Sesion 3 Simulacion de Montecarlo - VEst

Compilado y Desarrollado
Por: Msc. IE. Lus I.

Morales Eckardt
Sesin 2
Simulacin de Montecarlo
Instructor: M.Sc. IE. Lus I. Morales Eckardt
Julio 2011
NOTA ACLARATORIA
A no ser que se indique lo contrario, el material
proveniente de esta recopilacin proviene de los
siguientes textos:
Discrete Event SystemSimulation Banks, Carson, Nelson, et al.
Simulacin y Anlisis de Sistemas con Promodel; Dunna,
Carbonnel et al.
Simulation; SheldomRoss.
Simulation Handbook Edited by Jerry Banks
Simulation Modelin And Analysis Law & Kelton.
Theory of Modeling and Simulation ; Zeigler, Praehofer & Go Kin.
Julio 2011 Compilado y Desarrollado
Morales Eckardt
Los primeros experimentos de simulacin se realizaron
en el ao 1940 en EEUU bajo el nombre de anlisis
MonteCarlo. Los pioneros fueron Von Neumann y
Ulam que publicaron un artculo intitulado "The
MonteCarlo method" en 1949.
Las primeras aplicaciones realizadas fueron en el
campo blico (2da guerra mundial) para el estudio de
la bomba atmica y las armas nucleares, estudiando el
comportamiento aleatorio de los neutrones y su
difusin.
Morales Eckardt
Julio 2011
Entonces podemos definir el mtodo Montecarlo
como el mtodo numrico de simulacin que permite
resolver problemas matemticos mediante la
simulacin de variables aleatorias.
El nombre proviene del principado de Mnaco, ya que
el aparato ms sencillo para obtener valores aleatorios
es la ruleta.
Morales Eckardt
Julio 2011
El mtodo es aplicable en situaciones de diversa
ndole:
Morales Eckardt
a.
Problemas aleatorios diversos,
orientados a eventos o no.
b.
Problemas matemticos
determinanticos.
Julio 2011
Componentes de la Simulacin de
Montecarlo
Funcin de distribucin de probabilidad: Los sistemas fsicos o
matemticos deben ser descritos FDP
Generador de nmeros aleatorios: Se debe contar con una
fuente de nmeros uniformemente distribuidos.
Estimacin del error: Se debe establecer un estimador des
error en funcin de la cantidad de restricciones u otras
caractersticas de inters del mtodo.
Morales Eckardt
Julio 2011
Tcnicas de reduccin de varianza: estos mtodos sean
aplicables a la solucin estimada de modo tal de reduccin los
tiempos de computo para la simulacin por Montecarlo
Paralelizacin y vectorizacin: algoritmos que apliquen y
dirijan al mtodo de Montecarlo a ser implementados de
forma eficiente en arquitecturas computacionales avanzadas.
Morales Eckardt
Componentes de la Simulacin de
Montecarlo
Procedimiento de la Simulacin de
Montecarlo
Morales Eckardt
Disear el modelo
lgico de decisin
Especificar
distribuciones de
probabilidad para las
variables aleatorias
relevantes.
Incluir posibles
dependencias entre
variables
Muestrear valores de
las variables aleatorias
Calcularlos valores d el
resultado del modelo
segn los valores del
muestreo y registrar el
resultado
Repetir el proceso hasta
tener una muestra
estadsticamente
representativa
Obtener la distribucin
de frecuencia del
resultado de las
iteraciones
Calcular media, desvo y
curva de percentiles
acumulados.
Julio 2011
Morales Eckardt
Julio 2011
GENERACIN DE NMEROS
PSEUDOS ALEATORIOS
Nmeros Pseudoaleatorios
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.
A pesar de lo anterior, podemos asegurar con altos niveles
de confiabilidad que el conjunto de nmeros que se utilizan
en una simulacin se comportan de manera muy similar a un
conjunto de nmeros totalmente aleatorios; por ello es que
se les denomina nmeros pseudo aleatorios.
Morales Eckardt
Julio 2011
Generacin de Nmeros Pseudoaleatorios
