UNIVERSIDAD PRIVADA DEL SUR DE MXICO

SIMULACIN DE SISTEMAS
(Antologa)

Elaborado por:

L.I.A. y M.C.C. Pedro Alejo Escarela Rodrguez

Tuxtla Gutirrez, Chiapas. Enero de 2009.

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

INTRODUCCION
Los tiempos modernos se caracterizan por ambientes de negocios enrarecidos por
la incertidumbre creada por la globalizacin. Todava en la dcada de los noventa las
empresas en Mxico buscaban la estabilizacin de sus operaciones. Sin embargo, las
agresivas polticas de comercio internacional obligaron a las organizaciones a dar una
rpida velocidad de respuesta para contrarrestar los efectos del expansionismo originado
por la unin de los bloques asiticos y europeos.
Hoy da, las empresas ya no buscan la estabilizacin debido a que esto significa
detenerse en un ambiente de alta competencia. Estabilizarse significa parar y las
empresas que lo hacen tienen pocas oportunidades de progresar y de obtener utilidades.
Por tanto peligra su permanencia, que es uno de los aspectos fundamentales que debe
buscar toda organizacin.
Las tendencias administrativas se orientan hacia la aplicacin de la Teora del
Caos, que se puede resumir como un proceso de reduccin de recursos en todos los
sistemas operativos de las organizaciones, con la finalidad de crear problemas
perfectamente planeados y controlados para que, mediante el anlisis de las situaciones
inestables provocadas, surjan anlisis y propuestas enfocadas a restablecer los efectos
de los conflictos generados.
Una vez que se ha seleccionado y aplicado la mejor alternativa y se ha logrado
nuevamente la estabilizacin, se repite el ciclo desestabilizador-estabilizador que se
inicia con la reduccin de recursos, y sigue con la creacin de problemas, el anlisis de
los mismos y de nuevas propuestas de solucin. Slo de esta manera se lograr que las
organizaciones se mantengan en un proceso continuo de actualizacin y de mejora en la
productividad y en la innovacin tecnolgica, que les permita enfrentar la
internacionalizacin y la competencia global, en igualdad de circunstancias. Ante el
panorama descrito, surge como una alternativa destacada para la bsqueda de la
competitividad la tcnica denominada Simulacin de Sistemas, cuyos mtodos de
experimentacin basados en la formulacin de modelos matemticos tales como la
estadstica, el diseo de experimentos y el uso de las computadoras, permiten hacer
abstracciones de la realidad que, en ltima instancia tienen como objetivo tomar
decisiones en condiciones de riesgo mnimo.

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

UNIDAD I. INTRODUCCION A LA SIMULACION DE SISTEMAS

Con el advenimiento de la computadora, una de las ms importantes herramientas
para analizar el diseo y operacin de sistemas o procesos complejos es la simulacin.
Aunque la construccin de modelos arranca desde el Renacimiento, el uso
moderno de la palabra simulacin data de 1940, cuando los cientficos Von Neuman y
Ulam que trabajaban en el proyecto Monte Carlo, durante la Segunda Guerra Mundial,
resolvieron problemas de reacciones nucleares cuya solucin experimental sera muy
cara y el anlisis matemtico demasiado complicado.
Con la utilizacin de la computadora en los experimentos de simulacin, surgieron
incontables aplicaciones y con ello, una cantidad mayor de problemas tericos y prcticos.

1.1.

Definicin de simulacin

Se ha empezado a utilizar la simulacin sin haber dado previamente una definicin

de ella. Por consiguiente, antes de proseguir con la discusin de este tema, sera
conveniente describir algunas de las definiciones ms aceptadas y difundidas de la
palabra simulacin. Thomas H. Naylor la define as:
Simulacin es una tcnica numrica para conducir experimentos en una computadora
digital. Estos experimentos comprenden ciertos tipos de relaciones matemticas y lgicas,
las cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de largos periodos de tiempo.
La definicin anterior est en un sentido muy amplio, pues puede incluir desde una
maqueta, hasta un sofisticado programa de computadora. En sentido ms estricto, H.
Maisel y G. Gnugnoli, definen la simulacin como:
Simulacin es una tcnica numrica para realizar experimentos en una computadora
digital. Estos experimentos involucran ciertos tipos de modelos matemticos y lgicos que
describen el comportamiento de sistemas de negocios, econmicos, sociales, biolgicos,
fsicos o qumicos a travs de largos perodos de tiempo.
Otros estudiosos del tema como Robert E. Shannon, definen simulacin como:
Simulacin es el proceso de disear y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo con el propsito de entender
el comportamiento del sistema o evaluar varias estrategias con las cuales se puede
operar el sistema.
Las definiciones anteriores no especifican si los sistemas modelados son
continuos o discretos. Sin embargo, es necesario sealar que el presente curso est
dedicado al diseo, anlisis y validacin de sistemas dinmicos discretos.

