INSTITUTO TECNOLÓGICO DE CAMPECHE

DEPARTAMENTO DE INGENIERIA INDUSTRIAL

Carrera:
INGENIERÍA INDUSTRIAL

Semestre: Enero-Junio/ 2019 Grupo: VI6

Asignatura: SIMULACIÓN Clave: inc-1027

UNIDAD 3
Ensayo

Alumno:
Martin Irak Vargas Palma Matricula: 15470256

MAESTRO: ING. CARLOS MARIO CABAÑAS RIVERA

San francisco de Campeche 2019

 Índice

Introducción……………………………………………………………………….
números pseudoaleatorios ……………………………………………………...
métodos de cuadrados medios………………………………………………….
método congruencial multiplicativo……………………………………………...
generación de variables aleatorias………………………………………………
método de la inversa………………………………………………………………
método del rechazo……………………………………………………………....
método de composición…………………………………………………………
método de convolución………………………………………………………….
conclusiones……………………………………………………………………….
 INTRODUCCIÓN

En esta investigación se hablará sobre La generación de variables aleatorias y los números

aleatorios, son un proceso que enfrenta la simulación debido a que cuenta con variables con un
comportamiento probabilístico. En donde dicha variabilidad se pudiera clasificar dentro de alguna
distribución de probabilidad conocida. Se abordarán los temas de variables aleatorias discretas y
variables aleatorias continuas. Para la generación de las variables aleatorias discretas o continuas,
es necesario contar con la información específica de la distribución deseada, la explicación de
algunos métodos para la generación de la variable aleatoria. Las distribuciones más utilizadas son:
Bernoulli, uniforme, binomial, Poisson, y geométrica. En cambio, las distribuciones continuas
modelan la aleatoriedad en eventos en los cuales los valores de las variables pueden estar dentro
de un rango de valores reales. 

Casi todas las aplicaciones comerciales tienen varios generadores de números pseudoaleatorios
que pueden generar un conjunto muy grande de números sin mostrar correlación entre ellos, para
ello se utilizan métodos preestablecidos que garantizan esta demanda.

Para poder realizar una simulación que incluya variabilidad dentro de sus eventos, es preciso
generar una serie de números que sean aleatorios por sí mismos, y que su aleatoriedad se
extrapole al modelo de simulación que se está construyendo. En la construcción del modelo los
números aleatorios juegan un papel relevante.

Unas de las primeras tareas que es necesario llevar a cabo consiste en analizar si los números que
se utilizaran para “correr” o ejecutar la simulación son realmente aleatorios o no; por desgracia,
precisar lo anterior con absoluta certidumbre resulta muy complicado, ya que para ello se tendría
que generar un número infinito de valores que permitan comprobar la existencia de correlaciones
entre ellos. Esta actividad sería muy costosa y tardada, volviendo impráctico el uso de la
simulación aun con las computadoras más avanzadas.

NÚMEROS PSEUDOALEATORIOS

Un número pseudoaleatorio es un número U(0,1) producido por un algoritmo matemático.

Propiedades de los números pseudoaleatorios

Es deseable que los números pseudoaleatorios uniformes posean las siguientes características:

 Uniformemente distribuidos.
 Estadísticamente independientes.
 Reproducibles.
 Periodo largo.
 Generados mediante un método rápido.
 Generados mediante un método que no requiera mucha capacidad de almacenamiento de
la computadora.

Generar un conjunto de números pseudoaleatorios es una tarea relativamente sencilla, para ello,
el lector sólo tiene que diseñar su propio algoritmo de generación. Lo que resulta difícil es diseñar
un algoritmo que genere un conjunto de números pseudoaleatorios con periodo de vida
suficientemente grande (N) y además pase sin problema las pruebas de uniformidad e
independencia, lo cual implica evitar problemas como éstos:

 Que los números del conjunto no estén uniformemente distribuidos, es decir, que haya
demasiados números en un subintervalo y otro muy pocos o ninguno.
 Que los números pseudoaleatorios sean discretos en lugar de continuos.
 Que la media del conjunto sea muy alta o muy baja, es decir, que esté por arriba o por
debajo de ½.
 Que la varianza del conjunto sea muy alta o muy baja, es decir, que se localice por arriba
o por debajo de 1/12.

En ocasiones se presentan también anomalías como números pseudoaleatorios seguidos por

arriba o por debajo de la media; secuencia de números por arriba de la media, seguida por una
secuencia por debajo de la media, y viceversa, o varios números seguidos en forma ascendente o
descendente.