Para realizar una simulacin se requieren nmeros aleatorios en el
intervalo (0,1), a los cuales se har referencia como r
i
es decir, una
secuencia r
i
= {r
1
,r
2
,r
3
..., r
n
} que contiene n nmeros, todos ellos
diferentes; n recibe el nombre de periodo o ciclo de vida del generador
que cre la secuencia r
i
.
Morales Eckardt
Los r
i
constituyen la parte medular de la
simulacin de procesos estocsticos, y
generalmente se usan para generar el
comportamiento de variables aleatorias,
tanto continuas como discretas. Debido a
que no es posible generar nmeros
realmente aleatorios, consideramos los r
i
como nmeros pseudo aleatorios,
generados por medio de algoritmos
deterministicos que requieren parmetros
de arranque.
Para simular el comportamiento de
una o ms variables aleatorias es
necesario contar con un conjunto
suficientemente grande de r
i
que
permita, por ejemplo, que la
secuencia tenga al menos un periodo
de vida de n = 2
31
= 2 1 47 483 648.
Julio 2011
Dada la importancia de contar con un conjunto de r
i
suficientemente
grande, a continuacin se presentan diferentes algoritmos determinanticos
para obtenerlo. Por otra parte, es conveniente sealar que el conjunto de r
i
debe ser sometido a una variedad de pruebas para verificar si los nmeros
que lo conforman son realmente independientes y uniformes.
Una vez generado el conjunto r
i
mediante un
algoritmo determinantico, es necesario
someterlo a las pruebas antes mencionadas:
si las supera, podr utilizarse en la
simulacin; de lo contrario, simplemente
deberemos desecharlo.
Generar un conjunto de r
i
es una tarea
relativamente sencilla. Lo que resulta difcil es
disear un algoritmo que genere un conjunto de r
i
con periodo de vida suficientemente grande (N),y
que adems pase sin problema las pruebas de
uniformidad e independencia, lo cual implica evitar
problemas como stos:
Un conjunto de r
i
debe seguir
una distribucin uniforme
continua, la cual est definida
por:
Morales Eckardt
Julio 2011
)
`
s s
=
valor otro cualquier en , 0
1 0 , 1
) (
r
r f
Morales Eckardt
Que los nmeros del conjunto
r
i
no estn uniformemente
distribuidos, es decir, que
haya demasiados r
i
en un
subintervalo y en otro muy
pocos o ninguno.
Que los nmeros r
i
generados
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 1/2.
Que la varianza del conjunto
sea muy alta o muy baja, es
decir, que se localice por
arriba o por debajo del 1/2.
Lo cual implica evitar problemas como stos:
Julio 2011
En ocasiones se presentan tambin anomalas como nmeros r
i
seguidos por arriba o por debajo de la media; secuencia de r
i
por
arriba de la media, seguida de una secuencia por debajo de la
media, y viceversa, o varios r
i
seguidos en forma ascendente o
descendente.
A continuacin se presentan diferentes algoritmos
determinanticos para generar los r
i
, los cuales se clasifican en
algoritmos no congruenciales y congruenciales. Los algoritmos
no congruenciales que se analizan son cuadrados medios,
productos medios y multiplicador constante. Y Entre los
algoritmos congruenciales se encuentran los algoritmos
congruenciales lineales y los no lineales.
Morales Eckardt
Julio 2011
Algoritmo de Cuadrados Medios
Este algoritmo no congruencial fue propuesto en la dcada
de los cuarenta del siglo xx por Von Neumann y
Metrpolis. Requiere un nmero entero detonador
(llamado semilla) con D dgitos, el cual es elevado al
cuadrado para seleccionar del resultado los D dgitos del
centro; el primer nmero r
i
se determina simplemente
anteponiendo el "0."a esos dgitos. Para obtener el
segundo r
i
se sigue el mismo procedimiento, slo que
