Comprobación de la generación de números
aleatorios pertenecen a una distribución
uniforme
Rodríguez Randy
Universidad Técnica Estatal de Quevedo
randy.rodriguez2015@uteq.edu.ec
Quevedo, Ecuador
Abstract— The numbers generated by a
process that seems random numbers, start from
deterministic algorithms that allow their
generation, which means that we will always
obtain the same result under the same initial
conditions. One of the generation processes is the
validation of the set of trained numbers, better
known as randomness tests, and its first
characteristic is to have a uniform distribution.
This article analyzes several methods to determine
if the set of random numbers created in R statistics
belong to a uniform distribution.
Keywords: random numbers, generation,
validation, randomness tests, uniform
distribution.
Resumen- Los números generados por un
proceso que parece números al azar, parten de
algoritmos determinísticos que permiten su
generación, lo cual nos quiere decir que
obtendremos siempre el mismo resultado bajo las
mismas condiciones iniciales. Uno de los
procesos de generación, es la validación del
conjunto de números formados, más conocidos
como pruebas de aleatoriedad, y su primera
característica es tener una distribución uniforme.
En este artículo se analiza varias métodos para
determinar si el conjunto de números aleatorios
creados en R statistics, pertenecen a una
distribución uniforme.
Palabras clave: números aleatorios, generación,
validación, pruebas de aleatoriedad, distribución
uniforme.
I. INTRODUCCIÓN
Los números generados por computadoras
se conocen con pseudo-aleatorios son
números generados en un proceso que parece
producir números al azar, pero no lo hace
realmente, de aquí el prefijo pseudo que
quiere decir falso, ya que su generación parte
de algoritmos determinísticos, lo cual nos
quiere decir que obtendremos siempre el
mismo resultado bajo las mismas condiciones
iniciales [1].
Todo proceso de generación consta de tres
fases: Obtener semillas (valores iniciales),
aplicación de algún algoritmo de generación
recursivo y validación de números generados
(Pruebas de aleatoriedad). Para verificar o
rechazar la hipótesis de que un conjunto de
observaciones sigue una distribución teórica
supuesta, generalmente se utiliza la prueba
estadística de "bondad del ajuste". Los
métodos más usados para efectuar esta
prueba son el de Kolmogorov-Smirnov y la
distribución Chi-cuadrado [1].
II. REVISIÓN LITERARIA
La distribución normal y su
correspondiente curva normal tienen las
siguientes características:
1. La curva normal es acampanada y presenta
un solo pico en el centro de la distribución.
La media aritmética, la mediana y la moda
de la distribución son iguales y están
localizadas en el pico. De esta forma, la
mitad del área bajo la curva se encuentra por
arriba de este punto central, y la otra mitad
por abajo.
2. La distribución de probabilidad normal es
simétrica con respecto a su media. Si se corta
la curva normal verticalmente en este valor
central, ambas mitades serán como imágenes
en el espejo.
3. La curva normal decrece uniformemente en
ambas direcciones a partir del valor central.
Es asintótica, esto significa que la curva se
acerca cada vez más al eje X, pero en
realidad nunca a tocarlo. Esto es, los puntos
extremos de la curva se extienden
indefinidamente en ambas direcciones [2].
.
 III. METODOLOGÍA

