2.

1 Mtodos de generacin de nmeros pseudoaleatorio

Se llama nmeros pseudoaleatorios a una sucesin determinstica de nmeros
en el intervalo [0,1] que tiene las mismas propiedades estadsticas que una
sucesin de nmeros aleatorios. Una forma general de obtener nmeros
pseudoaleatorios es partir de una semilla de p nmeros y aplicar una funcin d.
Los nmeros pseudoaletorios son necesarios cuando se pone en prctica un
modelo de simulacin, para obtener observaciones aleatorias a partir de
distribuciones de probabilidad.
Los nmeros aleatorios generados en un inicio por una computadora casi
siempre son nmeros aleatorios enteros.
En sentido estricto, los nmeros generados por una computadora no se deben
llamar nmeros aleatorios porque son predecibles y se pueden reproducir,
dado el nmero aleatorio generador que se use. Por ello en ocasiones se les
llama nmeros pseudoaleatorios.

No obstante, el punto importante es que, en forma satisfactoria, hacen las

veces los nmeros aleatorios en la simulacin si el mtodo que se usa para
generarlos es vlido.

El procedimiento usado por una computadora para generar nmeros aleatorios

se llama generador de nmeros aleatorios.

Un generador de nmeros aleatorios es un algoritmo que produce secuencias

de nmeros que siguen una distribucin de probabilidad especfica y tienen la
apariencia de aleatoriedad.
La referencia a secuencias de nmeros aleatorios significa que el algoritmo
produce muchos nmeros aleatorios en serie.

La secuencia de nmeros generados debe cumplir con las 2 hiptesis

siguientes:
1) Distribucin Uniforme
2) Independencia (no correlacionados)

Adems son importantes los siguientes aspectos:

a) Las subsecuencias tambin deben cumplir 1) y 2)
b) deben ser secuencias largas y sin huecos (densas)
c) algoritmos rpidos y que no ocupen mucha memoria.

Los nmeros aleatorios se pueden dividir en dos categoras principales:

Nmeros aleatorios enteros. Es una observacin aleatoria de una distribucin
uniforme discretizada en el intervalo n, n+1
Por lo general, n =0 o 1 donde estos son valores convenientes para la mayora
de las aplicaciones.
p Nmeros aleatorios uniformes. Es una observacin aleatoria a partir de una
distribucin uniforme (continua) en un intervalo [a,b]

Propiedades mnimas que debern satisfacer los nmeros pseudoaleatorios:

Ajustarse a una distribucin U(0,1).
*Ser estadsticamente independientes
conociendo otros ya generados).

(no

debe

deducirse

un

nmero

*Ser reproducibles (la misma semilla debe dar la misma sucesin).

*Ciclo repetitivo muy largo.
*Facilidad de obtencin.
*Ocupar poca memoria.
Cualquiera que sea el mtodo para generar nmeros aleatorios debe satisfacer
las siguientes condiciones:
Deben ser:
1. Uniformemente distribuidos
2. Estadsticamente independientes
3. Reproducibles
4. Sin repeticin dentro de una longitud determinada de la sucesin

5. Generacin a grandes velocidades

6. Requerir el mnimo de capacidad de almacenamiento
METODOS DE GENERACION DE NUMEROS ALEATORIOS
Mtodos congruenciales para generar nmeros aleatorios.
Se cuenta con varios generadores de nmeros aleatorios, de los cuales los ms
populares son los mtodos congruenciales (aditivo, multiplicativo y mixto).
El mtodo congruencial mixto genera una sucesin de nmeros aleatorios
enteros en un intervalo de 0 a m-1. ste mtodo siempre calcula el siguiente
nmero a partir del ltimo que obtuvo, dado un nmero aleatorio inicial Xo,
llamado semilla. En particular, calcula el (n + 1)-simo nmero aleatorio Xn+1
a partir del n-simo nmero aleatorio Xn con la relacin de recurrencia.

Donde a, c y m son enteros positivos (a < m, c < m). sta notacin matemtica
significa que Xn+1 son 0, 1, , M-1, de manera que m representa el nmero
deseado de valores diferentes que se puede generar como nmeros aleatorios.
A manera de ilustracin, suponga que m=8, a=5, c=7 y Xo=4. En la siguiente
tabla se calcul la sucesin de nmeros aleatorios que se tuvo (esta sucesin
no puede continuar, puesto que solo se repetiran los nmeros en el mismo
orden). Obsrvese que sta sucesin incluye los ocho nmeros posibles una
sola vez. sta propiedad es necesaria para una sucesin de nmeros aleatorios
enteros, pero no ocurre con algunos valores de a y c.