SIMULACIN DE SISTEMAS

1.2.

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Etapas para realizar un estudio de simulacin

Se ha descrito mucho acerca de los pasos necesarios para realizar un estudio de

simulacin. Sin embargo, la mayora de los autores opinan que los pasos necesarios para
llevar a cabo un experimento de simulacin son:

Definicin del sistema. Para tener una definicin exacta del sistema que se desea
simular, es necesario hacer primeramente un anlisis preliminar del mismo, con el
fin de determinar la interaccin de ste con otros sistemas, sus restricciones, las
variables que interactan en l y sus interrelaciones, las medidas de efectividad
que se van a utilizar para definir y estudiar el sistema y los resultados que se
esperan obtener del estudio.
Formulacin del modelo. Una vez que estn definidos con exactitud los resultados
que se esperan obtener del estudio, el siguiente paso es definir y construir el
modelo con el cual se obtendrn los resultados deseados. En la formulacin del
modelo es necesario definir todas las variables que forman parte de l, sus
relaciones lgicas y los diagramas de flujo que describan en forma completa el
modelo.
Coleccin de datos. Es posible que la facilidad de obtencin de algunos datos o la
dificultad de conseguir otros, pueda influenciar el desarrollo y formulacin del
modelo. Por consiguiente, es muy importante que se definan con claridad y
exactitud los datos que el modelo va a requerir para producir los resultados
deseados. Normalmente, la informacin requerida por un modelo se puede
obtener de registros contables, de rdenes de trabajo, de rdenes de compra, de
opiniones de expertos y si no hay otro remedio por experimentacin.
Implementacin del modelo en la computadora. Con el modelo definido, el
siguiente paso es decidir si se utiliza algn lenguaje como fortran, C, basic, algol,
pascal, prolog, lisp, java, etc., o se utiliza algn paquete como GPSS, simula,
simscript, excel, lotus 1-2-3, etc., para procesarlo en la computadora y obtener los
resultados deseados.
Validacin. Una de las principales etapas de un estudio de simulacin es la
validacin. A travs de esta etapa es posible detallar deficiencias en la formulacin
del modelo o en los datos alimentados al modelo. Las formas ms comunes de
validar un modelo son:
o La opinin de expertos sobre los resultados de la simulacin.
o La exactitud con que se predicen datos histricos.
o La exactitud en la prediccin del futuro.
o La comprobacin de falla del modelo de simulacin al utilizar datos que
hacen fallar al sistema real.
o La aceptacin y confianza en el modelo de la persona que har uso de los
resultados que arroje el experimento de simulacin.
Experimentacin. La experimentacin con el modelo se realiza despus de que
ste ha sido validado. La experimentacin consiste en generar los datos deseados
y en realizar anlisis de sensibilidad de los ndices requeridos.
Interpretacin. En esta etapa del estudio, se interpretan los resultados que arroja
la simulacin y en base a esto se toma una decisin. Es obvio que los resultados
que se obtienen de un estudio de simulacin ayudan a soportar decisiones del tipo
semi-estructurado, es decir, la computadora en s no toma la decisin, sino que la

SIMULACIN DE SISTEMAS

1.3.

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

informacin que proporciona ayuda a tomar mejores decisiones y por consiguiente

a sistemticamente obtener mejores resultados.
Documentacin. Dos tipos de documentacin son requeridos para hacer un mejor
uso del modelo de simulacin. La primera se refiere a la documentacin de tipo
tcnico, es decir, a la documentacin que el departamento de Procesamiento de
Datos debe tener del modelo. La segunda se refiere al manual del usuario, con el
cual se facilita la interaccin y el uso del modelo desarrollado, a travs de una
terminal de computadora.

