UNIVERSIDAD PERUANA DE CIENCIAS E

INFORMÁTICA
FACULTAD DE INGENIERÍA DE SISTEMAS

ALUMNAS: GABRIELA J. CUBILLAS CARDENAS

LOURDES J. JOAQUIN PEREZ
MARGARITA VELARDE GARCIA

CURSO: MODELO DE SIMULACION

PROFESOR: CANCHO RODRIGUEZ E. DAVID

2019
 Introducción

La aplicación de los números aleatorios se remonta a los tiempos de la primera

revolución industrial, cuando los procesos manuales tuvieron que reemplazarse por
procesos mecanizados como consecuencia de la explosión demográfica que se
estaba presentando en los países desarrollados con la disminución de las tasas de
mortalidad y el aumento de las tasas de natalidad y que, para satisfacer las
necesidades de la población cada vez más creciente hubo necesidad de
incrementar la producción de toda clase de bienes y servicios.

Los números aleatorios son un ingrediente básico para simular casi cualquier
sistema discreto. La gran mayoría de programas contienen una subrutina de
generación que facilita su utilización, si se trata de un lenguaje de programación, es
necesario generar un numero aleatorio y de estos partir para la generación de
variables aleatorios.

Los sistemas reales frecuentemente tienen valores de tiempo y cantidades que

varían dentro de un rango y de acuerdo a una función específica de densidad,
definida por una distribución de probabilidad. Por ejemplo, si el tiempo que se tarda
una máquina en procesar una pieza se distribuye entre 2.2 minutos y 4.5 minutos,
esto se definirá como una distribución de probabilidad en el modelo de simulación.
Durante la simulación, cada vez que una pieza entre a esta máquina y sea
procesada, el simulador generará un número al azar entre 2.2 y 4.5 minutos para
simular el tiempo de procesamiento de esa pieza. Cada vez que generamos un valor
a partir de una distribución, a ese valor se le llama variable aleatoria. Para generar
variables aleatorias, es necesario utilizar números aleatorios.

A continuación se explican las técnicas básicas para la generación de números

aleatorios y posteriormente técnicas para la generación de variables aleatorias a
partir de estos números.
GENERACIÓN DE NUMEROS ALEATORIOS
1. Números aleatorios: definición, propiedades
1.1 Definición:
Un número aleatorio es aquél que es generado a partir de la distribución Uniforme
U (0,1).Los números aleatorios son aquellos que pueden ser generados a partir de
fuentes de aleatoriedad, las cuales, generalmente, son de naturaleza física (dados,
ruletas, mecanismos electrónicos o mecánicos), y son gobernados por las leyes del
azar; éstos exhiben verdadera aleatoriedad en la realización de experimentos. Por
su parte, los números pseudo-aleatorios son aquellas que tienen un
comportamiento similar a la naturaleza aleatoria, pero están ceñidos a un patrón,
generalmente de naturaleza matemática, que hace que su comportamiento sea
determinado.

1.2 Propiedades y generadores de número

aleatorios:
Su generación se basa en el uso de mecanismos físicos. Entre las distintas
propuestas se incluyen el recuento de partículas emitidas por una explosión, el
lanzamiento de monedas, aparatos mecánicos basadas en ruedas de la fortuna, etc.

Tienen el inconveniente de ser generados lentamente. Además, los números

aleatorios no pueden almacenarse de forma automática. Por tanto, se deben buscar
procedimientos algorítmicos computacionales que generen números aleatorios de
forma muy rápida y los puedan almacenar sin utilizar mucha capacidad de memoria.

Una de las características más poderosas de la simulación es la habilidad de imitar

el comportamiento aleatorio que es característico de la mayoría de los sistemas
reales. Para poder imitar este comportamiento aleatorio la simulación necesita
utilizar un generador de números aleatorios, el cual es responsable de producir un
ciclo grandísimo e independiente de números aleatorios.
Hay que aclarar que los números U (0,1) producidos por un generador de números
aleatorios (algoritmo computacional) no son aleatorios en el verdadero sentido de la
palabra, ya que el generador puede reproducir la misma secuencia de números una
y otra vez, lo cual no indica un comportamiento aleatorio. Por esta razón, a los
números U (0,1) producidos por un generador (algoritmo) se les llama pseudo-
aleatorios.

Tablas:
Propiedades de los números aleatorios:
Las propiedades de los números aleatorios, son las que se muestran a continuación:

· Los números deben estar uniformemente distribuidos U:[0, 1], es decir, los
números aleatorios pueden estar entre 0 y 1, y en algún momento serán 0 o 1.
· La media establecida por los números aleatorios debe ser de 0.5. μ= 0.5.
· La probabilidad de salir un número de forma aleatoria es: 0≤X≤1, debe estar entre
0 y 1.
· La desviación estándar de los números aleatorios debe ser de aproximadamente
0.29, es decir, σ=0.29.
· Son estadísticamente independientes.
· Sin repetición dentro de una longitud determinada de la sucesión.
· Los números aleatorios debe ser reproducibles, es decir, la misma semilla
utilizada para generar los números aleatorios debe dar la misma sucesión.
· Prueba de poker utilizado como método de independencia estadística en números
aleatorios.
· La varianza de los números aleatorios debe ser de 1/12.
· Es impredecible conocer qué valor va a tener cada número aleatorio y cuál va a
ser su secuencia.