La cantidad de nmeros consecutivos en una sucesin antes de que se repita

se conoce como longitud de ciclo. En consecuencia, la longitud de ciclo en el
ejemplo es 8. La longitud de ciclo mxima es m, de manera que slo los

valores de a y c considerados son los que conducen a una longitud de ciclo

mxima.
En la siguiente tabla, se ilustra la conversin de nmeros aleatorios en
nmeros aleatorios uniformes. La columna de la izquierda proporciona los
nmeros aleatorios enteros que se obtuvo en la ltima columna de la tabla
anterior. La ltima columna proporciona los nmeros aleatorios uniformes
correspondientes a partir de la frmula
Nmero aleatorio uniforme = Nmero aleatorio entero +
m

El mtodo congruencial multiplicativo corresponde al caso especial del mtodo

congruencial mixto en el que c =0. El mtodo congruencial aditivo tambin es
parecido, pero establece a =1 y sustituye a c por algn nmero aleatorio
anterior a Xn en la sucesin , por ejemplo, Xn-1 (as requiere ms de una
semilla para iniciar el clculo de la sucesin).

El mtodo congruencial mixto proporciona una gran flexibilidad para elegir un

generador de nmeros aleatorios en particular (una combinacin especfica de
a, c y m). Sin embargo, se requiere tener mucho cuidado al seleccionar el
generador de nmeros aleatorios porque la mayora de las combinaciones de
valores a, c y m conducen a propiedades indeseables (por ejemplo, una
longitud de ciclo menor a m).

2.2 Pruebas estadsticas

Una de las propiedades ms importantes que debe cumplir un conjunto de
nmeros ri 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 cosas, para probar la
uniformidad de los nmeros de un conjunto ri es necesario formular las
siguientes hiptesis:

Ho: ri~U(0,1)
H1: ri no son uniformes

2.2.1 De uniformidad. (chi-cuadrada, Kolmogorov-Smirnov)

Prueba Chi-cuadrada
La prueba Chi-cuadrada busca determinar si los nmeros del conjunto ri se
distribuyen uniformemente en el intervalo (0,1). Para llevar a cabo esta prueba
es necesario dividir el intervalo (0,1), en m subintervalos, en donde es
recomendable m=n. Posteriormente se clasifica cada nmero pseudoaleatorio
del conjunto ri en los m intervalos.
A la cantidad de nmeros ri que se clasifican en cada intervalo se le denomina
frecuencia observada (Oi), y a la cantidad de nmeros ri que se espera
encontrar en cada intervalo se le llama frecuencia esperada (Ei); tericamente,
la ri es igual a n/m. A partir de los valores de Oi y Ei se determina el
estadstico mediante la ecuacin:

Si el valor del estadstico

es menor al valor de tablas de
, entonces no se puede rechazar que el conjunto de nmeros ri sigue una

distribucin uniforme. En caso contrario, se rechaza que ri sigue una

distribucin uniforme.
Ej. Realizar la prueba de chi-cuadrada a los siguientes 100 nmeros de un
conjunto ri, con un nivel de confianza del 95%

Clculos para la prueba chi-cuadrada

El estadstico
=6.2 es menor al estadstico
correspondiente de la chi- cuadrada
.
=16.9. En
consecuencia, no se puede rechazar que los nmeros ri siguen una distribucin
uniforme.

Prueba de Kolmogorov-Smirnov
Propuesta por Kolmogorov-Smirnov, esta es una prueba estadstica que
tambin nos sirve para determinar si un conjunto ri cumple la propiedad de
uniformidad. Es recomendable aplicarla en conjuntos ri pequeos, por ejemplo
n<20. El procedimiento es el siguiente:

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

r1r2 r3 rn

2. Determinar los valores de D+,

D- y D con las siguientes ecuaciones:

D= mx. (D+,D-)
3. Determinar el valor critico de acuerdo con la tabla de valores crticos de
Kolmogorov para un grado de confianza , y segn el tamao de la muestra n.
4. Si el valor D es mayor que el valor critico
Se concluye que los nmeros del conjunto ri 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 ri y la distribucin uniforme.