ahora se elevan al cuadrado los D dgitos del centro que se
seleccionaron para obtener el primer r
i
. Este mtodo se
repite hasta obtener n nmeros r
i
Morales Eckardt
Julio 2011
A continuacin se presentan con ms detalle los pasos del mtodo para
generar nmeros con el algoritmo de producto medios.
Si no es posible obtener los D dgitos del centro del nmero Y
i
, agregue
ceros a la izquierda del nmero Y
i
.
Morales Eckardt
1.
Seleccionar una semilla (X
0
) con D dgitos (D > 3).
2.
Sea X
0
= resultado de elevar X
0
al cuadrado; sea X
1
= los D dgitos del
centro, y sea r
i
= 0.D dgitos del centro.
3.
Sea Y
i
= resultado de elevar X
1
al cuadrado1; sea X
+1
= los D dgitos del centro, y sea r
i
= 0.D dgitos del centro para toda i = 1,2,3,...,n.
4.
Repetir el paso 3 hasta obtener los n nmeros r deseados.
Julio 2011
Algoritmo de Productos Medios
La mecnica de generacin de nmeros pseudo
aleatorios 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 dgitos;
adems, en lugar de elevarlas al cuadrado, las semillas
se multiplican y del producto se seleccionan los D
dgitos del centro, los cuales formarn el primer nmero
pseudo aleatorio r
i
= 0.D dgitos.
Morales Eckardt
Julio 2011
Morales Eckardt
1.
0
2.
1
3.
Sea Y
0
= X
0
*X
1
; sea X
2
i
= 0.D dgitos del centro.
4.
Sea Y
i
= X
i
*X
i+1
; sea X
i+2
i+1
= 0.D dgitos del
centro para toda i = 1,2,3,...,.
5.
Repetir el paso 4 hasta obtener los n nmeros r
i
deseados.
A continuacin se presentan con ms detalle los pasos del mtodo para generar
nmeros con el algoritmo de producto medios.
i
agregue ceros a
la izquierda del nmero Y
i
.
Julio 2011
Algoritmo de Multiplicador Constante
Morales Eckardt
Este algoritmo no congruencial es similar al
algoritmo de productos medios. Los
siguientes son los pasos necesarios para
generar nmeros pseudo aleatorios con el
algoritmo de multiplicador constante.
Julio 2011
Morales Eckardt
1.
0
2.
Seleccionar una constante (a) con D dgitos (D > 3).
3.
Sea Y
0
= a*X
0
; sea X
1
i
= 0.D dgitos del
centro.
4.
Sea Y
i
= a*X
i
; sea X
i+1
i+1
= 0.D dgitos del
centro para toda i = 1,2,3,..., n.
5.
Repetir el paso 4 hasta obtener los n nmeros r
i
deseados..
i
agregue
ceros a la izquierda del nmero Y
i
Julio 2011
Algoritmo Lineal
Este algoritmo congruencial fue propuesto por D. H. Lehmer
en 1951. Segn Law y Kel-ton,este algoritmo ha sido el ms
usado. El algoritmo congruencial lineal genera una secuencia
de nmeros enteros por medio de la siguiente ecuacin
recursiva:
donde X
0
es la semilla, a es la constante multiplicativa, c es
una constante aditiva y mes el mdulo;
X
0
>0, a>0, c>0 y m>0 deben ser nmeros enteros. La
operacin "mod m" significa multiplicar X
1
por a, sumar c y
dividir el resultado entre mpara obtener el residuo X
i+1
.
Morales Eckardt
Julio 2011
( ) ( ) n , 0,1,2,3,.. i mod aX
i 1
= + =
+
m c X
i
Es importante sealar que la ecuacin recursiva del algoritmo
congruencial lineal genera una secuencia de nmeros enteros
S = {0,1,2,3, ...,m - 1},y que para obtener nmeros pseudo
aleatorios en el intervalo (0,1) se requiere la siguiente
ecuacin:
Morales Eckardt
Julio 2011
n 1,2,3,.., i
1
=
=
m
X
r
i
i
Algoritmo Congruencial Multiplicativo
El algoritmo congruencial multiplicativo surge del algoritmo
congruencial lineal cuando c = 0. Entonces la ecuacin
recursiva es:
En comparacin con el algoritmo congruencial lineal, la
ventaja del algoritmo multiplicativo es que implica una
operacin menos a realizar. Los parmetros de arranque de
este algoritmo son X
0
, a y m, todos los cuales deben ser
nmeros enteros y mayores que cero.
