NMEROS ALETORIOS

Simulacin
Conceptos bsicos sobre generacin de nmeros aleatorios

Presentado por:
Daniel Prez
Jhon Alexander Mendoza
Va n e s s a C h a c n

FUNDACIN UNIVERSITARIA SAN MARTN

GENERACIN DE NMEROS ALEATORIOS

Un nmero aleatorio es aquel obtenido al azar, es decir, que todo nmero tenga
la misma probabilidad de ser elegido y que la eleccin de uno no dependa de la
eleccin del otro. El ejemplo clsico ms utilizado para generarlos es el
lanzamiento repetitivo de una moneda o dado ideal no trucado.
PARA QU SIRVEN?
Los nmeros aleatorios permiten a los modelos matemticos representar
la realidad.
En general cuando se requiere una impredecibilidad en unos determinados
datos, se utilizan nmeros aleatorios.
Los seres humanos vivimos en un medio aleatorio y nuestro comportamiento lo
es tambin. Si deseamos predecir el comportamiento de un material, de un
fenmeno climatolgico o de un grupo humano podemos inferir a partir de datos
estadsticos. Para lograr una mejor aproximacin a la realidad nuestra
herramienta predictiva debe funcionar de manera similar: aleatoriamente. De esa
necesidad surgieron los modelos de simulacin.
En la vida cotidiana se utilizan nmeros aleatorios en situaciones tan dispares
como pueden ser los juegos de azar, en el diseo de la cada de los copos de
nieve, en una animacin por ordenador, en tests para localizacin de errores en
chips, en la transmisin de datos desde un satlite o en las finanzas.
CMO PUEDO GENERAR NMEROS ALEATORIOS?
La lgica nos hace pensar que las personas somos generadores aleatorios
imperfectos, hay estudios que demuestran que existen tendencias claras en los
humanos para la elaboracin de secuencias sesgadas y estn relacionadas con
caractersticas personales, con los conocimientos o informaciones previas o con
la edad.
Podemos aprovecharnos de situaciones reales para obtener una tabla de
nmeros aleatorios, como la lista de los nmeros de Lotera Nacional premiados
a lo largo de su historia, pues se caracterizan por que cada dgito tiene la misma

probabilidad de ser elegido, y su eleccin es independiente de las dems

extracciones.
Mtodos manuales, lanzamiento de monedas, lanzamientos de dados,
dispositivos mecnicos, dispositivos electrnicos.
Mtodos de computacin analgica, son mtodos que dependen de ciertos
procesos fsicos aleatorios, por ejemplo, el comportamiento de una corriente
elctrica.
Mtodos de computacin digital, cuando se usa el ordenador digital.
Tablas de bibliotecas, son nmeros aleatorios que se han publicado; de los
cuales podemos encontrar listas en los libros de probabilidad y tablas de
matemticas. Estos nmeros fueron generados por alguno de los mtodos de
computacin analgica.
QU SON LOS NMEROS PSEUDOALEATORIOS?
Son unos nmeros generados por medio de una funcin (determinista, no
aleatoria) y que aparentan ser aleatorios. Estos nmeros pseudoaleatorios se
generan a partir de un valor inicial aplicando iterativamente la funcin. La
sucesin de nmeros pseudoaleatorios es sometida a diversos tests para medir
hasta qu punto se asemeja a una sucesin aleatoria.
POR QU HAY QUE RECURRIR A LOS NMEROS PSEUDOALEATORIOS?
Fundamentalmente porque las sucesiones de nmeros pseudoaleatorios son
ms rpidas de generar que las de nmeros aleatorios. Si las personas tenemos
dificultad en generar nmeros aleatorios, mucho ms la tiene un ordenador, la
dificultad est en que un ordenador es tan "torpe" que no sabe generarlos. Por
eso usan nmeros pseudoaleatorios, que para nuestro fin es lo mismo, pues
nadie los puede predecir.

