provienen de una función de densidad fx qué
puede expresarse cómo la combinación convexa de distribuciones de probabilidad
fi(x). Entonces, la combinación convexa se puede expresar como:
Donde:
Algunas de las distribuciones más conocida que pueden expresarse como una
combinación convexa son: triangular, de Laplace y trapezoidal. El procedimiento
general de generación es el siguiente:
1. Calcular la probabilidad de cada una las distribuciones
2. Asegurar que cada función sea función de densidad.
3. Obtener, mediante el método de la transformada inversa, las expresiones para
generar variables aleatorias de cada una de las distribuciones .
4. Generar un numero pseudoaleatorio que permita definir el valor de .
5. Seleccionar la función generadora correspondiente a la función .
6. Generar un segundo número pseudoaleatorio y sustituirlo en la función
generadora anterior para obtener .
CONCLUSIÓN:
En conclusión, la simulación de variables aleatorias es un aspecto fundamental en
el diseño y análisis de modelos computacionales en una amplia gama de disciplinas.
En este trabajo de investigación, hemos explorado diversos temas relacionados con
esta área, centrándonos en los métodos congruenciales para la generación de
números pseudoaleatorios, así como en técnicas avanzadas para simular variables
aleatorias con distribuciones específicas.
FUENTES CONSULTADAS:
Grosskelwing Núñez, G. y Vicente Rodríguez, C.A. (2022, 18 marzo). Simulación.
[Link]
[Link]/866605_8f757b8fdb0e48baa921d46aadcb893b.html#21
2_Teor%C3%ADa:_m%C3%A9todos_congruenciales
Bermúdez, S. Escobedo, R. Pérez, E. Mar, J.E. y Osorio, D. (s. f.). Simulación.
[Link]
[Link]