Factores a considerar en el desarrollo del modelo de simulacin

Puesto que la simulacin est basada fuertemente en la teora del caos, la teora
de probabilidad y estadstica, en matemticas, en ciencias computacionales, etc., es
conveniente decir algunas ideas de cmo intervienen estas reas en el desarrollo y
formulacin del modelo de simulacin.
1.3.1. Generacin de variables aleatorias
Si el modelo de simulacin es estocstico, la simulacin debe ser capaz de
generar variables aleatorias no uniformes de distribuciones de probabilidad tericas o
empricas. Lo anterior puede ser obtenido si se cuenta con un generador de nmeros
uniformes y una funcin que transforme estos nmeros en valores de la distribucin de
probabilidad deseada. A este respecto, se han desarrollado una gran cantidad de
generadores para las distribuciones de probabilidad ms comunes como: la distribucin
normal, la distribucin exponencial, la distribucin Poisson, la distribucin Erlang, la
distribucin binomial, la distribucin gamma, la distribucin beta, la distribucin F, etc.
1.3.2. Lenguajes de programacin
Las primeras etapas de un estudio de simulacin se refieren a la definicin del
sistema a ser modelado y a la descripcin del sistema en trminos de relaciones lgicas
de sus variables y diagramas de flujo. Sin embargo, llega el momento de describir el
modelo en un lenguaje que sea aceptado por la computadora que se va a usar. En esta
etapa se tienen dos cursos de accin a seguir si no se tiene nada de software sobre
simulacin: 1) Desarrollar el software requerido para estudios de simulacin, 2) Comprar
software (lenguajes de programacin de propsito especial). Para esta alternativa es
necesario analizar y evaluar varios paquetes de simulacin (GPSS, GASP, etc.) antes de
tomar la decisin final.
1.3.3. Condiciones iniciales
La mayora de los modelos de simulacin estocstica se corren con la idea de
estudiar al sistema en una situacin de estado estable. Sin embargo, la mayora de estos
modelos presentan en su etapa inicial estados transientes los cuales no son tpicos del
estado estable. Por consiguiente es necesario establecer claramente las alternativas o
cursos de accin que existen para resolver este problema. Algunos autores piensan que
la forma de atacar este problema sera a travs de:
5

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Usar un tiempo de corrida lo suficientemente grande de modo que los perodos

transientes sean relativamente insignificantes con respecto a la condicin de
estado estable.
Excluir una parte apropiada de la parte inicial de la corrida.
Utilizar simulacin regenerativa.

Obviamente, de las tres alternativas presentadas, la que presenta menos

desventajas es el uso de simulacin regenerativa. Las otras alternativas presentan la
desventaja de ser prohibitivamente excesivas en costo.
1.3.4. Tamao de la muestra
Uno de los factores principales a considerar en un estudio de simulacin es el
tamao de la muestra (nmero de corridas en la computadora). La seleccin de un
tamao de muestra apropiado que asegure un nivel deseado de precisin y a la vez
minimice el costo de operacin del modelo, es un problema algo difcil pero muy
importante. Puesto que la informacin proporcionada por el experimento de simulacin
sera la base para decidir con respecto a la operacin del sistema real, esta informacin
deber ser tan exacta y precisa como sea posible o al menos el grado de imprecisin
presente en la informacin proporcionada por el modelo debe ser conocida. Por
consiguiente, es necesario que un anlisis estadstico sea realizado para determinar el
tamao de la muestra requerido.
El tamao de la muestra puede ser obtenido de dos maneras:

Previa e independientemente de la operacin del modelo, o

Durante la operacin del modelo y basado en los resultados arrojados por el
modelo. Para la ltima alternativa se utiliza la tcnica estadstica de intervalos de
confianza.

1.3.5. Diseo de experimentos

El diseo de experimentos es un tpico cuya relevancia en experimentos de
simulacin ha sido reconocida pero raramente aplicado. El diseo de experimentos en
estudios de simulacin puede ser de varios tipos, dependiendo de los propsitos
especficos que se hayan planteado. Existen varios tipos de anlisis que pueden ser
requeridos. Entre los ms comunes e importantes se pueden mencionar los siguientes:

Comparacin de las medias y varianzas de las alternativas analizadas.

Determinacin de la importancia y el efecto de diferentes variables en los
resultados de la simulacin.
Bsqueda de los valores ptimos de un conjunto de variables.

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

UNIDAD II. GENERACION DE NUMEROS PSEUDOALEATORIOS

En todos los experimentos de simulacin existe la necesidad de generar valores
de variables aleatorias que representan a una cierta distribucin de probabilidad. Durante
un experimento de simulacin, el proceso de generar un valor de la variable aleatoria de
una distribucin particular, puede repetirse tantas veces como se desee y tantas veces
como distribuciones de probabilidad existan en el experimento de simulacin. Sin
embargo, es conveniente sealar que el proceso de generacin de variables aleatorias no
uniformes se hace a partir de la generacin de nmeros pseudoaleatorios. Por
consiguiente, el objetivo es mostrar un panorama general de las diferentes tcnicas que
existen para generar nmeros pseudoaleatorios.