Morales Eckardt
Julio 2011
( ) ( ) n , 0,1,2,3,.. i mod aX
i 1
= =
+
m X
i
Para transformar los nmeros X
i
en el intervalo (0,1) se usa
la ecuacin r
i
= x
i
/(m - 1). De acuerdo con Banks, Carson,
Nelson y N i c o l, la s condiciones que deben cumplir los
parmetros para que el algoritmo congruencial
multiplicativo alcance su mximo periodo son:
m= 2
g
a = 3 + 8k o a = 5 + 8k
k = 0,1,2,3,...
X
0
debe ser un nmero impar
g debe ser entero
A partir de estas condiciones se logra un periodo de vida
mximo N = k/4 = 2
g-2
Morales Eckardt
Julio 2011
Algoritmo Congruencial Aditivo
Este algoritmo requiere una secuencia previa de n
nmeros enterosX
1
,X
2
,X
3
,X
4
, ...,X
n
para generar una
nueva secuencia de nmeros enteros que empieza en
X
n+1
,X
n+2
,X
n+3
,X
n+4
,... Su ecuacin recursiva es:
X
i
= (X
i-1
+ X
i-n
)mod (m) i = n + 1, n + 2, n + 3,.., N
Los nmeros r pueden ser generados mediante la
ecuacin
r
i
= x
i
/(m-1)
Morales Eckardt
Julio 2011
Algoritmos Congruenciales No Lineales
A continuacin se analizarn dos algoritmos congruenciales no lineales: el
congruencial cuadrtico y el algoritmo presentado por Blum, Blumy Shub.
Algoritmo congruencial cuadrtico
Este algoritmo tiene la siguiente ecuacin recursiva:
X
i+1
= (aX
2
1
+ bX
i
+ c) mod (m) i= 0,1,2,3,.., N
En este caso, los nmeros r
i
pueden ser generados con la ecuacin
r
i
= x
i
/(m-1). De acuerdo con L'Ecuyer, las condiciones que deben cumplir los
parmetros m, a, b y c para alcanzar un periodo mximo de N = mson:
m= 2
g
a debe ser un nmero par
c debe ser un nmero impar
g debe ser entero
(b- 1) mod 4= 1
De esta manera se logra un periodo de vida mximo N = m.
Morales Eckardt
Julio 2011
Algoritmo de Blum, Blumy Shub
Si en el algoritmo congruencial cuadrtico
a = 1, b = 0 y c = 0, entonces se construye una
nueva ecuacin recursiva:
La ecuacin anterior fue propuesta por Blum, Blum
y Shub como un nuevo mtodo para generar
nmeros que no tienen un comportamiento
predecible.
Morales Eckardt
Julio 2011
( ) ( ) n , 0,1,2,3,.. i mod X
2
i
1
= =
+
m X
i
Morales Eckardt
Validacin de Nmeros
Pseudoaleatorios
Validacin de Nmeros Pseudoaleatorios
A continuacin se analizarn las pruebas estadsticas
bsicas que se emplean generalmente para determinar
si un conjunto de nmeros pseudoaleatorios entre
cero y uno cumplen con las propiedades bsicas de
independencia y uniformidad. El objetivo, es validar
que el conjunto r
i
realmente est conformado por
nmeros aleatorios.
Morales Eckardt
Julio 2011
Prueba de Medias
Una de las propiedades que deben cumplir los nmeros del
conjunto r, es que el valor esperado sea igual a 0.5. La prueba
que busca determinar lo anterior es la llamada prueba de
medias, en la cual se plantean las siguientes hiptesis:
La prueba de medias consiste en determinar el promedio de los
n nmeros que contiene el conjunto r
i
, mediante la ecuacin
siguiente:
Morales Eckardt
Julio 2011
5 . 0 : 5 . 0 :
1 0
= =
i i
r r
H H
=
=
n
i
i
r
n
r
1
1
Posteriormente se calculan los lmites de aceptacin inferior y
superior con las ecuaciones siguientes:
Si el valor de se encuentra entre los limites de aceptacin,
concluimos que no se puede rechazar que el conjunto r
i
tiene un
valor esperado de 0.5 con un nivel de aceptacin de 1 - . En caso
contrario se rechaza que el conjunto r
i
tiene un valor esperado de
0.5.
Para el clculo de los lmites de aceptacin se utiliza el estadstico
z
/2
, el cual se determina por medio de la tabla de la distribucin
normal estndar.
Morales Eckardt
Julio 2011
|
|
.
|
\
|
+ =
|
|
.
|
\
|
=
n
z LS
n
z LI
r r
12
1
2
1