CONTRASTES EMPRICOS
Bondad de ajuste o uniformidad
El contraste 2 de Pearson es el ms antiguo y vlido para distribuciones
continuas y discretas. Sin embargo, es poco potente, por lo que permite justificar
el rechazo de una hiptesis, pero proporciona escaso soporte para su
aceptacin.
Supongamos que tenemos una muestra x1,...,xn (n 25) de una poblacin con
funcin de distribucin Fn(x) desconocida y deseamos contrastar la hiptesis
H0 : Fn (x) = F0 (x), para todo xR, donde F0 (x) est completamente
especificada (conocemos la distribucin y los parmetros de la misma), frente a
la alternativa H1: Fn (x) F0 (x) para algn x.
En nuestro caso, F0 (x) = U (0,1).
1. Agrupamos los n datos en k clases mutuamente excluyentes, k 5, que cubran
todo el rango posible de valores, siendo Oi a la frecuencia observada en la clase
i.
2. Calculamos la frecuencia esperada, Ei , de la clase i de acuerdo con el modelo
F0 (x). Conociendo la probabilidad que asigna el modelo a la clase i tenemos Ei
= n x pi.
3. Calculamos la discrepancia entre las frecuencias observadas y las esperadas
mediante el modelo F0 (x): que se distribuye aproximadamente como una 2
cuando el modelo es correcto.
4. Determinamos los grados de libertad:
-.Si el modelo especifica las probabilidades pi antes de tomar la muestra,
entonces el n de grados de libertad es k 1.
- Si las pi se han calculado estimando r parmetros del modelo de mxima
verosimilitud, entonces el n de grados de libertad es k r 1.

5. Rechazamos el modelo cuando X2 2 (k r 1) para un nivel de

significacin pequeo (0.05, 0.01, 0.001).

Contraste Kolmogorov-Smirnov (K-S)

Es vlido para distribuciones continuas, pero muy potente. Deseamos contrastar

la hiptesis H0: Fn (x) = F0 (x)
1. Ordenamos los valores mustrales de manera que x(1) x(2) ... x(n)
2. Calculamos la funcin de distribucin emprica de la muestra:
Fn (x) = 0 si x < x(1) r/n
si x(r) x < x(r+1) 1
si x > x(r)
3. Calculamos la mxima discrepancia entre la funcin de distribucin emprica y
la terica contrastada. Estadstico bilateral de K-S
Dn = supx R |Fn (x) - F0 (x)|.
La distribucin exacta de Dn est tabulada para valores seleccionados de n 40
y del nivel de significacin .

Para muestras grandes, se utiliza la distribucin asinttica de Dn, que viene

dada, para todo z0, por limn P((n) 1/2 Dn z) = L(z) donde L(z) est
tabulada y se comprueba que la aproximacin es suficientemente buena para
n 35. Intuitivamente, esperamos que Dn sea pequeo cuando la hiptesis nula
es cierta.

En nuestro caso particular de aleatoriedad, si x(1) x(2) ... x(n) designa al

estadstico de orden, F0 (x(i)) = x(i) , y como Fn (x(i)) = i/n , resulta

Aleatoriedad o Independencia Estadstica

Contraste de Rachas
Dada una secuencia de nmeros x1, x2, , xn.
1. Construimos una sucesin de smbolos binarios, asignando un 1 si xi xi+1 y 0
si xi > xi+1.
2. Definimos como racha creciente (decreciente) de longitud l a un grupo del
unos (0s) consecutivos. Contabilizamos el nmero de rachas, que denotaremos
como nr.
Puede comprobarse que el nmero total de rachas en una muestra de n
observaciones independientes sigue una distribucin aproximadamente normal

(si n 40) con parmetros

3. Comprobamos si el nmero total de rachas observadas puede provenir con
una probabilidad razonable de dicha distribucin

Los valores crticos vienen tabulados.

Rechazaremos la hiptesis de independencia cuando el nmero de rachas sea
significativamente grande o pequeo (alta dependencia positiva o negativa).