2.1. Mtodo de los cuadrados centrales (Von Neumann)

Histricamente, el primer mtodo aritmtico para generar nmeros
pseudoaleatorios fue el de los cuadrados centrales. Aqu, cada nmero de la sucesin se
obtiene tomando los dgitos centrales del cuadrado del nmero precedente.
La lgica de operacin es:

Tomar un nmero cualquiera de 2 o 4 dgitos y asignarlo como semilla. La semilla

es el primer elemento de la serie.
Luego se lo debe elevar al cuadrado y obtener un nmero de 4 u 8 cifras. Si la
cantidad de cifras es menor al cuadrado de la cifra, se lo debe complementar con
tantos ceros a la izquierda se requieran hasta completar el nmero de cifras. Es
decir, si tomamos un nmero de 2 dgitos, no podemos tener cuadrados centrales
menores a 4 dgitos. Si tomamos una semilla de 4 dgitos, no podemos tener
cuadrados centrales menores a 8 dgitos.
Posteriormente se deben desechar los primeros y los ltimos dgitos: Tomar
solamente los dgitos centrales y asignarlo como el siguiente elemento de la
sucesin. Si tomamos una semilla de 2 dgitos, debemos desechar el primer y
ltimo nmero. Si tomamos una semilla de 4 dgitos, debemos desechar los 2
primeros y los 2 ltimos nmeros.
Basta con repetir el procedimiento para obtener la cantidad de nmeros aleatorios
necesarios.

n0 = semilla entera positiva, puede ser de 2 o 4 dgitos.

ni = CC( ( ni 1 )2 ), donde CC es la extraccin de los primeros nmeros centrales. (2.1)
Consideremos el siguiente ejemplo:
n0 = 83
n1 = CC( n02 ) = CC( 6889 ) = 88
n2 = CC( n12 ) = CC( 7744 ) = 74
n3 = CC( n22 ) = CC( 5476 ) = 47
n4 = CC( n32 ) = CC( 2209 ) = 20
n5 = CC( n42 ) = CC( 0400 ) = 40
n6 = CC( n52 ) = CC( 1600 ) = 60

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Luego, una vez obtenida la serie, se pueden tomar los nmeros individualmente de
cada grupo, en funcin de la necesidad. As, de los nmeros obtenidos del ejemplo
anterior, tenemos la siguiente serie: 8, 3, 8, 8, 7, 4, 4, 7, 2, 0, 4, 0, 6, 0.
Otra opcin de Von Neumman es realizarlo con semillas fraccionarias, impares y
primas con lo que se obtienen mejores series, estadsticamente hablando.

2.2. Mtodo de Fibonacci

Este mtodo genera un nmero en funcin de tres parmetros:

Los dos primeros elementos de la serie: v1 y v2.

Un parmetro de control A, tal que siempre sea A > Max( V1, V2 ). Este parmetro
se comporta como Mod A.
Los datos de entrada deben tener de tres a siete dgitos cada uno y ser primos.
La ecuacin general del mtodo de Fibonacci es la siguiente:

Vn+1 = Vn + Vn-1 + k.A

(2.2)

si (Vn + Vn-1 ) <= A entonces k = 0

de lo contrario, k = -1
Ejemplo:
V1 = 30524
V2 = 17175
A = 35818
Tabla 2.1. Nmero pseudoaleatorios del generador de la expresin (2.2)
n
Vn
Vn-1
Vn + Vn-1
k.A
2
17175
30524
47699
-35818
3
11881
17175
29056
0
4
29056
11881
40937
-35818
5
5116
29056
34175
0
6
34175
5119
39294
-35818
7
3476
34175
37651
-35818
8
1833
3476
5309
0

Vn+1
11881
29056
5119
34175
3476
1833
5309

Luego, una vez obtenida la serie, se pueden tomar los nmeros individualmente o
en grupos, en funcin de la necesidad.