12
1
2
1
2 / 2 / o o
Prueba de varianza
Otra de la propiedades que debe satisfacer el conjunto r
i
, es que sus
nmeros tengan una varianza de 1/12. La prueba que busca
determinar lo anterior es la prueba de varianza, que establece las
siguientes hiptesis:
La prueba de varianza consiste en determinar la varianza de los n
nmeros que contiene el conjunto r
i
, mediante la ecuacin
siguiente:
Morales Eckardt
Julio 2011
12 / 1 : 12 / 1 :
2
1
2
0
= =
i i
r r
H H o o
( )
1
) (
1
2
=
n
r r
r V
n
i
i
Prueba de Varianza
Despus se calculan los lmites de aceptacin inferior y
superior con las ecuaciones siguientes:
Si el valor de V(r) se encuentra entre los lmites de
aceptacin, decimos que no se puede rechazar que el
conjunto r
i
tiene una varianza de 1 /12, con un nivel de
aceptacin de 1 - ; de lo contrario, se rechaza que el
conjunto r
i
tiene una varianza de
1 /12.
Morales Eckardt
( )
( )
( )
( )

1 - n 12
X

1 - n 12
X
I
2
1 - n /2, 1
V
2
1 - n /2,
V
r r
o o
= = LS L
Pruebas de Uniformidad
Una de las propiedades ms importantes que debe
cumplir un conjunto de nmeros r
es la uniformidad. Para
comprobar su acatamiento se han desarrollado pruebas
estadsticas tales como las pruebas Chi-cuadrada y de
Kolmogorov-Smirnov. En cualquiera de ambos casos, para
probar la uniformidad de los nmeros de un conjunto r
es
necesario formular las siguientes hiptesis:
Morales Eckardt
Julio 2011
Prueba Chi.Cuadrada
La prueba Chi-cuadrada busca determinar si los nmeros del conjunto r
i
se
distribuyen uniformemente en el intervalo (0,1). Para llevar a cabo esta prueba es
necesario:
Morales Eckardt
1
dividir el intervalo (0,1) en m subintervalos, en donde es recomendable
2
. Posteriormente se clasifica cada nmero pseudo aleatorio del conjunto r
i
en los m intervalos. A la
cantidad de nmeros r
i
que se clasifican en cada intervalo se le denomina frecuencia observada (0
i
), y
a la cantidad de nmeros r
que se espera encontrar en cada intervalo se le llama frecuencia

esperada (E
i
); tericamente, la r
i
, es igual n/m
3
A partir de los valores de 0
i
y E
se determina el estadstico x
2
0
mediante la
ecuacin
Julio 2011
( )
=
m
i
i
i i
E
O E
X
1
2
0
Prueba Chi.Cuadrada
Si el valor del estadstico x
2
0
es menor al valor de tablas
de X
2
,m-1
entonces no se puede rechazar que el
conjunto de nmeros r sigue una distribucin uniforme.
En caso contrario, se rechaza que r
i
sigue una
distribucin uniforme.
Morales Eckardt
Prueba Kolmogorov-Smirnov
Propuesta por Kolmogorov y Smirnov, sta es una prueba estadstica que tambin
nos sirve para determinar si un conjunto r
i
cumple la propiedad de uniformidad. Es
recomendable aplicarla en conjuntos r
i
pequeos, por ejemplo, n < 20. El
procedimiento es el siguiente:
Morales Eckardt
1. Ordenar de menor a
mayor los nmeros del
conjunto r
i
.
2. Determinar los valores de: D
+
, D
-
y
D con las siguientes ecuaciones:
3. Determinar el valor crtico
D,n de acuerdo con la tabla de
valores crticos de Kolmo-gorov-
Smirnov para un grado de
confianza , y segn el tamao
de la muestra n.
4. Si el valor D es mayor que el valor
crtico D,n, se concluye que los
nmeros del conjunto r
no siguen
una distribucin uniforme; de lo
contrario se dice que no se ha
detectado diferencia significativa
entre la distribucin de los nmeros
del conjunto r
y la distribucin
uniforme.
Julio 2011
n
r r r r s s s s ...
3 2 1
( )
+
< <
< <
+
=
)
`

=
)
`
=
D D mx D
n
i
r mx D
r
n
i
mx D
i
n i
i
n i
,
1
1
1
Pruebas de Independencia
Recuerde que las dos propiedades ms importantes que deben
satisfacer los nmeros de un conjunto r
son uniformidad e
independencia. En la seccin anterior se mostraron las pruebas que
buscan determinar si los nmeros del conjunto r
i
son uniformes. A
continuacin se habla de las pruebas estadsticas que tratan de
corroborar si los nmeros en el intervalo (0,1) son independientes o,
en otras palabras, si parecen pseudo aleatorios.
Para probar la independencia de los nmeros de un conjunto r
primero es preciso formular las siguientes hiptesis:

