Virfia Mep115 U1 CT 1.1-1.2 Me PDF

UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA

MÉTODOS PROBABILÍSTICOS
Página 1 de 13
UNIDAD I: MODELAJE DE LA ALEATORIEDAD DE VARIABLES
ALEATORIAS DISCRETAS Y CONTINUAS
Temas
1.1 Definiciones básicas de los experimentos aleatorios
1.2 Generación de números Pseudo-aleatorios
OBJETIVO DE LA UNIDAD
Modelar la aleatoriedad de variables aleatorias discretas y continuas y
programarla usando una herramienta computacional.
INTRODUCCIÓN
La aleatoriedad es un fenómeno que ocurre en la naturaleza por diferentes causas.
Es aquella situación que está presente en los experimentos y aún cuando éstos se realicen
en condiciones controladas, los resultados no son siempre los mismos, bajo las mismas
condiciones. Algunos se atreven a decir que influyen factores como la velocidad, la
temperatura, la presión atmosférica, las condiciones del tiempo, incluso la rotación de la
tierra sobre su eje y la traslación alrededor del sol, incluso la fuerza gravitacional que
ejerce la luna sobre la tierra, etc… Lo cierto es, que los resultados, no son siempre los
mismos. Esto es lo que queremos modelar y controlar por medio de un programa de
computadora, para ellos estudiaremos una serie de temas que nos ayudarán a realizarlo.
Los temas a desarrollar en esta unidad son los siguientes:
1.1. Definiciones básicas de los experimentos aleatorios.

1.2. Generadores de números pseudo-aleatorios.
1.3. Métodos de generación de variaciones aleatorias de variables aleatorias
discretas.
1.4. Casos: Bernoulli, Binomial, Geométrica, Poisson, Hipergeométrica, Binomial
Negativa, Multinomial, Uniforme Discreta.
1.5. Métodos de generación de variaciones aleatorias de variables aleatoria
continuas.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
Página 2 de 13
1.6. Casos: Uniforme, Exponencial, Weibull, Beta, Gamma, Log-Normal, Normal,

Erlang.
1.1. DEFINICIONES BÁSICAS DE LOS EXPERIMENTOS ALEATORIOS

Vamos a profundizar ahora la teoría que sustenta a las distribuciones de
probabilidades. Iniciamos con el concepto básico de experimento aleatorio.
Definimos un “experimento aleatorio”, como aquel en el que se conocen todos los

resultados posibles del mismo, pero que no podemos predecir con certeza cuál de ellos
ocurrirá, antes de realizar el experimento.
Los ejemplos clásicos son el lanzamiento de una moneda sobre una superficie
plana y observar el resultado en la cara superior, y el lanzamiento de un dado sobre una
superficie plana y observar el resultado obtenido en la cara superior.
Suponiendo que la moneda no está arreglada (es decir es “sin sesgo”, lo que
significa que solo tiene dos resultados posibles y cada lado es igualmente probable de
ocurrir). Digamos de ahora en adelante que serán “cara” y “sello”, simbolizados por “C”
para “cara” y “S” para “sello”. Dado que cada uno tiene la misma oportunidad de ocurrir
las probabilidades de ocurrencia de “C” es ½, al igual que la probabilidad de “S”. Aquí se
ha usado el concepto frecuentista de probabilidad. Solo hay una “C” entre los dos
resultados posibles, al igual que solo hay una ”S” en los dos resultados posibles, por ello
la probabilidad se calcula como “casos favorables” entre “casos posibles”.
En el caso del dado, los resultados posibles son los números {1, 2, 3, 4, 5, 6}. Aquí
se asocia cada número al número de puntos obtenidos en la cara superior del dado. Y de
nuevo aplicando la definición frecuentista de probabilidad afirmamos que dado que solo
hay un número 1 entre los seis resultados posibles, que la probabilidad de que caiga un 1
es 1/6. Y así ocurre con los demás resultados del 2 al 6, cada uno tiene probabilidad de
ocurrencia de 1/6.
Existen otros experimentos aleatorios, en los que los resultados posibles son un
tanto diferentes. Por ejemplo al observar el estado de un artículo producido en una línea
de producción, el cual por simplicidad se puede clasificar como “bueno” o “malo”. Salvo
que las probabilidades en estos casos ya no serán ½, como en el caso de la moneda. Ya
que hay que tomar en consideración todos los artículos observados y contar aquellos que
se clasifican como buenos y los que se clasifican como malos. Por ejemplo, suponga que
la línea de producción produce 100 artículos. De los cuales 95 están buenos y 5 están
Página 3 de 13
malos. Entonces la probabilidad de que al elegir un artículo al azar de entre los artículos
producidos por esta línea de producción este esté bueno es de 95/100. Y que esté malo
es de 5/100. Siempre se ha calculado la probabilidad como el cociente entre casos
favorables entre casos posibles.
Definiremos ahora al conjunto formado por todos los resultados posibles de un