Test de Pker
Dada una sucesin de nmeros aleatorios en [0,1], x1, x2,..., xn:
1. Consideramos la conversin a los nmeros enteros 1, 2,..., 10 mediante
reemplazar xj por 1 si 0.0 xj < 0.1reemplazar xj por 2 si 0.1 xj < 0.2
reemplazar xj por 10 si 0.9 xj < 1.0 de modo que el nuevo cjto lo ser de
nmeros enteros aleatorios entre 1 y 10.
2. Tomar los conjuntos formados por grupos de 5 ns enteros sucesivos {x
5j,x 5j+1,..., x5j+4} y determinar para cada uno cul de los siguientes
resultados se cumple:
- Se repite el mismo entero 5 veces (denotado con AAAAA, donde A puede ser
cualquier entero del 1 al 10)
- Un entero se repite 4 veces y el otro aparece una sola vez (denotado AAAAB)
- Un entero se repite 3 veces y el otro 2 (denotado AAABB)
- Un entero se repite 3 veces y los otros dos uno cada vez (denotado AAABC)
- Un entero se repite 2 veces, otro entero 2 veces y el tercero 1 vez (denotado
AABBC)

- Un entero se repite 2 veces y los otros 3 enteros cada uno una vez (denotado
AABCD)
- Aparecen cinco enteros distintos (ABCDE)
Exactamente una de estas posibilidades ocurrir para cada grupo de cinco
enteros.
Es de esperar que si se da la aleatoriedad, la proporcin de veces que puede
ocurrir cada posibilidad vendr dada por la distribucin de probabilidad
P(AAAAA) = 0.0001 P(AAAAB) = 0.0045
P(AAABB) = 0.0090 P(AAABC) = 0.0720
P(AABBC) = 0.1080 P(AABCD) = 0.5040
P(ABCDE) = 0.3024
El test de pker finaliza con el estudio de la bondad de ajuste a la anterior
distribucin basndose para ello en el test de la 2, que utilizar el recuento de
estas 7 categoras o particiones para el conjunto generado.
Debido a lo baja que es la probabilidad de la categora AAAAA, se suelen juntar
las categoras AAAAA y AAAAB considerndose entonces una particin en 6
conjuntos en vez de 7.
Si no fuera as, ya que el nmero esperado de ocurrencias de cada categora
debe ser al menos 5, se tendra que para la categora AAAAA debera ser
(0.0001)(n/5) 5, es decir, contrastar n 250.000 nmeros aleatorios, lo que
significara un tamao demasiado grande.

Una versin ms simple de este contraste que facilita una programacin ms

sencilla, Knuth (1998), consiste en encontrar para cada conjunto de 5 enteros su
nmero de valores distintos.
As, tendramos 5 categoras:
5 valores: todos diferentes
4 valores: un par
3 valores: dos pares o tres iguales
2 valores; cuatro iguales
1 valor: los cinco iguales

Esta clasificacin es ms sencilla de obtener de manera sistemtica, siendo el

contraste con calidad prxima al de pker.
Otros contrastes que se pueden utilizar para la aleatoriedad son el contraste de
permutaciones, el contraste de huecos y el contraste de Box-Pierce.

Repeticin de contrastes

Dada una secuencia de nmeros, para contrastar su uniformidad formamos

grupos de al menos 40 elementos.
A continuacin, para cada uno de los conjuntos formados se calcula el nivel de
discrepancia utilizado en el contraste 2
Finalmente, contrastamos (aplicando, por ejemplo, Kolmogorov-Smirnov) que
estos valores provienen de una distribucin 2.

GENERADORES CONGRUENCIAL

Los generadores ms populares son probablemente los congruenciales. Siguen

la frmula de recursin.
Xn+1 = (axn+b) mod mun = xn/m

Para un multiplicador a, sesgo b, mdulo m y semilla Xo, donde, sin prdida de

generalidad, suponemos que a,b { 0,1,....,m -1 }. Cuando b=0, se denominan
multiplicativos. A pesar de su aparente simplicidad y previsibilidad, una seleccin
cuidadosa de los parmetros (a, b, m) permite obtener de manera eficiente
sucesiones de nmeros suficientemente largas y aleatorias para muchos
propsitos.
Algunas observaciones que se derivan de las salidas anteriores y que centran la
discusin sobre este tipo de generadores son:
1. Un generador congruencial tiene ciclos.
2. La longitud del ciclo depende de la seleccin de los parmetros (comparar por
ejemplo, los casos 1y 3).
3. Dentro de selecciones de parmetros que conducen a una misma longitud de
ciclo, algunas salidas parecen ms aleatorias que otras (comparar los casos 1 y
2).
4. La representacin de los pares (xi, xi+1) sugiere que estos se disponen en un
nmero finito de hiperplanos.