Existen varios métodos para generar números pseudoaleatorios. A continuación, se presentan los
más importantes.

MÉTODOS DE CUADRADOS MEDIOS

El procedimiento de obtención de números pseudoaleatorios con este tipo de generador es el

siguiente:

• Se define una semilla.

• Se eleva la semilla al cuadrado.

• Dependiendo de la cantidad de dígitos que se desea tenga el número pseudoaleatorio, se toman

de la parte central del número resultante en el paso anterior el número de dígitos requeridos. Si
no es posible determinar la parte central, se completa el número agregando ceros al principio o al
final.

• Debe tenerse en cuenta que se desean números pseudoaleatorios entre 0 y 1, en consecuencia

el resultado se debe normalizar, es decir, si los números son de dos dígitos se normaliza dividiendo
por 100, si es de tres dígitos por mil y así sucesivamente.

Ejemplo: generar 3 números aleatorios de 4 dígitos a partir de un generador de cuadrados medios

utilizando como semilla el número 445.

Como se quieren números pseudoaleatorios Ri de 4 dígitos, se tomarán los cuatro dígitos de la

parte central del cuadrado de la semilla, de la siguiente manera:

(445)2 =198025 = 9802 luego R1= 9802 / 10000 = 0.9802

(9802)2 = 96079204 = 0792 luego R2 = 0792 / 10000 = 0.0792

(792)2 = 627264 = 2726 luego R3 = 2726 / 10000 = 0.2726

Observación: como los números pseudoaleatorios deben estar entre 0 y 1 y son de 4 dígitos, se
normaliza dividiendo entre 10000.

Método Congruencial Mixto o Lineal: los generadores congruenciales lineales generan una
secuencia de números pseudoaleatorios en la cual el próximo número pseudoaleatorio es
determinado a partir del último número generado, es decir, el número pseudoaleatorio Xn+1 es
derivado a partir del número pseudoaleatorio Xn La relación de recurrencia para el generador
congruencial mixto es Xn+1 =(a Xn+c) mod m, en donde

• X0 = es la semilla

• a =el multiplicador

• c = constante aditiva

• m = el modulo (m > X0, a,c)

• X0, a, c >0

Esta relación de recurrencia nos dice que Xn+1 es el residuo de dividir a Xn+c entre el modulo. Lo
anterior significa que los valores posibles de Xn+1 son 0,1,2,3 ....m-1, es decir, m representa el
número posible de valores diferentes que pueden ser generados.

Ejemplo: supongamos que se tiene un generador en el cual los valores de sus parámetros son: a =
5, c = 7, X0 = 4 y m = 8. El generador quedará de la siguiente manera:

Xn+1 = (5 Xn + 7) mod 8

En la tabla 2, se muestran los números aleatorios generados por este método.

Cuando se quiere construir un generador de números aleatorios para simular los valores de una
variable aleatoria, se deben elegir los parámetros de tal manera que se garantice un periodo largo
para que se puedan hacer todos los ensayos de simulación, por lo tanto se deben tener en cuenta
las siguientes condiciones:

• a debe ser un número impar, no divisible ni por 3 ni por 5.

• c usualmente puede ser cualquier constante, sin embargo, para asegurar buenos resultados, se
debe seleccionar a de tal forma que, a mod 8 = 5 para una computadora binaria, o a mod 200 = 21
para computadora decimal.

• m debe ser el número entero más grande que la computadora acepte.

MÉTODO CONGRUENCIAL MULTIPLICATIVO

calcula una sucesión Xn de enteros no negativos, cada uno de los cuales es menor que M mediante
la relación Xn+1= a.Xn (mod M). Es un caso especial de la relación de congruencia en que c=0, este
método se comporta de manera satisfactoria estadísticamente, es decir, los números generados
por medio de este método están unifórmente distribuidos, y no están correlacionados. Este
método tiene un periodo máximo menor que M, pero se pueden imponer condiciones en a y X0 de
tal forma que se obtenga el periodo máximo. Desde el punto de vista computacional es el más
rápido de todos.

GENERACIÓN DE VARIABLES ALEATORIAS

La variabilidad de eventos y actividades se presentan a través de funciones de densidad para

fenómenos continuos, y mediante distribuciones de probabilidad para fenómenos de tipo discreto.
La simulación de estos eventos o actividades se realiza con la ayuda de la generación de variables
aleatorias.