experimento como el “espacio muestral” del experimento. Y lo denotaremos por la letra
“S”, generalmente encontrado así en la literatura de habla inglesa, ya que espacio
muestral viene del nombre “Sample space”, aunque en mucha literatura del tema se usa
también el símbolo Ω (se lee “omega mayúscula”).
Los espacios muestrales de los ejemplos anteriores son entonces:
Para el caso del lanzamiento de la moneda S = {“C”, “S”} = {C, S} = Ω. En el caso del
lanzamiento del dado S = {1, 2, 3, 4, 5, 6} y S = {bueno, malo} en el caso del estado del
artículo de la línea de producción.
Como ya lo hemos hecho en estos tres ejemplos anteriores, hemos asignado a

cada resultado posible su probabilidad de ocurrir. A esto se le llama “Distribución de
probabilidades” asociada a los resultados del experimento. Entonces hallar la distribución
de probabilidades, consiste en decir cuál es la probabilidad de ocurrir de cada resultado
posible de un experimento aleatorio dado.
Muchas veces los resultados posibles de un experimento se agrupan en

subconjuntos, por ejemplo, en el caso del lanzamiento de un dado sobre una superficie
plana, los resultados posibles se pueden agrupar en “pares” e “impares”. De tal forma
que si al realizar el lanzamiento del dado se obtiene en la cara superior el valor 1 o el 3 o
el 5, se dice que se dio un resultado “impar”; por otro lado, si al lanzar el dado se obtiene
en la cara superior un 2 o un 4 o un 6, se dice que se obtuvo un resultado “par”.
A los subconjuntos disjuntos formados de la división del espacio muestral se les

denomina “Eventos”. Así, un Evento es un subconjunto del espacio muestral de un
experimento aleatorio. Los eventos suelen nombrarse con las primeras letras del
abecedario escritas en mayúscula. Por ejemplo el evento obtener un número “impar” en
el lanzamiento de un dado sobre una superficie plana se puede denotar por la letra A. y
el obtener un número “par” por la letra B. Entonces la probabilidad de A, se denota por
P(A) y se calcula por 3/6 ya que solo hay 3 pares en los 6 resultados posibles
(P(A)=3/6=1/2). Y la probabilidad de B viene dada por P(B)=3/6=1/2. Ya que de nuevo,
solo hay tres casos favorables de seis posibles en cada caso.
Página 4 de 13
Ahora definiremos el concepto de variable aleatoria. Una “Variable aleatoria” es

una función que va desde el espacio muestral hacia el conjunto de los números reales, en
la que a cada resultado posible le asigna como imagen a través de la función un número
real.
La siguiente figura ilustra este concepto. Donde S denota el espacio muestral que
contiene todos los resultados posibles desde r1 hasta rn del experimento. El conjunto de
los números reales se ha simbolizado por la letra ℝ, los números reales particularmente
usados se han simbolizado por v1, v2, …, vn. La letra X, simboliza el nombre de la función,
generalmente los nombres dados a las variables aleatorias son las últimas letras del
alfabeto en mayúsculas.
S X
ℝ
r1 v1
r2 v2
rn vn
Figura 1. Función “Variable Aleatoria”.
Al igual que cuando se habla de distribución de probabilidades asociada a los

resultados de un experimento, también se puede hablar de distribución de probabilidades
asociada a una variable aleatoria, cuando el número real asociado a cada resultado
posible es la probabilidad de ocurrencia de dicho resultado. La siguiente figura ilustra este
caso, se ha cambiado todo el conjunto de los números reales ℝ por el intervalo de [0, 1]
ya que las probabilidades oscilan dentro de este:
Figura 2. Distribución de probabilidades de una variable aleatoria.

