Generación de Números Pseudo-Aleatorios

Transcripción

1 Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia de números aleatorios debe tener dos propiedades importantes: -Uniformidad -Independencia Cada número aleatorio es una muestra independiente tomada de una distribución continua uniforme entre 0 y 1 Su valor esperado es 1/2 y su varianza 1/12

2 Generación de Números Pseudo-Aleatorios Es el uso de un método para la generación de números aleatorios. Si el método es conocido, una secuencia de números puede ser regenerada. Por eso es que se dice que no son completamente aleatorios. La meta de cualquier método es el producir una secuencia de números entre cero y uno que simule o imite las propiedades ideales de una distribución uniforme e independiente, tan cerca como sea posible.

3 Posibles Errores en la Generación de Números Pesudo-Aleatorios Los números generados pueden no estar uniformemente distribuidos Los números generados pueden estar valores discretos en lugar de valores continuos La media puede ser muy alta o muy baja La varianza puede ser muy alta o muy baja Pueden tener variaciones cíclicas como: Autocorrelación entre números, números sucesivamente mas altos o bajos que sus adyacentes Un grupo grande de números por debajo de la media seguidos de otro grupo grande de números por arriba de la media

4 Detección de Errores en la Generación de Números Pseudo-Aleatorios Existen pruebas para determinar si los números generados no cumplen con las propiedades de uniformidad e independencia. En la mayoría de los lenguajes de simulación comerciales, los generadores de números aleatorios contenidos en ellos han sido apropiadamente probados.

5 Tipos de Pruebas Prueba de Frecuencias: Se usa la prueba de Kolmogorov-Smirnov o la de Chi-cuadrada para comparar la distribución de los números generados con una distribución normal. Prueba de Corridas: Probar las corridas hacia arriba o hacia abajo o por arriba o debajo de la media comparando los valores actuales con los valores esperados. Prueba de Autocorrelación: Prueba la autocorrelación entre números y compara la correlación de la muestra con una correlación esperada de cero.

6 Tipos de Pruebas (Cont.) Prueba por bandas: Cuenta el número de dígitos que aparecen entre repeticiones de un dígito en particular y usa la prueba de Kolmogorov-Smirnov para compararla con el tamaño esperado de las bandas. Prueba del Poker: Trata a los números agrupados como una mano de Poker. Entonces la manos obtenidas son comparadas con lo que es esperado usando la prueba de Chi-cuadrada.

7 Generación de Variables Aleatorias Las líneas de espera y otros sistemas nos muestran la utilidad de las distribuciones de probabilidad para modelar actividades que generalmente son impredecibles o inciertas como los tiempos de arribo y servicio en las líneas de espera o la demanda de algún producto. Estas actividades pueden ser modeladas como variables aleatorias con alguna distribución estadística específica. Existen procedimientos estadísticos estándares para la determinación de los parámetros de la distribución hipotética y para probar la validez del modelo estadístico asumido.

8 Métodos para Generación de Variables Aleatorias

9 Técnica de la Transformada Inversa Puede ser usada para muestrear distribuciones exponencial, uniforme, Weibull y triangular. Es usada como base para muestrear una gran variedad de distribuciones discretas. Es la técnica mas facil, pero no siempre es la mas eficiente en términos computacionales.

10 Transformación Directa de la Distribución Normal Técnica intuitiva de transformación directaque produce un par de variables normales estandar independientes una de otra con media cero y varianza uno. No es tan eficiente pero es fácil de implementar en leguajes como C, Pascal o FORTRAN.

11 Método de Convolución La distribución de probabilidad de la suma de dos o mas variables aleatorias independientes es llamada la convolución de las distribuciones de las variables originales. El método de convolución es entonces la suma de dos o mas variables aleatorias para obtener una nueva variable aleatoria con la distribución de probabilidad deseada. Puede ser usada para obtener variables con distribuciones Erlang y binomiales.

12 Técnica de Aceptación-Rechazo Se generan variables aleatorias con alguna distribución y son aceptadas si cumplen con una condición determinada, sino son rechazadas. La eficiencia de esta técnica depende grandemente en ser capaz de minimizar el número de rechazos. La número medio de dígitos aleatorios requerido para generar una variable X es uno mas que el número de rechazos.