2.3. Generadores congruenciales lineales

Varios esquemas han sido propuestos para la generacin de los nmeros
pseudoaleatorios a travs de relaciones matemticas de recurrencia. Estos nmeros se

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

consideran pseudoaleatorios, porque aunque pasan todas las pruebas estadsticas de

aleatoriedad, ellos son de hecho completamente determinsticos. Actualmente, casi todas
las computadoras incluyen en sus programas de biblioteca alguna variante de los
mtodos congruenciales sugeridos por Lehmer.
2.3.1. Mtodo aditivo de congruencias
Este mtodo posee propiedades estadsticas muy buenas cuando los valores de k
aumentan. El valor exacto de k para mejorar las propiedades estadsticas est en funcin
de la plataforma de desarrollo. Por ejemplo, en Pentium II con Windows 95 y Borland C,
las propiedades estadsticas mejoraban para valores de k superiores a 300.
La ecuacin general para el mtodo aditivo de congruencias es la siguiente:
Xn+1 = ( Xn + Xn-k ) ( Mod m )

(2.3)

donde:
Xn = Las semillas ( X0, ..., n > 0 )
k = El nmero de ndice mayor de las semillas
m = El mdulo ( m > X0 )
Ejemplo:
m = 1000
X0 = 991
X1 = 111
X2 = 771
X3 = 602
k=3
Tabla 2.2. Nmeros pseudoaleatorios del generador de la expresin (2.3)
Xn-k
Xn + Xn-k
( Xn + Xn-k ) ( Mod m )
n
Xn
3
602
991
1593
593
4
593
111
704
704
5
704
771
1475
475
6
475
602
1077
77
7
77
593
670
670
8
670
704
1374
374
9
374
475
849
849

2.3.2. Mtodo multiplicativo de congruencias

El generador congruencial multiplicativo determina el prximo nmero
pseudoaleatorio a partir del ltimo nmero generado, de acuerdo a la siguiente relacin de
recurrencia:
Xn+1 = aXn Mod m

(2.4)

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Para este generador se recomienda seleccionar adecuadamente los valores de los

parmetros a, X0 y m, con el fin de asegurar un perodo mximo para las sucesiones
generadas por este mtodo. Los valores de estos parmetros dependern del sistema en
que se trabaje, es decir, estos parmetros tomarn valores distintos si se trabaja en
sistema decimal, que si se trabaja en sistema binario. Por consiguiente, a continuacin se
describen las reglas que se recomiendan seguir para seleccionar valores de a, X0 y m
dependiendo de si el sistema en que se trabaja es binario o decimal.
a) Sistema decimal
Si se trabaja en sistema decimal, los valores de los parmetros deben ser
seleccionados de acuerdo a los siguientes criterios:

El valor de la semilla puede ser cualquier entero impar no divisible entre 2 o 5 y

debe ser relativamente primo a m.
El valor seleccionado de a debe ser obtenido de acuerdo a la siguiente identidad:
a = 200t p

donde t es cualquier entero y p es cualquiera de los siguientes valores: 3, 11, 13,

19, 21, 27, 29, 37, 53, 59, 61, 67, 69, 77, 83, 91.
El valor seleccionado de m puede ser 10d. Si m = 10 y d >= 5 el perodo del
generador es 5 x 10d-2.

Por otra parte, si m = 10d y d < 5, entonces el perodo del generador se obtiene de
acuerdo a la siguiente expresin:
Perodo = Mnimo comn mltiplo { (P1d1), (P2d2), ..., (Pndn) }

(2.5)

donde:
(2) = 1, (4) = 2
(2d) = 2d-2 si d >= 3
(pd) = pd-1 (p 1) si p >= 2
Con el propsito de ilustrar la obtencin del perodo para este ltimo caso,
analicemos el siguiente generador:
Xn+1 = 3Xn Mod 100 y X0 = 17
puesto que m puede ser expresado como 102 o bien como (22)(52), entonces el perodo
de este generador de acuerdo a la expresin (2.5) sera:
Perodo = Mnimo comn mltiplo { (22), (52) }
Perodo = Mnimo comn mltiplo { 2, 20 }
Perodo = 20

Pi es un factor primo de m.

10

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Tabla 2.3. Nmeros pseudoaleatorios del generador Xn+1 = 3Xn Mod 100.
n
Xn
n
Xn
n
Xn
n
1
51
06
93
11
99
16
79
12
97
17
2
53
07
08
37
13
91
18
3
59
4
77
09
11
14
73
19
5
31
10
33
15
19
20

Xn
57
71
13
39
17

b) Sistema binario
Si se trabaja en sistema binario, los valores de los parmetros deben ser
seleccionados de acuerdo a los siguientes criterios:

El valor de la semilla puede ser cualquier entero impar relativamente primo a m.