Página 5 de 13
Las funciones “Variable Aleatoria”, confunden un poco, debido a que cuando uno
dice “variable” ya está condicionado a suponer que son valores que pertenecen a un
conjunto dado. Pero no está condicionado a suponer a que “variable”, se refiera a una
“función”, con una regla de definición asociada a ella.
El siguiente ejemplo ilustra la aplicación del concepto de variable aleatoria.

Suponga que cuando se lanza el dado, al resultado posible se le asocia el valor obtenido
como imagen a través de la función variable aleatoria denominada X. La imagen siguiente
aclara este caso:
Figura 3. Ejemplo de Función variable aleatoria, sobre el dado.
Ahora suponga que a cada valor del dado se le asocia como imagen su respectiva
probabilidad. En cuyo caso estaremos hablando de la distribución de probabilidades de la
variable aleatoria X. La siguiente figura lo ilustra:
Figura 4. Ejemplo de distribución de probabilidades de una variable aleatoria.
Página 6 de 13
Las variable aleatorias, se suelen clasificar en discretas y continuas, dependiendo

de los resultados posibles para cada una de ellas. En futuras secciones veremos cómo
programar la ejecución de las variables aleatorias discretas y continuas más comunes.
1.2. GENERADORES DE NÚMEROS PSEUDO-ALEATORIOS.

La generación de números pseudo-aleatorios es muy importante para garantizar
que los procesos se realicen como si en verdad sucedieran aleatoriamente.
Existen muchos generadores de números pseudo aleatorios, sin embargo,

usaremos uno que cae en la categoría de “los clásicos”, por su simpleza y fácil modo de
implementación.
Como la herramienta computacional que usaremos tiene diversidad de

generadores, usaremos el que es más general, con los parámetros que usa por defecto,
cuando sea necesario incorporar otros elementos los iremos incorporando y los iremos
describiendo.
Para iniciar con el generador congruencial mixto, definimos las siguientes

variables: Mult, Addr, Norm que junto con la variable Seed, definen el conjunto de
variables necesarias para implementarlo. Todas las variables asumen valores enteros
positivos, con excepción de Seed que puede asumir el valor cero y de Norm que no puede
ser menor que dos. Además, si Mult es 1, el generador deja de ser mixto y se convierte
en únicamente aditivo.
El generador funciona así: Se le da un valor inicial a Seed (generalmente el valor

0), se le da valores a las variables Mult, Addr y Norm. Luego se procede a realizar el
siguiente cálculo recurrente:
Seed = ((Seed * Mult) + Addr) mod (Norm)
Solo recordar que la operación “mod” da como resultado el “Residuo” de la

división entera entre A y B, siendo A, el resultado de hacer las operaciones producto y
suma de ((Seed * Mult) + Addr) y B el valor de (Norm). Por ejemplo, si Seed = 3, Mult = 5,
Addr = 9 y Norm = 8. Entonces A = ((3 * 5) + 9) y B = 8. Es decir, A = 24 y B = 8. Entonces
A mod B es el residuo de hacer la división entera 24 entre 8. Lo cual al dividir resulta un
Cociente de 3 y un residuo de 0. Así el nuevo valor de Seed será 0.
Y con este nuevo valor de Seed se calcula el siguiente y así sucesivamente.
Página 7 de 13
Ahora bien, el número Seed no aparenta ser un número aleatorio en el intervalo