2. Pruebas estadísticas para los números

aleatorios:
Puesto que en el muestreo Monte Carlo cualquier variable aleatoria no uniforme (normal,
exponencial, Poisson, etc.), es obtenida a partir de números aleatorios uniformes (0,1), el
principal énfasis en las pruebas estadísticas deberán ser con respecto al generador de los
números aleatorios, ya que cualquier deficiencia estadística en la distribución de la variable
aleatoria no uniforme, se deberá exclusivamente a la utilización de un deficiente generador
de números aleatorios. Por ello se aplicarán algunas de las muchas pruebas estadísticas
que han sido desarrolladas para probar la uniformidad y aleatoriedad o independencia de
los mismos, lo cual significa que la ocurrencia de un número aleatorio no determina la
ocurrencia del siguiente y así sucesivamente.
2.1 PUEBAS DE UNIFORMIDAD:
Una de las pruebas de datos más importantes que debe cumplir un conjunto de
números ri es de uniformidad. Para comprobar su acatamiento se han desarrollados
pruebas estadísticas tale como las pruebas Chi-cuadradas y de Kolmogorov – Smirnov.
En cualquiera de ambos casos, para probar la uniformidad de los números de un
conjunto ri es necesario formular las siguientes hipótesis:

H0: ri ≈ U(0,1) Los números son uniformes.

H1: ri no son uniformes.

2.1.1 Prueba Chi-cuadrada.

La prueba Chi-cuadrada busca determinar si los números 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 su
intervalos, en donde es recomendable m=√ . Posteriormente se clasifica cada
número pseudo aleatorio del conjunto ri en los m intervalos. A la cantidad de
números ri que clasifican en cada intervalo se le denomina frecuencia observada
(Oi), y la cantidad de números ri que se espera encontrar en cada intervalo se le
llama frecuencia esperada (Ei); teóricamente la ri es igual a n/m. A partir de los
valores Oi y Ei se determina el estadístico.

Si el valor del estadístico es menor que el valor de , entonces no se puede rechazar

que el conjunto de datos ri sigue una distribución uniforme. En caso contrario, se
rechaza que ri sigue una distribución uniforme.

Ejemplo: Obtendremos un conjunto de 50 números aleatorios usando la función

Aleatorio() de Microsoft Excel. Como se indica: =ALEATORIO.ENTRE(0,9)
Vamos a probar el contraste de hipótesis siguiente:

H0: Los ri son uniformes o aleatorios U(0,9)

Ha: Los ri no son uniformes U(0,9)

Con un α=0.05

Para realizar la prueba chi-cuadrada para analizar si es una distribución uniforme

discreta Construimos la siguiente tabla.

Este valor lo compararemos con el valor teórico

para Podemos ver que el valor por

tanto no se rechaza la hipótesis que los datos se distribuyen uniformemente.
 2.1.2 Prueba Kolmogorov - Smirnov.

La prueba de Kolmogorov-Smirnov para una muestra es un procedimiento de

"bondad de ajuste", que permite medir el grado de concordancia existente
entre la distribución de un conjunto de datos y una distribución teórica
específica. Su objetivo es señalar si los datos provienen de una población que
tiene la distribución teórica especificada, es decir, contrasta si las
observaciones podrían razonablemente proceder de la distribución
especificada.
Ejemplo.
Muchas pruebas paramétricas requieren que las variables se distribuyan de
forma normal. La prueba de Kolmogorov-Smirnov para una muestra se puede
utilizar para comprobar si una variable (por ejemplo notas) se distribuye
normalmente. Estadísticos. Media, desviación típica, mínimo, máximo,
número de casos no perdidos y cuartiles.
- Seleccionar
-Analizar
- Pruebas no paramétricas
-K-S de 1 muestra

ENTONCES PODEMOS DECIR

F(X) es la función de distribución que hipotetizamos.
Fs(X) es la probabilidad o proporción teórica de valores que deben ser iguales
o menores que x suponiendo cierta la hipótesis planteada.

S(X) es la función de distribución obtenida en la muestra. En resumen

tendremos:
Hipótesis: H0: F (X) = Fs (X) H1: F (X) ≠ Fs (X)
Muestra: n observaciones independientes.
Estadístico de contraste: │Dn│ = máxima │Fs (X) – S (X) │
FUNCIONES
- Compara las funciones de distribución empírica de la muestra y la que se desea contrastar
- Es aplicable a distribuciones continuas.
- Para distribuciones discretas, los valores críticos no están tabulados.
- Para distribuciones continuas, los valores críticos están tabulados
- Las distribuciones con parámetros son especificados y algunas distribuciones con
parámetros no especificados (normal, Weibull, gamma, exponencial).