El método implementado en este trabajo se

basa en los siguientes pasos:
- Recopilación de información: Consiste en
la recolección de la información
disponible, la observación directa de
plataformas y recursos. Se determina los
conceptos más importantes que se
escribieron en la sección revisión literaria.
- Aplicación de los métodos: Se ejecutar el
comando en R statistics, para generar los Figura 2 Densidad de la muestra "rnorm".
números aleatorios, a partir de la
generación se procede a aplicar los Una vez obtenidos los números aleatorios se
métodos para comprobar si pertenecen a procede aplicar las pruebas de normalidad en
una distribución uniforme. R. Estas son:
- Presentación de resultados: Se visualiza
los resultados mediantes tablas y gráficos - Shapiro-Wilk
estadísticos para realizar una - Anderson-Darling
interpretación del mismo. - Cramer-von Mises
- Kolmogorov- Smirnov
Fase 1: Recopilación de información - Pearson
En este estudio la recopilación de - Shapiro-Francia
información consistió en realizar un estudio
En cada uno de las pruebas, la hipótesis nula
bibliográfico sobre los temas de generación
es que la muestra proviene de una población
de población de datos, la distribución
con distribución normal. Las pruebas lo que
uniforme y sobre todo la aplicación de
realizan es compara la forma de la
comandos para generar y comprobar que los
distribución de la muestra con una forma
números aleatorios pertenecen a una
teórica de lo que debería tener y si no hay
distribución uniforme en R statistics.
mucha diferencia entre estas dos formas, no
Fase 2: Aplicación de los métodos se rechaza la hipótesis nula, de lo contrario si
Antes de entrar a la segunda fase, existe la forma de la distribución es muy diferente
un paso intermedio entre la fase uno y fase dos que de la teórica o esperada, se rechaza la
es la generación de números aleatorias. Para este hipótesis nula.
estudio se estableció generas 100 elementos con
una media de 3 y una desviación estándar de 0.5. IV. RESULTADOS
La generación de números pseudoaleatorios en R, En esta sección se van a mostrar y comentar
se establece la semilla, mediante el comando los resultados que ha sido generados por la
“set.seed(entero)” , si no se especifica con aplicación de las pruebas de uniformidad. En la
“sed.seed” (o no existe) se genera a partir del reloj tabla 1 se observa el nombre de la prueba aplicada
del sistema. La función empleada para esta con su respectivo resultado. Como podemos
generación es “rnorm”. En la siguiente ilustración observar todos los resultados obtenidos son
podemos visualizar los números generados por superiores al nivel de referencia del 5%, eso
esta función. quiere decir que no se rechaza la hipótesis nula.
TABLA 1
RESULTADOS DE LA APLICACIÓN DE LAS
PRUEBAS DE UNIFORMIDAD
Prueba Resultado
Shapiro-Wilk 0.1460598
Anderson-Darling 0.4354261
Cramer-von Mises 0.4168724
Kolmogorov- Smirnov 0.3094075
Pearson 0.9677731
Shapiro-Francia 0.0883052
Figura 1 Números obtenidos de la función "rnorm"
 Para la aplicación de la prueba Chi- características como es estar uniformemente
cuadrado, se exporto los datos obtenido en R distribuidos.
con la función “rnorm” a Excel, obteniendo
las siguientes tablas:
TABLA 2 VI. REFERENCIAS
APLICACIÓN DE LA PRUEBA CHI-CUADRADO
CON 10 INTERVALOS [1] I. D. R., G. E. P. Z Y S. A. A,
Modelamiento para la simulación de
i Intervalo Oi Ei
sistemas socio-económicos y naturales,
1 [1,19;1,495) 1 10
2004.
2 [1,495;1,8) 1 10
3 [1,8;2,105) 2 10 [2] L. Douglas A, W. G. Marchal y R. D.
4 [2,105;2,41) 7 10 Mason, Estadística para administración
5 [2,41;2,715) 14 10 y economía, D. F.: The McGraw-Hill
6 [2,715;3,02) 18 10 Companies, 2004.
7 [3,02;3,325) 25 10 [3] R. Hernández, C. Fernández y P.
8 [3,325;3,63) 20 10 Baptista, Metodología de la
9 [3,63;3,935) 10 10 investigación, vol. 5, México: McGraw
10 [3,935;4,24) 2 10 Hill, 2010.
100 100

TABLA 3
APLICACIÓN DE LA PRUEBA CHI-CUADRADO -
AGRUPACIÓN DE INTERVALOS
(Oi –
i Intervalo Oi Ei Ei)2/Ei
1 [1,19;2,41) 11 16,67 1,927
2 [2,41;2,715) 14 16,67 0,427
3 [2,715;3,02) 18 16,67 0,107
4 [3,02;3,325) 25 16,67 4,167
5 [3,325;3,63) 20 16,67 0,667
6 [3,63;4,24) 12 16,67 1,307
100 100 8,600
16,812

Con las tablas realizadas en Excel

aplicando la prueba chi-cuadrado podemos
decir que Dado que 8,600 < 16,812 decimos
que no hay evidencia de que la muestra no
provenga de una distribución uniforme.
V. CONCLUSIONES

En este trabajo, se realizó un experimento

cuyo objetivo fue comprobar que los números
generados por el software R statistics cumplen
con una distribución uniforme, para lo que se
realizó varia pruebas.

Para que un conjunto de números sean

considerados aleatorios, deben cumplir con