entre 0 y 1. Para lograrlo se parte del hecho de que la expresión ((Seed * Mult) + Addr)
aunque en realidad pueda dar como resultado valores mayores que Norm, al realizar la
operación “mod”, los valores resultantes del residuo oscilaran entre 0 y (Norm – 1).
No pueden ser mayores que Norm porque eso indicaría que aún se puede seguir
dividiendo. Si fuera igual que Norm, en ese caso el residuo de la división entera sería 0.
Por tanto, Seed = ((Seed * Mult) + Addr) mod (Norm) siempre dará como resultado un
valor menor que Norm. Entonces al hacer el cociente Seed / Norm, se obtendrá un valor
que oscila en el intervalo [0, 1). De aquí que la forma para obtener aleatorios que oscilan
en el intervalo [0, 1) es:
Aleat = Seed / Norm
En conclusión, el generador debería venir ejecutándose por medio del siguiente

algoritmo:
Paso 1: Dar valores a Seed, Mult, Addr y Norm.
Paso 2: Calcular Seed = ((Seed * Mult) + Addr) mod (Norm).
Paso 3: Hacer Aleat = Seed / Norm.
Repetir paso 2 y 3 hasta lograr la secuencia de números pseudo aleatorios

deseada.
Para verificar estos pasos generar la mayor secuencia posible de valores Seed para
los siguientes casos, analice las situaciones que se logran con los valores originales dados
a las variables Seed, Mult, Addr y Norm.
Caso 1: Seed = 0, Mult = 6, Addr = 5, Norm = 11.
Se concluye entonces que es muy importante la elección de los valores iniciales

de Mult, Addr y Norm; además que el valor inicial de Seed no tiene mayor influencia.
Página 8 de 13
El siguiente Teorema declara la verdad acerca de como obtener la mayor longitud

del ciclo en la generación de valores de Seed, y por lo tanto en la generación de valores
aleatorios (Aleat’s).
TEOREMA: El generador de valores de Seed, generará la mayor longitud del ciclo

si cualquiera de las siguientes condiciones se cumple:
i. Norm: Es una potencia de 10.
Addr: termina en cualquiera de los dígitos: 1, 3, 7 ó 9.
Mult – 1, es un múltiplo de 20.
ii. Norm: Es una potencia de 2.
Addr: Es un número impar.
Mult – 1, es un múltiplo de 4.
Verifique que los valores de la siguiente tabla cumplen alguna de las condiciones
anteriores del teorema:
NORM SUMR MULT Mayor Entero Generado
100 41 641 63500
10000 4857 2601 26012256
1024 57 981 1003620
32768 8485 22073 723274476
A continuación, se muestra un programa Scilab para generar N valores aleatorios:

//Este programa es un generador de números pseudo aleatorios.
//Se dan valores para Norm, Mult y Addr. Se toma un valor inicial de Seed = 0.
//Se solicita cuántos números se desea generar: N.
//Se solicita el destino del despliegue si en pantalla o en un archivo de texto.

Página 9 de 13
TRUE = 1;
FALSE = 0;
Norm=32768;
Mult=8485;
Addr=22073;
Seed=0;
printf('GENERADOR CONGRUENCIAL MIXTO DE NÚMEROS PSEUDO-ALEATORIOS.\n');
OK=FALSE;
while OK == FALSE
N = input('Introduzca el número de valores aleatorios a generar, un valor entero positivo ');
if N <= 0
printf('Debe ingresar un valor entero positivo\n');
else
OK = TRUE;
end
end
if OK == TRUE
printf('Seleccione el destino de la salida\n');
printf('1. Pantalla\n');
printf('2. Archivo de texto\n');
FLAG = input('INTRODUZCA 1 ó 2');
if FLAG == 2
printf('Introduzca el nombre que tendrá el archivo, use el formato - drive:\\nombre.ext\n');
printf(‘Por ejemplo: E:\\EJEMPLO.txt\n');
NAME = input(' ','s');
OUP = file('open',NAME,'unknown');
else
OUP = 1;
end
if FLAG == 2
Página 10 de 13
text1='NÚMEROS PSEUDO-ALEATORIOS\n'
write (OUP,text1);
else
printf( ' I NÚMERO PSEUDO-ALEATORIO\n');
end
% STEP 1
I = 1;
% STEP 2
while I <= N
% STEP 3
% Calcula el ALEATORIO(I)
SEM=pmodulo(SEM*MULT + SUMR,NORM);
ALEAT=SEM/NORM;
if FLAG == 2
write(OUP,ALEAT);
else
printf('%3d %20.8e \n',I,ALEAT);
end
I = I+1;
end
if OUP ~= 1
file(‘close’,OUP);
printf('Archivo de Salida creado exitosamente \n');
end
Página 11 de 13
1.3. SECCIÓN DE EJERCICIOS.

