Unidad 2

Nmeros y Muestras

Autor de la Presentacin: Rolando Simon Titiosky

Bibliografa:
Ing Luis Zuloaga Rotta. Investigacin de Operaciones, 2005. UNI FIIS, Peru.
Guido J. Pace (UNNE FCENA). Modelos y simulacin, 1993.
 Nmeros ALEATORIOS Y
PSEUDOALEATORIOS
Sucesiones de dgitos equiprobables,
entre 0 y 9, ubicados aleatoreamente en
toda su extensin.
Una Variable aleatoria es una funcin de valor
real, definida sobre un espacio muestral de
naturaleza azarosa.
El valor numrico resultante de un
experimento, de una variable aleatoria, se
llama nmero aleatorio.
 Mtodos De Generacin
Mtodos manuales: Generacin de nmeros con artificio
manuales: bolillas, patentes de los autos, gua telefnica
Ventajas: Son aleatorios y son Simples,
Desventajas: No reproducibles y Lentos
Tablas de biblioteca: La mas importante: A milln randon
digist editorial RAND, configurada con las radiaciones
termoinicas de un tubo de rayos catdicos.
Ventaja:
Provienen de un fenmeno aleatorio
son reproducibles.
Se las puede estudiar y analizar rigurosamente antes de ser utilizada.
Desventaja:
No se obtiene en tiempo real.
Necesidades de memoria.
 Mtodos De Generacin
Mtodos De Computacin Analgica: Generados con
procesos fsicos aleatorios (Ej: una corriente elctrica).
Ventaja: Aleatorios.
Desventaja: No reproducible.
Mtodos De Computacin Digital: Con computadoras:
Provisin Externa: Se graba en memoria las tablas Randa.
Procesos Fsicos Aleatorios: Usar algn dato interno de la
computadora (temperatura, segundos, ciclos, cantidad de memoria
asignada, etc).
Relacin de recurrencia: Generar nmeros pseudoaleatorios por
medio de ecuaciones de recurrencia en las que necesariamente se
tiene que dar un valor inicial o semilla para obtener los siguientes
valores.
Ventaja:
Son reproducibles.
No afectan en demasa al procesador ni sobrecargan la memoria.
Existe la posibilidad de su absoluta reproduccin
Desventaja:
Son pseudoaleatorios.
Hay que probar la Calidad Aleatoria del mtodo.
Propiedades de los Nmeros aleatorios
Uniformemente distribuido (sin recurrencia):
Es recurrente cuando uno o varios elementos
se repiten con mayor frecuencia terica, =>
disminucin de frecuencia de los dems
nmeros.
Estudiar la recurrencia de : 2, 6, 6, 8, 7, 6, 6,
6, 4, 7, 2, 6, 5, 6, 2,6,6,7, 6, 5, 4, 3, 3, 6, 6, 6,
2, 9,4,8,6,4,6, 9,6,3,7,6,9,6, 0.
Hay 40 Nmeros, por lo tanto la frecuencia
terica de cada uno de los dgitos (del 0 al 9)
deber ser 4.
De una tabla de frecuencias se obtiene que el
digito 6->F(6)=18 veces.
Propiedades de los Nmeros aleatorios
Estadsticamente independientes (sin
periodicidad):
Tiene periodicidad cuando varios elementos,
repetidos o no, formando una cadena,
aparecen en la misma secuencia.
Estudiar periodicidad de:
1,0,2,2,6,8,2,3,3,0,1,0,2,2,6,8,4,1,7,0,2,2,6,8,
7,6,5,3,3,5,1,0,2,2,6,8.....
Secuencia peridica 02268. . de Frecuencia 4
1,0,2,4,6,8,2,3,3,0,1,0,2,4,6,8,4,1,7,0,2,4,6,8,
7,6,5,3,3,5,1,0,2,4,6,8.....
Secuencia peridica 02468. de Frecuencia 4
Propiedades de los Nmeros Pseudoaleatorios
Reproducibles: Cuando el Mtodo comienza con la
misma Semilla, DEBE dar la misma secuencia de
nmeros Pseudoaleatoreos.
Rpidos, velocidad de generacin acorde a las
necesidades.
Mnimos de memoria.