GENERADORES RECURSIVOS MLTIPLES

Si bien su teora tambin ha sido desarrollada de manera detallada, los
resultados obtenidos muestran que la eleccin de buenos parmetros de un
generador puede ser un problema intratable en tiempos razonables.
Sin embargo, cuando se considera el caso especial en que Q = 2 (es decir,
cuando lo que generamos son bits aleatorios), es posible salvar estos problemas
y desarrollar generadores de excelente calidad.

Los generadores de la forma Bi = (Pps=1 AsBIs) mod2 donde Ai y Bi son

nmeros binarios se conocen por el nombre de Feedback Shift Register
Generators (este nombre surge porque ser posible implementar un generador
de este tipo directamente en hardware a travs de un circuito de diseo estndar,
conocido por feedback shift register).
Con una correcta eleccin de los Ai, es posible obtener periodos de largo 2p 1 el
mximo alcanzable con una recursin de esta forma.

COMBINACIN DE GENERADORES
Para incrementar el perodo e intentar evitar las regularidades que muestran los
generadores lineales congruenciales se ha sugerido combinar diferentes
generadores para obtener uno hbrido que tal vez sea de mayor calidad que los
generadores originales. Tales combinaciones pueden considerarse heursticas,
algunas de las cuales han resultado bastante pobres.
Aunque el fundamento de estos procedimientos es esencialmente emprico,
tambin se han desarrollado algunos aspectos tericos. En primer lugar, se ha
observado que el periodo de un generador hbrido es, en general, bastante ms
largo que el de sus componentes siendo, adems, posible su determinacin. En
segundo lugar, hay resultados tericos que sugieren que algunas formas de
combinacin de generadores que mejoran su comportamiento estadstico.

GENERADORES NO LINEALES
Dada la estructura reticular de los generadores lineales, algunos autores
sugieren utilizar generadores no lineales. Se distinguen dos formas de introducir
no linealidad en un generador:
a. Usar un generador con funcin de transicin lineal, produciendo la salida
mediante una transformacin no lineal del estado.

b. Usar un generador con funcin de transicin no lineal.

Una propiedad comn en estos generadores es que no producen una estructura
reticular como la de los lineales. Su estructura es altamente no lineal:
tpicamente, un hiperplano t-dimensional tendr a lo sumo t t-uplas solapantes
de nmeros.
Sea rn un primo arbitrario y Fm = {0. 1, ...,m - 1} el lgebra finita de orden
z F m , z z m2 ( modm ) que es la inversa de z
m. Para un entero z, se define
para la multiplicacin en Fm , si z 0 (mod m). Dados a, b Fm, a
0, la sucesin congruencial inversa explcita se define mediante
b , n 0
Y n= an+
El generador congruencial de inversin explcita se obtiene mediante
normalizacin
U n=Y n /m
Obviamente, las sucesiones { un } e { yn } son peridicas con periodo mximo m.

GENERADORES COMERCIALES
Artculo de Park y Miller (1988) como advertencia sobre la mala calidad de
algunos generadores comerciales.
IMSL implementa generadores multiplicativos de
multiplicadores a = 16807, 397204094 y 950706376.

mdulo

m=231 1 y

El lenguaje de simulacin SIMSCRIPT II.5 implementa el mismo tipo de

generador con multiplicador a = 630360016, proporcionando semillas
suficientemente separadas para producir sucesiones independientes.
Press et al (1992) incluyen, entre otros, el generador mnimo estndar, el
generador mnimo estndar barajado segn el mtodo de Bays-Durham y el
generador de L'Ecuyer, barajado segn el mismo mtodo.

El entorno estadstico S-PLUS implementa el algoritmo Super-Duper de

Marsaglia, basado en un generador multiplicativo y un generador de
Taustworthe.

BIBLIOGRAFA

http://www.estadisticaparatodos.es/taller/aleatorios/aleatorios.html
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Leccio
nes/Capitulo%20VI/gnolineales.htm
http://www.dia.fi.upm.es/~ajimenez/Docu_Simulacion/Transparencias/C
ap1-GenNumAleat.pdf
www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Ca
pitulo VI/cgeneradores.htm