Ej. Realizar una prueba de Kolgomorov-Smirnov, con un nivel de confianza de

90%, al siguiente conjunto ri de 10 nmeros

Para determinar los valores de D+, D- y D es recomendable realizar una tabla

como la siguiente:
i

10

i/n

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

ri
i-1/n

0.03 0.11 0.13 0.21 0.26 0.65 0.69 0.89 0.97 0.98
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

i/n-ri

0.07 0.09 0.17 0.19 0.24 -0.05 0.01 -0.09 -0.07 0.02

ri- (i1)/n

0.03 0.01 -0.07 -0.09 -0.14 0.15 0.09 0.19 0.17 0.08

10

D+

0.24

D-

0.19

0.24

De acuerdo con la tabla de valores para la

prueba de Kolmogorov-Smirnov, el valor crtico
.
correspondiente a n=10 es
=0.368, que resulta mayor al valor
D=.24; por lo tanto, se concluye que los nmeros del conjunto ri, se
distribuyen uniformemente.

Pruebas de aleatoriedad
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 ri y ri-1. La secuencia de unos y ceros se construye de esta manera: se
coloca un cero si el nmero ri es menor que o igual al nmero ri anterior; en
caso de ser mayor que el nmero ri anterior, se pone un uno. Posteriormente
se determina el nmero de corridas observadas, C0 (una corrida se identifica
como la cantidad de unos y ceros consecutivos). Luego se calcula el valor
esperado, la varianza del nmero de corridas y el estadstico Z0, mediante las
ecuaciones:

Si el estadstico Z0 es menor que el valor crtico de Z 00/2, se concluye que los

nmeros del conjunto ri son independientes y se acepta H 0.
Ejemplo
Realizar la prueba de corridas arriba y abajo con un nivel de aceptacin de 95%
al siguiente conjunto de nmeros ri:

Realizaremos la asignacin de unos y ceros por rengln (o fila). Por lo tanto, la

secuencia S es:
S = {1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0,
0, 1, 1, 0, 1, 0, 0, 1, 1, 0}
Obtenindose un valor de C0 = 24, y = 5%. A continuacin se presentan los
clculos correspondientes al valor esperado y a la varianza del nmero de
corridas:

Como el estadstico Z0 es menor que el valor de tabla de la normal estndar

para Z/2 Z5%/2 = 1.96, se acepta H0 y se concluye que los nmeros del
conjunto ri son independientes. Es decir, de acuerdo a esta prueba, los
nmeros son aptos para usarse en simulacin.
Prueba de corridas arriba y abajo de la media
El procedimiento de esta prueba consiste en determinar una secuencia de unos
y ceros, de acuerdo con una comparacin entre los nmeros del conjunto ri y
0.5. Posteriormente se determina el nmero de corridas observadas C0, y los
valores de n0 y n1. C0 es el nmero de corridas en la secuencia, determinado
de la misma manera que en la prueba de corridas arriba y abajo; n0 es igual a
la cantidad de ceros en la secuencia, y n1 es igual a la cantidad de unos en la

secuencia, cumplindose que n0 + n1 = n. Luego se calcula el valor esperado,

la varianza del nmero de corridas y el estadstico Z0 con las siguientes
ecuaciones:

Si el estadstico Z0 est dentro del intervalo: -Z/2 Z0 Z/2 se concluye

que los nmeros del conjunto ri son independientes. De lo contrario se rechaza
que el conjunto de ri es independiente (se rechaza H0).

Pruebas de independencia
Las dos propiedades ms importantes que deben satisfacer los nmeros de un
conjunto ri son uniformidad e independencia. A continuacin hablaremos 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 ri primero es
preciso formular las siguientes hiptesis:

H0: los nmeros del conjunto ri son independientes

H1: los nmeros del conjunto ri no son independientes
Prueba de huecos
Consiste en comparar los nmeros con el propsito de verificar el tamao del
hueco que existe entre ocurrencias sucesivas de un nmero; las hiptesis son
las fundamentales:
H: los nmeros del conjunto ri son independientes.
H1: los nmeros del conjunto ri no son independientes.
PASOS
Definir un intervalo de prueba(,), donde (,) (0,1)
Se construye una secuencia de 1 y 0 de esta manera: se asigna un 1 si el ri
pertenece al intervalo (,), y un 0 si no pertenece.

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

nmeros.
ri =(0.67,0 .62, 0.05,0.49,0.59,0.42,0.64,0.06,0.74,0.67)
S={1,1,0,0,0,0,1,0,0,1}
El tamao del hueco i se define como el nmero de ceros existentes entre unos
consecutivos. En en ejemplo tenemos h=3
A partir del conjunto anterior se determina la frecuencia Oi, contabilizando el
num. de ocurrencias de cada tamao de hueco y su correspondiente frecuencia
esperada Ei, de acuerdo con
Ei = (h)(-)(1-(-))i
Frecuencias observadas y esperadas en la prueba de huecos.