Conclusiones:
Hay que verificar la calidad estadsticas de las series.
Comprobarlas en tiempo de Ejecucin es una perdida de
tiempo, entonces se prueba la calidad estadstica del
Mtodo.
Por la cantidad de nmeros que se necesitan y por la
velocidad de su ocurrencia, es imprescindible
generarlos en la medida que se lo necesiten.
 Mtodo De Los Cuadrados Centrales
Mtodo De VON NEUMANN
El 1er mtodo para computadores.
Tomar un numero cualquiera de 4 dgitos y asignarlo como semilla (1er elemento de
la serie), luego se lo debe elevar al 2 y obtener un numero de 8 cifras (si la cantidad
de cifras es < 8, se lo debe completar con 0 a la izquierda).
Posteriormente se deben desechar los 2 primeros y los 2 ltimos dgitos: Tomar
solamente los dgitos centrales y asignarlo como el siguiente elemento de la
sucesin.
Basta solo con repetir el procedimiento para obtener la cantidad de nmeros
aleatorios necesarios.

Semilla: X0=5166.
X0=5166; X02 =26687556
X1=6875; X12 =47265625
X2=2656; X22 =07054336
X3=0543; X32 =00294849

Hallar hasta X7, realizar un anlisis de Periodicidad y Recurrencia

 Von Neuman. Ejemplo
Semilla: X0=5166.
X0= 5166; X02 =26687556
X1= 6875; X12 =47265625
X2= 2656; X22 =07054336
X3= 0543; X32 =00294849
X4= 2948; X42 =08690704
X5= 6907; X52 =47706649
X6= 7066; X62 =49928356
X7= 9283; X72 =86174089
Serie: 5,1,6,6,6,8,7,5,2,6,5,6,0,5,4,3,2,9,4,8,6,9,0,7,7,0,6,6,9,2,8,3
Largo: 32 Nmeros. Frecuencia Terica=32/10= 3,2
Periodicidad
El 66 aparece 2 veces
El 69 aparece 2 veces

Recurrencia
El 6 aparece 8 veces Cuando la semilla es un nmero Primo, Impar y
El 1 aparece 1 vez Fraccionario se obtiene mejores Series.
 Mtodo De Fibonacci
Tiene 3 parmetros de tres a siete dgitos c/u y primos
Los dos 1eros se asignarn como 1er (V1) y 2do
elemento (V2) de la serie,
Un parmetro de control (A > MAX(V1, V2)) .

El 3er elemento y los siguientes se obtendrn con el modelo

de generacin :
Vn+1 = Vn + Vn-1 + k.A
Donde: K = 0 si Vn + Vn-1 A
-1 en otro caso

Notar que es como el Mtodo de Congruencias donde K=1 y

m=A
 Ejemplo Fibbonaci
Vn+1 = Vn + Vn-1 + k.A / A > [V1, V2]

Mtodo Fibonnaci
V1 30524 V2 17175
A 35818 K=(Vn + Vn-1 A)? 0:-1
N Vn Vn-1 Vn-1+Vn-1 K Vn+1
2 17175 30524 47699 -35818 11881
3 11881 17175 29056 0 29056
4 29056 11881 40937 -35818 5119
5 5119 29056 34175 0 34175
6 34175 5119 39294 -35818 3476
7 3476 34175 37651 -35818 1833
8 1833 3476 5309 0 5309
 Prueba Estadstica de CHI cuadrado: X2
Verifica la calidad estadstica de los
nmeros/mtodos que se utilizarn.
Prueba de frecuencias para verificar si hay
recurrencia.
Cuanto ms se aproxima a cero el valor de chi-
cuadrado, ms ajustadas estn ambas
distribuciones. k
( f np ) 2
X2
i i
n: pruebas independientes: cantidad de
Nmeros/dgitos generados
fi: Frecuencia de un determinado suceso. La i 1 npi
frecuencia de uno de los dgitos generados en toda la
serie.
La Frecuencia terica del suceso es n*pi.
Si X2<XE Entonces la serie es Equiprobable.