El valor seleccionado de a debe ser obtenido a partir de la siguiente expresin:
a = 8t 3

donde t es cualquier entero.

El valor seleccionado de m puede ser 2d. Si m = 2d el perodo del generador es 2d-2
m/4. Para ilustrar la obtencin del perodo de un generador es sistema binario,
suponga que se tiene un generador en el cual los valores de sus parmetros son:
a = 5, X0 = 5 y m = 32. Para estos valores, la secuencia de nmeros
pseudoaleatorios son mostrados 2.4. Como se puede apreciaren esta tabla, el
perodo del generador es 8.

n
1
2
3
4

Tabla 2.4. Nmeros pseudoaleatorios del

generador Xn+1 = 5Xn Mod 32.
n
Xn
Xn
25
5
09
29
6
13
17
7
01
05
21
8

2.3.3. Congruencial mixto

Los generadores congruenciales generan una secuencia de nmeros
pseudoaleatorios en la cual el prximo nmero pseudoaleatorio es determinado a partir
del ltimo nmero generado, es decir, el nmero pseudoaleatorio Xn+1 es derivado a partir
del nmero pseudoaleatorio Xn.
Para el caso particular del generador congruencial mixto, la relacin de recurrencia
es la siguiente:
Xn+1 = ( aXn + c ) Mod m

(2.6)

donde:

11

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

X0 = la semilla ( X0 > 0 )
a = el multiplicador ( a > 0 )
c = constante aditiva ( c > 0 )
m = el mdulo ( m > X0, m > a y m > c )
Esta relacin de recurrencia nos dice que Xn+1 es el residuo de dividir aXn + c entre
el mdulo. Lo anterior significa que los valores posibles de Xn+1 son 0, 1, 2, 3, ..., m-1, es
decir, m representa el nmero posible de valores diferentes que pueden ser generados.
Con el propsito de ilustrar la generacin de nmeros pseudoaleatorios a travs de
este mtodo, suponga que se tiene un generador en el cual los valores de sus parmetros
son: a = 5, c = 7, X0 = 4 y m = 8. Para estos valores, la secuencia de nmeros
pseudoaleatorios y nmeros uniformes (Xn+1/m) son mostrados en la tabla 2.5. Como se
puede apreciar en esta tabla, el perodo del generador es 8.
Tabla 2.5. Nmeros pseudoaleatorios del generador Xn+1 = ( 5Xn + 7 ) Mod 8.
n

Xn

( 5Xn + 7 ) Mod 8

Xn+1

Nmeros uniformes

0
1
2
3
4
5
6
7

4
3
6
5
0
7
2
1

( 20 + 7 ) Mod 8
( 15 + 7 ) Mod 8
( 30 + 7 ) Mod 8
( 25 + 7 ) Mod 8
( 0 + 7 ) Mod 8
( 35 + 7 ) Mod 8
( 10 + 7 ) Mod 8
( 5 + 7 ) Mod 8

3
6
5
0
7
2
1
4

3/8
6/8
5/8
0
7/8
2/8
1/8
4/8

Despus de haber analizado este ejemplo, podra pensarse que el perodo del
generador es siempre igual a m. Sin embargo, esto es falso porque el perodo depende de
los valores asignados a los parmetros a, c, X0 y m; es decir, se requiere seleccionar
valores adecuados para estos parmetros con el fin de que el generador tenga perodo
completo.
Para ilustrar el caso que se presenta cuando el perodo < m, suponga que se tiene
un generador en el cual los valores de sus parmetros son: a = X0 = c = 7 y m = 10. Para
estos valores, la secuencia de nmeros pseudoaleatorios y nmeros uniformes son
mostrados en la tabla 2.6. Como puede apreciarse en la tabla, el perodo del generador es
4. Esto demuestra que una seleccin inadecuada de los valores de los parmetros del
generador, puede conducirnos a obtener resultados indeseables y poco confiables del
experimento de simulacin.
Tabla 2.6. Nmeros pseudoaleatorios del generador Xn+1 = ( 7Xn + 7 ) Mod 10.
n

Xn

( 7Xn + 7 ) Mod 10

Xn+1

Nmeros uniformes

0
1
2
3

7
6
9
0

( 49 + 7 ) Mod 10
( 42 + 7 ) Mod 10
( 63 + 7 ) Mod 10
( 0 + 7 ) Mod 10

6
9
0
7

6/10
9/10
0
7/10

De los ejemplos anteriores, se advierte la necesidad de establecer algunas reglas

que puedan ser utilizadas en la seleccin de los valores de los parmetros, para que el
12