Despus se procede a calcular el error o estadstico de prueba

Ejemplo: Realizar la prueba de huecos a los siguientes 30 nmeros, con un

nivel de confianza de 95% para el intervalo (,) =(0.8,1.0)

Ya que el estadstico de prueba

que el estadstico de tablas

de independencia entre los nmeros.

Prueba Pker

= 2.567522 es menor

, no podemos rechazar la hiptesis

Esta prueba consiste en visualizar el nmero ri con cinco decimales (como si

fuera una mano del juego de pker, con 5 cartas), y clasificarlo como: todos
diferentes (TD), exactamente un par (1P), dos pares (2P), una tercia (T), una
tercia y un par (TP), pker (P) y quintilla (Q).

Ejemplos:
ri = 0.69651 un par (1P)
ri = 0.13031 dos pares (2P)
ri = 0.98898 una tercia y un par (P)

La prueba pker se puede realizar a nmeros ri con tres, cuatro y cinco

decimales. Para ri con tres decimales solo hay tres categoras de clasificacin:
todos diferentes (TD), un par (1P) y una tercia (T). Cuando se consideran ri 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
pker (P).

Prueba pker para nmeros con cinco decimales

La prueba pker requiere el estadstico de la distribucin Chi-cuadrada X2,6

para nmeros con cinco decimales.
El procedimiento de la prueba consiste en:

a) Determinar la categora de cada nmero del conjunto ri.

b) Contabilizar los nmeros ri de la misma categora o clase para obtener la
frecuencia observada (0i).
c) Calcular el estadstico de la prueba X20 con la ecuacin

Donde:
Ei = Frecuencia esperada de nmeros ri en cada categora
m = Cantidad de categoras o clases en las que se clasificaron los nmeros ri
Oi = Frecuencia observada

d) Comparar el estadstico de X20 con X2,m-1

Si X20 es menor que X2,m-1 se acepta H0, o sea, que los nmeros del
conjunto ri son independientes. En caso contrario la independencia de los
nmeros del conjunto ri se rechaza.
Ejemplo:
Realizar la prueba pker, con un nivel de aceptacin de 95%, a los siguientes
30 nmeros entre cero y uno, con cinco decimales.

Primero clasificamos cada nmero del conjunto ri, asignndole las claves que
se mencionaron antes.

Clculos de la prueba pker

El estadstico
es mayor que el estadstico correspondiente de la Chi-cuadrada:
En consecuencia, se rechaza que los nmeros del conjunto ri son
independientes.

2.3 Mtodo Montecarlo

El mtodo de Monte Carlo es un mtodo no determinstico o estadstico
numrico usado para aproximar expresiones matemticas complejas y
costosas de evaluar con exactitud. El mtodo se llam as en referencia
al Casino de Montecarlo (Principado de Mnaco) por ser la capital del
juego de azar, al ser la ruleta un generador simple de nmeros
aleatorios. El nombre y el desarrollo sistemtico de los mtodos de

Monte Carlo datan aproximadamente de 1944

enormemente con el desarrollo de la computadora.

se

mejoraron

El uso de los mtodos de Monte Carlo como herramienta de

investigacin, proviene del trabajo realizado en el desarrollo de la
bomba atmica durante la segunda guerra mundial en los lamos. Este
trabajo conllevaba la simulacin de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones en el material de
fusin, la cual posee un comportamiento eminentemente aleatorio. En la
actualidad es parte fundamental de los algoritmos de trazado de rayos
para la generacin de imgenes sintticas.

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.
El mtodo en si ya era conocido en estadstica, disciplina donde muchos
problemas se resuelven utilizando muestras aleatorias (de hecho, aplicando
este mtodo).
Entonces podemos definir el mtodo MonteCarlo como el mtodo numrico de
simulacin que permite resolver problemas matemticos mediante la
simulacin de variables aleatorias.

Propiedades y caractersticas importantes del M.M.C.

1) Algoritmo de estructura muy sencilla.

Como regla se elabora primero un programa para la realizacin 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 nmero 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 Mtodo
Monte Carlo resulta especialmente eficaz en la solucin de problemas en los
que se necesita conocer los resultados con una exactitud del 5 al 10%
(intervalo de confianza 95%, 97,5%). La exactitud de los resultados se puede
mejorar con tcnicas de reduccin de varianza, sin tener que aumentar el
volumen de trabajo (N).

Un mismo problema puede ser resuelto utilizando distintas variantes del

mtodo, es decir mediante la simulacin de distintas variables aleatorias.