Debemos encontrar un XE en la tabla X2

que nos asegure la EquiProbabilidad de
nuestra Serie.
E (nivel de significacin) tpico:0,1
XE=14,684
 Ejemplo 1 CHI cuadrado: X2
Ejemplo: someter a un test de X2 la siguiente
serie:8,1,4,7,0,3,6,9,2,5,8,1,4,7,0,3,6,9,2,5,8,
1,4,7,0,3,6,9,2,5,8,1,4,7,0,3,6,9,2,5,8.

Dgito Fi n*Pi Fi-nPi (Fi-nPi)2 (Fi-nPi)2/nPi

0 4 4,1 -0,1 0,01 0,00244
k
( fi npi ) 2
X
1 4 4,1 -0,1 0,01 0,00244
2 2 4 4,1 -0,1 0,01 0,00244
3 4 4,1 -0,1 0,01 0,00244
i 1 npi 4
5
4
4
4,1 -0,1
4,1 -0,1
0,01
0,01
0,00244
0,00244
6 4 4,1 -0,1 0,01 0,00244
7 4 4,1 -0,1 0,01 0,00244
N=41, K=10 8 5 4,1 0,9 0,81 0,19756
n*Pi=4,1 9 4 4,1 -0,1 0,01 0,00244
41 Suma 0,21951
E=0,1
XE=14,684

0,21951<<14, 684
Los Nmeros SON Equiproblables
 Ejemplo 2 CHI cuadrado: X2
Someter a un test de X2 la siguiente serie:8, 1, 2, 9, 8, 1, 2, 9,
8, 1, 2, 9, 8, 1, 2, 9, 8, 1, 2, 9, 8, 1, 2, 9, 8, 1, 2, 9, 8, 1, 2, 9,
8, 1, 2, 9, 8, 1, 2, 9, 8

k
( f np ) 2
X2
i i Dgito Fi n*Pi Fi-nPi (Fi-nPi)2 (Fi-nPi)2/nPi
0 0 4,1 -4,1 16,81 4,10000
1 10 4,1 5,9 34,81 8,49024
i 1 npi 2 10 4,1 5,9 34,81 8,49024
3 0 4,1 -4,1 16,81 4,10000
N=41, K=10 4 0 4,1 -4,1 16,81 4,10000
5 0 4,1 -4,1 16,81 4,10000
n*Pi=4,1 6 0 4,1 -4,1 16,81 4,10000
7 0 4,1 -4,1 16,81 4,10000
E=0,1 8 11 4,1 6,9 47,61 11,61220
XE=14,684 9 10 4,1 5,9 34,81 8,49024
41 Suma 61,68293