MÉTODO DE LA INVERSA

El método de la transformada inversa puede utilizarse para simular variables aleatorias continuas,
lo cual se logra mediante la función acumulada f(x) y la generación de números pseudoaleatorios 
ri ~U (0,1). 

El método consiste en:

  Definirla función de Densidad f(x) que representa la variable a modelar.

  Calcular la función acumulada f(x).
-1
  Despejar la variable aleatoria x y obtener la función acumulada inversa f(x) .
  Generar las variables aleatorias x, sustituyendo valores con números pdeudoaleatorios r i ~U (0,1)
en la función acumulada inversa.

Puesto que F(x) está definida en el intervalo (0;1) , se puede generar un numero aleatorios
uniforme R y tratar de determinar el valor de la variable aleatoria para la cual su distribución
acumulada es igual a R, es decir, el valor simulado de la variable aleatoria que sigue una
distribución de probabilidad F(x), se determina al resolver la siguiente ecuación:

F(x)= R ó x = F-1(R)
La dificultad principal de este método descansa en el hecho de que en algunas ocasiones es difícil
encontrar la transformada inversa. Sin embargo, si esta función ya ha sido establecida, generando
número aleatorios uniformes se podrá obtener valores de la variable aleatoria que siga la
distribución de probabilidad deseada.

El método de la transformada inversa también puede emplearse para simular variables aleatorias

de tipo discreto, como en las distribuciones de Poisson, de Bernoulli, binomial, geométrica,
discreta general, etc. La generación se lleva a cabo a través de la probabilidad acumulada P(x) y la
generación de números pseudoaleatorios ri ~U (0,1).

MÉTODO DEL RECHAZO

Existe otro procedimiento para generar números al azar de distribuciones de probabilidad no

uniformes. A este tipo de procedimiento se le conoce con el nombre de método de rechazo.

Este método consiste en primeramente en generar un valor de la variable aleatoria y enseguida

probar que dicho valor simulado proviene de la distribución de probabilidad que se está
analizando. Para comprender la lógica de este método, suponga que f(x), fig.1 es una distribución
de probabilidad acotada y con rango finito, es decir, a ≤ x ≤ b. De acuerdo a esta función de
probabilidad, la aplicación del método de rechazo implica el desarrollo de los siguientes pasos:

1.      Generar dos números uniformes R1 y R2.

2.      Determinar el valor de la variable aleatoria x de acuerdo a la siguiente relación lineal de R1:

x= a + (b - a) R1

3.      Evaluar la función de probabilidad en x= a + (b - a) R1.

4.      Determinar si la siguiente desigualdad se cumple:

R2 ≤ f(a + (b - a) R1)/M

Se utiliza a x= a + (b - a) R1 si la respuesta es afirmativa como un valor simulado de la variable

aleatoria. De lo contrario, es necesario pasar nuevamente al paso 1 tantas veces como sea
necesario.

La teoría sobre la que se apoya este método se basa en el hecho de que la probabilidad de que R2
≤ f(x)/M es exactamente f(x)/M. Por consiguiente, si un número es cogido al azar de acuerdo a x= a
+ (b - a) R1 y rechazado si R2 > f(x)/M, entonces la distribución de probabilidad de las x’s aceptadas
será exactamente f(x). Por otra parte, conviene señalar que si todas las x’s fueran aceptadas,
entonces x estaría uniformemente distribuida entre a y b.
Finalmente, es necesario mencionar que algunos autores como Tocher, han demostrado que
el número esperado de intentos para que x sea aceptada como una variable aleatoria que sigue
una distribución de probabilidad f(x), es M. esto significa que este método podría ser un tanto
ineficiente para ciertas distribuciones de probabilidad en las cuales la moda sea grande.

Ejemplo: Distribución empírica

Se desea generar números al azar que sigan la siguiente distribución de probabilidad:

Para esta función, a =  0, b = 1 y M = 2. Por consiguiente, aplicando los pasos

descritos previamente se tiene:
1.      Generar dos números uniformes R1 y R2.
2.      Calcular x = R1.
3.      Es R2 ≤ R1? Si la respuesta es afirmativa, entonces x = R1 es un valor simulado de la variable
aleatoria. De lo contrario, se requiere regresar al paso 1 tantas veces como sea necesario.