1. Experimento Aleatorio:
Tenemos que describir tres experimentos aleatorios a partir de la siguiente

imagen:
a) Experimento aleatorio 1: Observar qué equipo gana la competencia.

S = {equipo 1, equipo 2,…, equipo n}. Suponiendo que son 8 equipos,
entonces n=8.
b) Experimento aleatorio 2: Observar si el equipo de “VEN” bota o no la batuta
al hacer el traspaso. S = {bota la batuta, no bota la batuta}.
c) Experimento aleatorio 3: Observar qué equipos 1, 2, 3, 4, 5, 6, 7 u 8 obtiene
un lugar con medalla en la competencia. S = { 123, 124, 125, 126, 127, 128,
134, 135, 136, 137, 138, 145, 146, 147, 148, 156, 157, 158, 167, 168, 178, 234,
235, 236, 237, 238, 245, 246, 247, 248, 256, 257, 258, 267, 268, 278, 345, 346,
347, 348, 356, 357, 358, 367, 368, 378, 456, 457, 458, 467, 468, 478, 567, 568,
578, 678}
1.4. ENLACES SUGERIDOS

http://www.scilab.org
Página 12 de 13
1.5. BIBLIOGRAFÍA
1. Solomon. F. (1987) Probability and Stochastic Processes. New Jersey, USA. Prentice Hall
Inc.
2. Bhat, U.N. & Miller, G. K. (2002) Elements of applied Stochastic Processes. New York, USA.
Wiley-Interscience, John Wiley & Sons, Inc.
3. Bailey, N. T. J. (1964) The Elements of Stochastic Processes, with applications to the
natural sciences. New York, USA. John Wiley & Sons, Inc.
4. Baudin, M., (2010) Introduction to Scilab, France, The Scilab Consortium – Digiteo.
5. Canavos, G., (1998), Probabilidad y estadística: Aplicaciones y métodos, Mexico, D.F.,
McGraw-Hill/Interamericana de Mexico S.A. de C.V.
6. Devore, J., (2008). Probabilidad y estadística: Para ingeniería y ciencias (7ª. ed.) Mexico,
D.F., Cengage Learning Editores S.A de C.V.
7. Diccionario Merrian-Webster Retomado de: http://www.merriam-webster.com (2017).
8. Dodge, Y. (2006) Diccionario Oxford de términos estadísticos.
9. Everitt, B., Skrondal, A., (2010) The Cambridge dictionary of statistics (4ª. ed.) New York,
U.S.A. Cambridge University Press.
10. Hines, W., Montgomery, D. (1993). Probabilidad y estadística: Para ingeniería y
administración (3er ed.) Mexico, D.F., CECSA.
11. Johnson, R., (1998) Probabilidad y estadística: Para ingenieros de Miller y Freund (5ª ed.)
Mexico, D.F., Prentice-Hall Hispanoamericana.
12. Mendenhall, W., Beaver, R., Beaver, B., (2010). Introducción a la probabilidad y estadística
(13ª ed.) Mexico, D.F., Cengage Learning Editores S.A de C.V.
13. Žitkcović, G. (2010) Introduction to Stochastic Processes – Lecture Notes. Austin, Texas,
USA. Department of Mathematics. The University of Texas.
14. Taylor, H.M. & Karlin, S. (1998) An Introduction to Stochastic Modeling. New York, USA.
Academic Press.
15. Knill, O. (2009) Probability and Stochastic Processes with Applications. New Delhi, India.
Overseas Press India Private Limited.
16. Ross S. M. (1996) Stochastic Processes. New York, USA, John Wiley and Sons, Inc.
17. Feller, W. (1968) An introduction to Probability Theory and its Applications, vol. 1. New
York, USA, John Wiley and Sons, Inc.
18. Wolf, R. W. (1989) Stochastic Modeling and the Theory of Queues. New Jersey, USA.
Prentice Hall Inc.
19. Yates, R. D. & Goodman, D. J. (1983) Probability and Stochastics Processes. New York,
USA. John Wiley and Sons, Inc.
Página 13 de 13
GLOSARIO
Experimento Aleatorio: Aquel en el que se conocen todos los resultados posibles del
mismo, pero que no podemos predecir con certeza cuál de ellos ocurrirá, antes de realizar
el experimento.
Espacio Muestral: Conjunto formado por todos los resultados posibles de un experimento.
Evento: Subconjuntos disjuntos tomados del espacio muestra de un experimento aleatorio.
Variable aleatoria: Es una función que va desde el espacio muestral hacia el conjunto de
los números reales, en la que a cada resultado posible le asigna como imagen un número
real.
Distribución de probabilidades: Es una función que va desde el espacio muestral hacia el