Morales Eckardt
Julio 2011
ntes independie son no r conj unto del nmeros Los
ntes independie son r conj unto del nmeros Los
i 1
i 0
=
=
H
H
Prueba de Corridas Arriba y Abajo
El procedimiento de esta prueba consiste en determinar una secuencia de nmeros (S) que
slo contiene unos y ceros, de acuerdo con una comparacin entre r
i
y r
i-1
Posteriormente
se determina el nmero de corridas observadas, C
0
(una corrida se identifica como la
cantidad de unos o ceros consecutivos). Luego se calcula el valor esperado, la varianza del
nmero de corridas y el estadstico Z
0
, mediante las ecuaciones:
Si el estadstico Z
0
es mayor que el valor crtico de Z
/2
, se concluye que los nmeros del
conjunto r
i
no son independientes. De lo contrario no se puede rechazar que el conjunto de
r
i
sea independiente.
Considere el siguiente conjunto r
i
de 21 nmeros:
r
i
= {0.89,0.26,0.01,0.98,0.13,0.12,0.69,0.11,0.05,0.65,
0.21,0.04,0.03,0.11,0.07,0.97,0.27,0.12,0.95,0.02,0.06}
Morales Eckardt
Julio 2011
0
0
0
0
0
0
2
C
Z
90
29 16

3
1 2
C
C
C
C
n n
o

o

=
=
La secuencia de unos y ceros se construye de esta manera:
se coloca un cero si el nmero r
i
es menor que o igual al
nmero r
i
anterior; en caso de ser mayor que el nmero r
anterior, se pone un uno. Considerando la secuencia de los
21 nmeros del conjunto r
i
que se dio arriba, la secuencia
de unos y ceros es:
S = {0,0,1,0,0,1,0,0,1,0,0,0,1,0,1,0,0,1,0,1}
Morales Eckardt
Julio 2011
Obtenindose un valor de C
0
= 24, y = 5%. A continuacin se
presentan los clculos correspondientes al valor esperado y a la
varianza del nmero de corridas:
Como el estadstico Z
0
es menor que el valor de tabla de la normal
estndar para Z
/2
=Z
5%/2
= 1.96, se concluye que no se puede
rechazar que los nmeros del conjunto r
i
son independientes. Es
decir, de acuerdo con esta prueba, los nmeros son aptos para
usarse en simulacin.
Morales Eckardt
Julio 2011
788 . 6
29 ) 40 ( 16
Z
6.788
90
29 ) 40 ( 16

90
29 16
26.333
3
1 - 2(40)
3
1 2
0
0
0
0
0
0
2
C
=
=
= = =
=
C
C
C
C
n n
o

o
Prueba de Corridas Arriba y Abajo de la Media
El procedimiento de esta prueba consiste en:
Morales Eckardt
Determinar una secuencia de unos y
ceros, de acuerdo con una
comparacin entre los nmeros del
conjunto r
i
y 0.5
Luego se determina el nmero de corridas
observadas, C
0
, y los valores de n
0
y n
1
. C
0
es el
nmero de corridas en la secuencia, determinado de
la misma manera que en la prueba de corridas arriba
y abajo; n
0
es igual a la cantidad de ceros en la
secuencia, y n
1
es igual a la cantidad de unos en la
secuencia, cumplindose que n
0
+ n
1
= n. (Recuerde
que una corrida se identifica como la cantidad de
unos o ceros consecutivos.)
Y por ultimo se calcula el valor
esperado, la varianza del nmero de
corridas y el estadstico Z
0
con las
siguientes ecuaciones:
Julio 2011
2
1 2
1 0
0
+ =
n
n n
C
2
0
0
0
0
Z
C
C
C
o