Ejemplo: Distribución triangular.
Se desea generar números al azar que sigan la siguiente distribución de probabilidad: 

 
Para esta distribución de probabilidad, M = 2/(c - a). Sin embargo, esta distribución está
compuesta de dos funciones; una valida en el rango a ≤ x ≤ b y la otra valida en b ≤ x ≤ c. Por
consiguiente, los pasos necesarios para simular esta distribución por el método de rechazo serian:

1.      Generar R1 y R2.
2.      Calcular x = a + (c - a) R1.
3.      Es x < b? si la respuesta es afirmativa, f(x) seria:

Por el contrario, si la respuesta es negativa, f(x) seria:  

         

MÉTODO DE COMPOSICIÓN

Otro método para generar valores de variables aleatorias no-uniformes es el método de

composición. Mediante este método la distribución de probabilidad F(x) se expresa como una
mezcla de varias distribuciones de probabilidad F(x) seleccionadas adecuadamente.
El procedimiento para la selección de las F(x) se basa en el objetivo se minimizar el tiempo de
computación requerido para la generación de valores de la variable aleatoria analizada.
Los pasos requeridos para la aplicación de este método en la simulación de variables no-uniformes
son los siguientes:

1. Dividir la distribución de probabilidad original en sub-áreas, tal como se muestra en la figura

2. Definir la distribución de probabilidad para cada sub-área.

3. Expresar la distribución de probabilidad original en la forma siguiente:

F(x)=A1F1(x) +  A2F2(x) +… AnFn(x)  y  ∑Ai = 1
4. Obtener la distribución acumulada de las áreas:

5. Generar dos números uniformes R1, R2

6. Seleccionar la distribución de probabilidad F(x) con la cual se va simular el valor de x. La
selección de esta distribución se obtiene al aplicar el método de la transformada inversa, en la cuel
el eje Y está representado por la distribución acumulada de las areas, y el eje X por las
distribuciones F(x). Para esta selección se utiliza el numero uniforme R 1.

7. Utilizar el numero uniforme R2 para simular por el método de la transformada inversa o algún
otro procedimiento especial, números al azar que sigan la distribución de probabilidad F(x)
seleccionada en el paso anterior.

MÉTODO DE CONVOLUCIÓN

Muchas variables aleatorias incluyendo la normal, binomial,  poisson, gamma, erlang,  etc., se

pueden expresar de forma exacta o aproximada mediante la suma lineal de otras variables
aleatorias. El método de convolución se puede usar siempre y cuando la variable aleatoria x se
pueda expresar como una combinación lineal de k variables aleatorias:
x=b1x1+ b2x2 +…+bkxk

En este método se necesita generar k números aleatorios (u1,u2,...,uk) para generar (x1,x2,...xk)

variables aleatorias usando alguno de los métodos anteriores y así poder obtener un valor de la
variable que se desea obtener por convolución.
 CONCLUSIONES

En el presente trabajo de investigación se analizó que las variables aleatorias son presentadas por
medio de distribuciones de probabilidad, el procedimiento es para la generación de los números
con variables aleatorias a partir de las distribuciones de la probabilidad que se conoce como la
generación de variables aleatorias. El principio del muestreo es basado en la interpretación de
frecuencia de la probabilidad y requiere un flujo permanente de los números aleatorios. Hay
cuatro métodos generales de generación de variables aleatorias y una serie de métodos
particulares de las distintas distribuciones. La facilidad de aplicación de dichos métodos, así como
el coste computacional asociado a los mismos, varía mucho según la familia de variables aleatorias
a las que se apliquen. Normalmente existen varios algoritmos que se pueden utilizar para generar
valores de una determinada distribución, y diferentes factores que se pueden considerar para
determinar qué algoritmo utilizar en un caso particular. Desafortunadamente dichos factores
suelen entrar en conflicto unos con otros y a veces se ha de llegar a una solución de compromiso

Siempre que se generen números aleatorios, se habla de un conjunto de números en un rango (1,
n) en el cuál la probabilidad de que uno de esos números sea elegido será siempre 1/n. 2- Los
números aleatorios se utilizan todo el tiempo aplicados al mundo real, ya que por medio de ellos
se realizan análisis probabilísticos y pruebas de proyectos, desarrollos de software, entre otros. Se
utilizan como referencia para encontrar y reducir errores. 3- Los números aleatorios, permiten que
sus simuladores tengan un mejor rendimiento en cuanto a recursividad, comodidad,
reproducibilidad, portabilidad, debido a su forma de ser elegidos.