61,68>>14, 684
Los Nmeros NO SON Equiproblables
 Muestras Artificiales

Autor de la Presentacin: Rolando Simon Titiosky

Bibliografa: Construido en base a extractos de:
Extracto de: Guido J. Pace (UNNE FCENA). Modelos y simulacin,1993.
Ing Luis Zuloaga Rotta. Investigacin de Operaciones, 2005. UNI FIIS, Peru.
Wikipedia.org
 Muestras Artificiales
Los nmeros aleatorios por si solos no son directamente
utilizables, a menos que posean la distribucin real
Es necesario construir sucesiones numricas a partir del
conocimiento estadsticos de la variable en cuestin.
Los mtodos pueden ser definidos como:.
General: Tcnica para modelar cualquier distribucin de
probabilidades.
Para Variables Continuas y/o Discretas: Nmeros ndices
Especial: Las muestras artificiales deben ajustarse a una
determinada distribucin, conocida y formalizada. Presentamos
algunos casos, pero en la vida prctica, puede ser necesario la
investigacin de otras distribuciones especiales.
Para Variables Continuas: Distribucin Uniforme y Distribucin
Normal
Para Variables Discretas: Distribucin Bernoulli y Distribucin
Binomial
 Nmeros ndices
Mtodo especial cuando el fenmeno no se ajusta a distribucin alguna y posee una
variable Discreta (Se puede discretizar variables continuas) o Continuas.
f(x): funcin de densidad de probabilidades, es la derivada de F(x).
F(X): funcin de distribucin de probabilidades de X.

Creacin de la Tabla de los Nmeros ndices

1.Hay que definir las Marcas o tems discretos de la tabla
2.Definir las f(x) para c/Marca:
a.Si el evento x ocurre n veces y se han realizado z experimentos
b.La f(x)=(n/z)
3.Calcular la F(x) para c/ Marca como Sumatoria de las f(x) antecesoras
Marca A B C D E

El Mtodo Opera as: Obtener TABLA con Marcas f(x) 0,08 0,17 0,26 0,35 0,14
F(X) 0,08 0,25 0,51 0,86 1,00
1. Obtener Dgitos Aleatorios. Ej: 5 y 3= 53
N.I Inf 0 8 25 51 86
2. Verificar a que marca corresponde 53 D
N.I Sup 7 24 50 85 99
3. Prximo elemento de la Muestra : D.
4. SI NO FIN ir paso 1
 Distribuciones Uniforme:
Metodo Especial: Variable Continua
til donde todos los sucesos Ai tiene la misma probabilidad de ocurrencia entre
los lmites (a,b) de la serie: X=a+(b-a)*u
u: elemento de la sucesin aleatoria en 0 u 1
a: Origen del intervalo.
b: Final del intervalo.
x: elemento de la muestra.

Si desconoce los valores a y b, pero se sabe E(X) y V(X) (media y varianza),

entonces se puede hacer:
b 2 * E ( x) a
a E( X ) 3 *V ( x)
Ejemplo de Distribucin Uniforme
 Distribucin de Bernoulli
Metodo Especial: Variable Discreta
Aplica a variables aleatorias que pueden tener solo 2
valores.
Ejemplos: 0 y 1; Si/No; Alto/Bajo; Llueve o no llueve.

Sean Y1,Y2,... Yn elementos de una Muestra Artificial con

distribucin uniforme en el intervalo (0,1),

Los elementos Xk de una Muestra Artificil con

distribucin de Bernoulli de parmetro p, se define
como:
si Yk p Xk = 1
si Yk > p Xk = 0
 Ejemplo de Bernoulli
Aleatorio. Uk Muestra Xk
Parmetros de la
0,29 1
Distribucin: p=75%
0,35 1
p=0,75
q=0,25 0,93 0
0,50 1
Muestra:
0,47 1
si Yk p Xk = 1
0,40 1
si Yk > p Xk = 0
0,54 1
0,83 0
0,27 1
0,18 1
 Distribucin Binomial
Es una serie de n pruebas repetidas e independientes de Bernoulli con
parmetro p.

Parmetros
N= serie de pruebas repetidas e independientes de Bernoulli
P= Parametro de Bernoulli ( q = 1 p )
E(x) = n * p
v(x) = 2 = n * p * q

Sean y1, y2, ... yn una muestra artificial de Beroulli de parmetro E(x) = p
n
Xk = yj
j=1
Cada Xk corresponde a un elemento de la muestra artificial Binomial con
Distribucin con parmetros n, p.
La variable Xk puede tomar valores entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos
Un valor x, (0< x < n) implica que han tenido xito x experimentos de Bernoulli.
Distribucin Binomial. Ejemplo