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

generador resultante tenga perodo completo. Algunas de estas reglas se mencionan a

continuacin:

a) Seleccin de m
Existen dos opciones para seleccionar el valor apropiado del mdulo:

Selecciona m de modo que sea el nmero primo ms grande posible y que a su

vez sea menor que pd, donde p es la base del sistema (binario, decimal,
hexadecimal, etc.) que se est utilizando y d es el nmero de bits que tiene una
palabra de computadora en ese sistema. Por ejemplo, si se tiene una computadora
IBM 370 que trabaja en sistema binario, entonces p = 2 y d = 32.
Seleccionar m como pd. Cuando m toma este valor se facilita el clculo del nmero
rectangular (Un = Xn/m), ya que solo se corre el punto binario o decimal a la
izquierda del nmero. Sin embargo, se ha comprobado que cuando el mdulo
toma este valor, los ltimos dgitos del nmero pseudoaleatorio generado no se
comportan en forma aleatoria.

Para ilustrar el problema que se presenta cuando se utiliza el criterio 2, suponga

que se tiene un generador cuyos parmetros son: a = 81, c = 89, X0 = 5 y m = 102. Para
estos valores, la secuencia de nmeros pseudoaleatorios son mostrados en la tabla 2.7.
En esta tabla se puede apreciar que el ltimo dgito del nmero pseudoaleatorio tiene un
perodo de 10. Esto significa que el ltimo dgito puede ser determinado a partir de la
siguiente relacin de recurrencia:
Yn+1 = (Yn + 9 ) Mod 10

13

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

UNIDAD III. PRUEBAS DE ALEATORIEDAD

Puesto que cualquier variable aleatoria no-uniforme (normal, exponencial, Poisson,
etc.), es obtenida a partir de nmeros uniformes (0, 1), el principal nfasis en pruebas
estadsticas deber ser con respecto al generador de nmeros pseudoaleatorios, ya que
cualquier deficiencia estadstica en la distribucin de la variable aleatoria no-uniforme, se
deber exclusivamente a la utilizacin de un deficiente generador de nmeros
pseudoaleatorios. Por consiguiente, en la presente unidad se explican algunas de las
pruebas estadsticas que han sido desarrolladas para probar la aleatoriedad de los
nmeros pseudoaleatorios.

3.1. Prueba de los promedios

Quizs la funcin de densidad de probabilidad ms simple es aquella que se
caracteriza por ser constante en el intervalo (0, 1) y cero fuera de l (figura 3.1). Esta
funcin de densidad define la distribucin conocida como uniforme o rectangular.
Matemticamente, la funcin de densidad uniforme se define como:
1 si 0 x 1
f(x) =
0 si 0 > x > 1

En esta expresin, x es una variable aleatoria definida en el intervalo (0, 1). Por
otra parte, la distribucin acumulada F(x), de una variable aleatoria x uniformemente
distribuida, se puede obtener como:
x

F(x) =

1dt = x

El valor esperado y la varianza de una variable aleatoria uniformemente distribuida

estn dadas por las siguientes expresiones:
x

E(x) =

var(x) =

x(1)dx = 1/2

(x )2(1)dx = 1/12

f(x)

F(x)

Figura 3.1. Distribucin de probabilidad y distribucin acumulada de los nmeros uniformes (0, 1).

14

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Conociendo los parmetros de la distribucin uniforme, es posible plantear una

prueba de hiptesis de promedios, con la cual se trata de probar que los nmeros
pseudoaleatorios generados provienen de un universo uniforme con media 0.5. Ms
especficamente, una prueba de hiptesis de promedios puede ser planteada de la
siguiente forma:
Hiptesis nula H0 : u =
Hiptesis alternativa H1 : u
La realizacin de esta prueba requiere obtener una muestra de tamao N, es decir,
es necesario generar N nmeros pseudoaleatorios. En seguida, su promedio aritmtico es
evaluado de acuerdo a la siguiente expresin:
U1 + U2 + + Un
x- =
N

(3.1)

En seguida se determina el valor del estadstico Z0, utilizando la siguiente

expresin:
Z0 =

(x ) N

(3.2)

1/12

Si |Z0| < Z/2, entonces no se puede rechazar la hiptesis que los nmeros
pseudoaleatorios generados provienen de un universo uniforme con media de 0.5.
Para ilustrar la aplicacin de esta prueba de hiptesis, considere los nmeros
pseudoaleatorios presentados en la tabla 3.1. Para estos nmeros, la media aritmtica
(aplicacin de la ecuacin 3.1) resulta ser de 0.48234, y el estadstico Z0 resulta ser de:

Z0 =

(0.48234 0.5) 100

1/12

= -0.61

Si se supone un nivel de significancia () de 5%, entonces Z/2 tiene un valor de

1.95 y puesto que |Z0| < 1.95, entonces no se puede rechazar la hiptesis de que estos
nmeros pseudoaleatorios tienen una media de 0.5.