Estadístico de Kolmogorov-Smirnov

D = Max 1≤j≤n j n − F(y(j)), F(y(j)) − j − 1 n ← Estadístico de K-

S
- Elegir un grado de significación (nivel de rechazo)
- Tomar la muestra y ordenar los datos observados.
- Calcular el estadístico D en los datos observados.
- Valor observado: D = d.
- Calcular el valor p = PF (D ≥ d).
- valor p < α: se rechaza H0.
- valor p > α: no se rechaza H0.
- ¿Cómo calcular el valor p? I
- ¿Cuál es la distribución del estadístico D?
 El contraste de Kolmogorov-Smirnov, sigue una idea similar al anterior, pero en vez de
comparar las probabilidades de diversos sucesos, compara los valores de las funciones de
distribución, tanto en la muestra, como la que teóricamente se derivaría de la población que
se ha explicitado en la hipótesis nula. El estadístico de Kolmogorov-Smirnov consiste en la
máxima distancia observada entre ambas funciones de distribución: donde Fn(x) denota la
función de distribución muestral, y hay que comparar su valor con unas tablas específicas de
este estadístico, pues no sigue ninguna distribución conocida. Para tamaños muéstrales, n,
superiores a 100, el valor crítico puede obtenerse mediante: , &ln ("/ 2)/ 2n siendo 1-α el nivel
de confianza. Lógicamente, se rechaza la hipótesis nula si el estadístico toma un valor superior
al de las tablas. Bajo H0, la muestra fue extraída de la población considerada en dicha hipótesis
nula, por lo que las funciones de distribución muestral y teórica serían tan similares que, incluso
tomando su máxima distancia, ésta sería suficientemente reducida. Cuando el valor numérico
del estadístico excede del valor crítico de las tablas, se considera que no es suficientemente
reducido, constituyendo evidencia en el sentido de que las funciones de distribución difieren
una de otra y, por ello, la hipótesis nula debe rechazarse. La distribución del estadístico de
Kolmogorov-Smirnov es independiente del tipo de distribución de la que fue extraída la
muestra, lo cual es interesante, pues nos permite utilizar una única tabla de valores críticos
para este estadístico; de lo contrario, deberíamos tener una tabla para cada tipo de distribución
de probabilidad F incluida en H0.

3- Prueba de Medias
• Una de las propiedades que debe cumplir los números si es que el valor
esperado sea igual a 0.5.

• Planteando la siguiente hipótesis :

1. La hipótesis nula os dice que el promedio que obtenemos en la nuestra debe

ser igual al promedio de la población.

2. La hipótesis alternativa es excluyente, por tanto, el promedio de la nuestra

será diferente al promedio de la población.
La prueba de media consiste en determinar el promedio de N números que
contiene el conjunto RI, mediante la ecuación siguiente:

Posteriormente se calcula los límites de aceptación inferior y superior con las

siguientes ecuaciones:

Si el valor de media R se encuentra entre los límites de aceptación concluimos que

no se puede rechazar que el conjunta RI tiene un valor esperado de 0.5 con un nivel
de aceptación 1-a, caso contrario se rechaza el conjunto.

Para el cálculo de los límites de aceptación se utiliza el estativo Zα/2, el cual se

determina por medio de la tabla de distribución normal estándar.

CONCLUSION
Los números aleatorios siempre se utilizan todo el tiempo, sin embargo los casos en lo que
más se adecuan es para realizar cálculos de integrales, cálculos de varianza, o el cálculo
de la moda, cálculo de errores.
En estos casos se utilizan promedio y se grafican en un plano cartesiano, para
posteriormente trazar la recta que permita identificar cuáles son los puntos más cercano y
de esta forma tener un rango e imagen de error mínimo sobre el cálculo que se está
realizando a una variable.
Los números aleatorios siempre están siendo utilizados en las aplicaciones web con las que
se interactúan todos los días, una forma de señalizar los números aleatorios puede ser
utilizando java script con el método random.
Los números aleatorios generados con java script pueden ser utilizados para infinidad de
cosas en una página web. Mostrar un banner aleatorio, una cabecera distinta, una frase,
generar un código de seguridad. Etc.
Los números aleatorios se pueden sacar en pruebas basadas en estadísticas de acuerdo
al método que se esté usando.
Los números aleatorios pueden simular el comportamiento, como el lanzar un dado. Los
números aleatorios brindan ese comportamiento imprescindible, y le dan vida a un modelo
de simulación para que, por medio del modelo, se pueda experimentar, comprender,
interactuar con una abstracción de sistema real.