ALGORITMO CONGRUENCIAL MULTIPLICATIVO

ALGORITMO CONGRUENCIAL MULTIPLICATIVO

Surge del algoritmo congruencial lineal cuando C=0; entonces la ecuación es:
La ventaja de este método es que en comparación con el algoritmo lineal es que este implica una operación menos.
Los parámetros de arranque de este algoritmo son Xo, a y m, todos los cuales deben ser números enteros y mayores que cero. Para transformar los números Xi en el intervalo (0,1) sea la ecuación:ri = xi/(m-1).
 De acuerdo con Banks, Carson, Nelson y Nicol, las condiciones que deben cumplir los parámetros para que el algoritmo congruencial multiplicativo alcance su máximo periodo son:a= 3 + 8k o a = 5 + 8k k= 0,1,2,3,… X0 debe ser un numero impar g debe ser entero. A partir de estas condiciones se logra un período de vida máximo.
El Método Congruencial multiplicativo
Al igual que el generador congruencial mixto lineal, el generador congruencial multiplicativo determina el próximo número pseudoaleatorio a partir del último número generado, de acuerdo a la siguiente fórmula


https://app.box.com/s/e7przlux9h516584pahvv3c2gfc3buac

Comentarios

Publicar un comentario

Entradas populares de este blog

4.4. Características estadísticas del estimador líder

Imagen
1) Sesgo. Se dice que un estimador es in sesgado si la Media de la distribución del estimador es igual al parámetro. Estimadores in sesgados son la Media muestral (estimador de la Media de la población) y la Varianza (estimador de la Varianza de la población): Ejemplo En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado. La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la Varianza en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cua...
Leer más

4.1. Lista de estimadores a obtener de la simulación

Imagen
4.1 Lista de estimadores a obtener de la simulación H asta ahora hemos estudiado cómo simular probabilidades de elección, pero no hemos estudiado las propiedades de los estimadores de los parámetros que se basan en estas probabilidades simuladas. En los casos que hemos presentado, simplemente hemos insertado las probabilidades simuladas en la función log-verosimilitud y hemos maximizada dicha función, de la misma forma que lo habríamos hecho si las probabilidades hubinsertado ieran sido exactas. Este procedimiento parece intuitivamente razonable. Sin embargo, no hemos mostrado realmente, al menos hasta ahora, que el estimador resultante tenga propiedades deseables, como consistencia, normalidad asintomática o eficiencia. Tampoco hemos exploradora posibilidad de que otras formas de estimación puedan ser preferibles cuando usamos simulación, en lugar de las probabilidades exactas. El propósito de este capítulo es examinar varios métodos de estimación en el contexto de la simu...
Leer más

4.5.2. Muestras pequeñas: prueba de Kolmogórov-Smirnov para ajuste de una distribución de probabilidades continua hipotética (en hoja de cálculo o con paquete estadístico)

Imagen
Prueba de Kolmogorov–Smirnov En estadística, la prueba de  Kolmogórov-Smirnov  (también prueba  K-S ) es una prueba no paramétrica que determina la bondad de ajuste de dos distribuciones de probabilidad entre sí. La prueba de Kolmogorov-Smirnov  se utiliza para probar la bondad del ajuste de una distribución de frecuencia teórica, es decir, si existe una diferencia significativa entre la distribución de la frecuencia observada y la distribución de frecuencia teórica (esperada). En un post anterior cubrimos el metodo Chi-Cuadrado. La prueba de K-S es similar a lo que hace la prueba de Chi-Cuadrado, pero la prueba K-S tiene varias ventajas: Pruebas mas potentes. Más fácil de calcular y utilizar, ya que no requiere agrupación de datos. La estadística de prueba es independiente de la distribución de la frecuencia esperada. Sólo depende del tamaño de la muestra n. LA HIPÓTESIS : H0:  La distribución de frecuencia observada es consistente con la dist...
Leer más