15

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Tabla 3.1. Tabla de nmeros pseudoaleatorios.

0.78961
0.76086
0.80548
0.58518
0.89898
0.28269
0.38618
0.79982
0.58962
0.69623
0.29931
0.57410
0.24000
0.93655
0.54325
0.58244
0.23949
0.19962
0.19147
0.22287

0.05230
0.12079
0.82654
0.98611
0.57880
0.73059
0.76910
0.45679
0.33216
0.17028
0.30861
0.26593
0.65559
0.88809
0.62400
0.85853
0.53559
0.65002
0.40644
0.07281

0.10699
0.27738
0.29453
0.34488
0.67621
0.70119
0.68334
0.21631
0.03185
0.05475
0.83358
0.85903
0.38507
0.81772
0.09133
0.88752
0.33381
0.74579
0.08128
0.64183

0.55877
0.65726
0.20852
0.34358
0.05010
0.18284
0.55170
0.87616
0.61168
0.91512
0.51781
0.43308
0.90829
0.36982
0.41678
0.33729
0.49383
0.79113
0.73435
0.44267

0.14151
0.79269
0.42989
0.11537
0.00121
0.49962
0.10850
0.55743
0.09264
0.76262
0.03272
0.35286
0.94187
0.19904
0.33954
0.15506
0.75103
0.63453
0.22724
0.72102

3.2. Prueba de frecuencias

Probablemente una de las ms importantes pruebas sobre aleatoriedad de los
nmeros pseudoaleatorios es la prueba de las frecuencias. Esta prueba consiste en dividir
el intervalo (0, 1) en n subintervalos (figura 3.2) para luego comparar para cada
subintervalo la frecuencia esperada con la frecuencia observada. Si estas frecuencias son
bastante parecidas, entonces la muestra proviene de una distribucin uniforme. El
2
estadstico que se usa en esta prueba es X 0 el cual se obtiene de acuerdo a la siguiente
expresin:
n

X20 =

i=1

(FOi FEi)2
FEi

(3.3)

donde:
= Frecuencia observada del ith subintervalo.
= Frecuencia esperada del ith subintervalo (N/n).
= Tamao de la muestra.
= Nmero de subintervalos.

FOi
FEi
FN
Fn

,(n 1)

Este estadstico X se compara con X

la cual representa a una variable
aleatoria ji-cuadrada con (n 1) grados de libertad y un nivel de significancia .
2

,(n 1)

16

SIMULACIN DE SISTEMAS

L.I.A. y M.C.C. PEDRO ALEJO ESCARELA RODRIGUEZ

Si X < X
entonces no se puede rechazar la hiptesis de que la muestra
proviene de una distribucin uniforme.

Frecuencia
esperada

N
n

N
n

N
n

N
n

N
n

Frecuencia
observada

FO1

FO2

FO3

FOn-1

FOn

1
n

n-1
n

3
n

2
n

n
n

Figura 3.2. Frecuencia esperada y observada de cada subintervalo.

Por ejemplo, considere los nmeros pseudoaleatorios presentados en la tabla 3.1,

y adems considere que el nmero de subintervalos es 5, es decir n = 5. Para este valor
de n, la frecuencia esperada de cada subintervalo es 20, y las frecuencias observadas
son:

Frecuencia
esperada

20

20

20

20

20

Frecuencia
observada

21

22

19

23

15

.2

.4

.6

.8

Por consiguiente, aplicando la ecuacin (3.3) se obtiene:

2

X = 1/20 { (21-20)2 + (22-20)2 + (19-20)2 + (23-20)2 + (15-20)2 } = 2

0

Si 2se especifica un valor arbitrario de = 0.05, entonces X 0.05, 4 = 9.49. Puesto que
X
< X 0.05, 4
entonces no se puede rechazar la hiptesis de que los nmeros
pseudoaleatorios presentados en la tabla 3.1 provienen de una distribucin uniforme.
2
0

17