El mtodo es aplicable en situaciones de diversa ndole:

a) Problemas aleatorios diversos, orientados a eventos o no.
Se resuelven creando un modelo probabilstico artificial, que cumpla con las
leyes de probabilidad que se dan en el sistema real.
Ejemplos:

estudio de la demanda de energa elctrica en un cierto perodo:

depende de factores puramente aleatorios, como el clima
juegos de azar
estudio de la cantidad de barcos llegados a un puerto por da

b) Problemas matemticos determinsticos.

Cuando los problemas determinsticos son imposibles de resolver
analticamente o muy complicados se puede llegar a una solucin aproximada
mediante el uso de un modelo artificial cuyas funciones de distribucin y
densidad satisfagan las relaciones funcionales del problema determinstico.
Ejemplos:
clculo de integrales mltiples
ecuaciones diferenciales de orden mayor que dos.
Por ello se puede hablar del MMC como un mtodo universal de resolucin de
problemas matemticos.

Utilicemos el mtodo para calcular el rea de un cuadrado de lado <1.

Planteamos un experimento aleatorio tal que colocamos una tabla como en la
figura:

y hacemos que alguien con los ojos vendados tire dardos a la tabla.
Los dardos van a perforar la tabla en N puntos aleatorios. Cmo podemos
estimar el rea del cuadrado S a partir de esos puntos?

Nos fijamos cuntos puntos estn dentro de S (sean N'); supongamos que
N'=5, siendo N=40. Entonces la estimacin del rea de S est dada por
N'/N=5/40=1/8=0,125, siendo el valor exacto en este dibujo 0,3*0,3=0,09.

Ntese que el rea buscada cumple la relacin N'/N (independiente de la forma

del rea incgnita) y que cuanto mayor sea N ms nos vamos a acercar a la
relacin S/1.
Para que este mtodo de calcular el rea tenga validez, los puntos aleatorios
deben estar distribuidos en forma uniforme en la superficie total, y deben ser
obtenidos en forma independiente.

Clculo de
Veremos, a modo de ejemplo, como calcular una aproximacin del valor ,
mediante el mtodo MonteCarlo (este problema tiene soluciones eficientes en
forma analtica o numrica).

1) Tomamos un crculo de radio 1 centrado en el origen, sabemos que el rea

del cuarto de crculo inscrito en el ortante positivo es /4.
2) Sorteamos puntos en el ortante positivo de lado 1 y lo hacemos obteniendo
dos valores, uno para x (abscisa) y otro para y (ordenada) cada vez,
obteniendo un punto (x,y).
3) Contamos cuantos puntos de los sorteados caen dentro del rea del cuarto
de crculo (In) y cuntos fuera (Out), sabiendo que si x2+y2>1 el punto est
fuera, y si no dentro.
4) El valor estimado del rea que queremos hallar es In/(In+Out), y ese valor
ser aproximadamente el de /4, por lo que p ser aproximadamente igual a
4* In/(In+Out) (en este caso, N=In+Out).

Esta forma de calcular es relativamente lenta y poco precisa, pero muestra la

forma de utilizar MonteCarlo, que en el caso de otras constantes es el nico
mtodo disponible.

Justificacin terica

Sea X una v.a. con esperanza E(X) = m y varianza Var(X) = s. Tomo una
sucesin de n v.a. Xi independientes y con igual distribucin , siendo E(Xi) = m
y Var(Xi) = s.
Por el teorema Central del Lmite la v.a. Z = X1 + X2 + X3 + .... + Xn se
aproxima (y es asintticamente igual) a una v.a. con distribucin normal N(nm,
ns).

Aplicando la "regla de las 3s", tenemos que para una v.a. Y de distribucin N(a,
s):

siendo fY(t) la funcin de densidad de la v.a. Y, por lo que

Aplicando esto a la V.A. Z tenemos

Lo que significa que podemos estimar m , es decir la esperanza o valor medio

de la v.a. X, calculando el promedio de las distintas muestras obtenidas:

,
sabiendo que con probabilidad muy cercana a 1, el error de este promedio est
acotado por la cifra 3s/ N. Esto sugiere que para que el mtodo tenga un
buen resultado N debe ser grande y s pequea, por lo que es importante saber
cual es el valor de la varianza obtenida, con ello sabemos cul es la dispersin
de las muestras obtenidas.
La varianza s2 se estima con el siguiente clculo:

Se debe tener especial cuidado en que todas las N corridas sean

independientes entre s, para asegurar que los valores Xi son muestras de v.a.

independientes y que por lo tanto estamos dentro de las hiptesis del teorema
central del lmite.