=
( )
( ) 1
2 2
2
1 0 1 0
0
2

=
n n
n n n n n
C
o
Si el estadstico Z
0
est fuera del intervalo: , se concluye que los
i
no son independientes. De lo contrario no se puede
rechazar que el conjunto de r
i
es independiente.
Considere la siguiente secuencia de 10 nmeros de un conjunto r.
r
i
= {0.67,0.62,0.05,0.49,0.59,0.42,0.05,0.02,0.74,0.67}
La secuencia de unos y ceros se construye de la siguiente manera: se asigna
un uno si el nmero r
i
es mayor que o igual a 0.5. En caso contrario se asignar
un cero. Siguiendo esta regla, la secuencia de unos y ceros es:
S = {1,1,0,0,1,0,0,0,1,1}
El nmero de corridas se determina de la misma manera que en la prueba de
corridas arriba y abajo. En este caso se tiene que el nmero de corridas de la
secuencia 5 es C
0
= 5. Por otra parte, la secuencia tiene 5 ceros y 5 unos, as
que n
0
= 5 y n
1
= 5.
Morales Eckardt
Julio 2011
Prueba Poker
Esta prueba consiste en visualizar el nmero r
i
con cinco decimales (como si fuera
una mano del juego de poker, con 5 cartas), y clasificarlo como:
La prueba poker se puede realizar a nmeros r
i
con tres, cuatro y cinco decimales.
Para r
i
con tres decimales slo hay tres categoras de clasificacin: todos
diferentes (TD), un par (1P) y una tercia (T). Cuando se consideran r
i
con cuatro
decimales se cuenta con cinco opciones para clasificar los nmeros: todos
diferentes (TD), exactamente un par (1P), dos pares (2P), una tercia (T) y poker (P).
Morales Eckardt
Todos
diferentes
(TD)
Exactamente
un par (1P)
Dos pares
(2P)
Una
tercia (T)
Una tercia y
un par (TP)
Poker (P)
Quintilla
(Q) )
Julio 2011
Morales Eckardt
Categora Probabilidad E
i
Todos diferentes
(TD)
0.72 0.72n
Exactamente un par
(1P)
0.27 0.27n
Tercia (T) 0.01 0.01 n
i
Todos diferentes (TD) 0.5040 0.5040n
Exactamente un par
(1P)
0.4320 0.4320n
Dos pares (2P) 0.0270 0.0270n
Tercia (T) 0.0360 0.0360n
Poker (P) 0.0010 0.0010n
Prueba Poker para nmeros con tres decimales
Prueba Poker para nmeros con cuatro decimales
Julio 2011
Morales Eckardt
i
Todos diferentes
(TD)
0.3024 0.3024n
Exactamente un par
(1P)
0.5040 0.5040n
Dos pares (2P) 0.1080 0.1080n
Una tercia y un par
(TP)
0.0090 0.0090n
Tercia (T) 0.0720 0.0720n
Poker (P) 0.0045 0.0045n
Quintilla (Q) 0.0001 0.0001 n
Prueba Poker para nmeros con cinco decimales
Julio 2011
Las tablas anteriores presentan la probabilidad esperada para cada
una de las categoras de clasificacin de esta prueba para conjuntos
r
i
que contienen n nmeros con 3,4 y 5 decimales.
La prueba poker requiere el estadstico de la distribucin Chi-
cuadrada x
2
,6
para nmeros con cinco decimales, x
2
,4
para nmeros
con cuatro decimales y x
2
,2
para nmeros con tres decimales. x
2
,6
tiene 6 grados de libertad, debido a que los nmeros se clasifican en
siete categoras o clases: todos diferentes, exactamente un par, dos
pares, una tercia y un par, una tercia, poker y quintilla.
El procedimiento de la prueba consiste en:
Morales Eckardt
Julio 2011
Morales Eckardt
a.
Determinar la categora de cada nmero del conjunto ri.
b.
Contabilizar los nmeros r
i
de la misma categora o clase para
obtener la frecuencia observada (0
i
).
c.
Calcular el estadstico de la prueba x
2
0
con la ecuacin
d.
Comparar el estadstico de x
2
0
con x
2
,m-1
Julio 2011
E
i
es la frecuencia esperada de nmeros r
i
en cada
categora, y m representa la cantidad de categoras o
clases en las que se clasificaron los nmeros r
i
, siendo
m = 7, m = 5 y m = 3 los nmeros de categoras para la
prueba poker con cinco, cuatro y tres decimales,
respectivamente.
Si x
2
0
es menor que x
2
,m-1
se dice que no se puede
rechazar la independencia de los nmeros del
conjunto r
i
. En caso contrario la independencia de los
i
se rechaza.
Morales Eckardt
Prueba de Series
Esta prueba consiste en comparar los nmeros con el propsito de corroborar la
independencia entre nmeros consecutivos. Las hiptesis bsicas son:
H
0
:r
~ Independientes H
1
:r
~ Dependientes
La prueba funciona de esta manera:
se inicia creando una
grfica de dispersin
entre los nmeros
consecutivos (r
i
,r
i+1
)
Posteriormente se divide la grfica en
m casillas, como se muestra en las
siguiente figura, siendo m el valor
entero ms cercano a que
permita formar de preferencia,
aunque no necesariamente, una
matriz cuadrada.
Enseguida se determina la frecuencia
observada 0
, contabilizando el nmero
de puntos en cada casilla y su
correspondiente frecuencia esperada E
i
de acuerdo con E
= (n - 1)/m, donde n - 1
es el nmero total de pares ordenados o
puntos en la grfica.
Se procede entonces a calcular
el error o estadstico de
prueba
Finalmente, si el valor del
error es menor que o igual
al estadstico de tablas x
2
,m-
1
, no podemos rechazar la
hiptesis de independencia
entre nmeros
consecutivos.
n
Morales Eckardt
Morales Eckardt
Grfica de dispersin: Primer paso de la prueba de
series
Julio 2011
Prueba de Huecos
Esta prueba consiste en comparar los nmeros con el propsito de
verificar el tamao del "hueco" que existe entre ocurrencias
sucesivas de un nmero. Las hiptesis fundamentales son:
H
0
:r
~ Independientes H
1
:r
~ Dependientes
Morales Eckardt
La prueba se
inicia definiendo
un intervalo de
prueba (,),
donde (,)
(0,1)
Posteriormente se
construye una
secuencia de unos y
ceros de esta
manera: se asigna un
uno si el r
i
pertenece
al intervalo (,) y un
0 si no pertenece a
dicho intervalo.
Julio 2011
Por ejemplo, si se define un intervalo (,) = (0.6,0.7) y se tiene la muestra de 10
nmeros
r
i
= {0.67,0.62,0.05,0.49,0.59,0.42,0.64,0.06,0.74,0.67},
se asignar un uno si el r est entre 0.6 y 0.7; en caso contrario se asignar un
cero. Siguiendo la regla anterior, la secuencia binaria es:
S = {1,1,0,0,0,0,1,0,0,1}
El tamao de hueco i se define como el nmero de ceros existentes entre unos
consecutivos. En el caso de la secuencia de nuestro ejemplo tenemos h = 3
huecos, el primero de tamao 0, el segundo de tamao 4 y el tercero de tamao 2
de acuerdo con:
Morales Eckardt
Julio 2011

= 2 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 1 , 1
2
4
0

S
A partir del conjunto anterior se determina la frecuencia
observada 0
i
, contabilizando el nmero de ocurrencias de cada
tamao de hueco y su correspondiente frecuencia esperada E
i
,
de acuerdo con E
i
= (h)(- )(1 - (- ) )
i
, donde h es el nmero total
de huecos en la muestra. La frecuencia del ltimo intervalo se
puede calcular mediante la diferencia entre el total y la suma de
las frecuencias esperadas de los intervalos anteriores.
Un resumen de estos clculos se muestra en la siguiente tabla:
Morales Eckardt
Tamao del
hueco i
O
i
E
i
= (h)(-)(-) )
i
E
i
= (3)(0.7-0.6)(1 - (0.7-0.6) )
i
E
i
0 1 (3)(0.1)(0.9) 0.3
1 0 (3)(0.1K0.9)
1
0.27
2 1 (3)(0.1)(0.9)
2
0.243
3 0 (3)(0.1 )(0.9)
3
0.2187
4 1 (3)(0.1 )(0.9)
4
0.1968
5 0 (3)(0.9)
5
1.7715
Total h = 3 h = 3 h = 3
Se procede entonces a calcular el error o estadstico de prueba
por ltimo, si este valor es menor que o igual al
estadstico de tablas x
2
,m-1
podemos rechazar la hiptesis de la
independencia entre los nmeros.
Morales Eckardt
Morales Eckardt

Sesion 3 Simulacion de Montecarlo - VEst

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Sesion 3 Simulacion de Montecarlo - VEst

Hochgeladen von

Copyright:

Verfügbare Formate

Compilado y Desarrollado

Por: Msc. IE. Lus I.

que se espera encontrar en cada intervalo se le llama frecuencia

primero es preciso formular las siguientes hiptesis:

Das könnte Ihnen auch gefallen