conjunto de los números reales, en la que a cada resultado posible le asigna como imagen
su propia probabilidad de ocurrencia.

Virfia Mep115 U1 CT 1.1-1.2 Me PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Virfia Mep115 U1 CT 1.1-1.2 Me PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE EL SALVADOR EN LÍNEA

FACULTAD DE INGENIERÍA Y ARQUITECTURA

Los temas a desarrollar en esta unidad son los siguientes:

1.1. Definiciones básicas de los experimentos aleatorios.

1.6. Casos: Uniforme, Exponencial, Weibull, Beta, Gamma, Log-Normal, Normal,

1.1. DEFINICIONES BÁSICAS DE LOS EXPERIMENTOS ALEATORIOS

Definimos un “experimento aleatorio”, como aquel en el que se conocen todos los

Definiremos ahora al conjunto formado por todos los resultados posibles de un

Los espacios muestrales de los ejemplos anteriores son entonces:

Como ya lo hemos hecho en estos tres ejemplos anteriores, hemos asignado a

Muchas veces los resultados posibles de un experimento se agrupan en

A los subconjuntos disjuntos formados de la división del espacio muestral se les

Ahora definiremos el concepto de variable aleatoria. Una “Variable aleatoria” es

Al igual que cuando se habla de distribución de probabilidades asociada a los

Figura 2. Distribución de probabilidades de una variable aleatoria.

El siguiente ejemplo ilustra la aplicación del concepto de variable aleatoria.

Figura 3. Ejemplo de Función variable aleatoria, sobre el dado.

Figura 4. Ejemplo de distribución de probabilidades de una variable aleatoria.

Las variable aleatorias, se suelen clasificar en discretas y continuas, dependiendo

1.2. GENERADORES DE NÚMEROS PSEUDO-ALEATORIOS.

Existen muchos generadores de números pseudo aleatorios, sin embargo,

Como la herramienta computacional que usaremos tiene diversidad de

Para iniciar con el generador congruencial mixto, definimos las siguientes

El generador funciona así: Se le da un valor inicial a Seed (generalmente el valor

Seed = ((Seed * Mult) + Addr) mod (Norm)

Solo recordar que la operación “mod” da como resultado el “Residuo” de la

Y con este nuevo valor de Seed se calcula el siguiente y así sucesivamente.

Ahora bien, el número Seed no aparenta ser un número aleatorio en el intervalo

Aleat = Seed / Norm

En conclusión, el generador debería venir ejecutándose por medio del siguiente

Paso 1: Dar valores a Seed, Mult, Addr y Norm.

Paso 2: Calcular Seed = ((Seed * Mult) + Addr) mod (Norm).

Paso 3: Hacer Aleat = Seed / Norm.

Repetir paso 2 y 3 hasta lograr la secuencia de números pseudo aleatorios

Caso 1: Seed = 0, Mult = 6, Addr = 5, Norm = 11.

Caso 2: Seed = 4, Mult = 6, Addr = 5, Norm = 11.

Caso 3: Seed = 0, Mult = 6, Addr = 3, Norm = 7.

Caso 4: Seed = 1, Mult = 6, Addr = 3, Norm = 7.

Caso 5: Seed = 4, Mult = 6, Addr = 3, Norm = 7.

Caso 6: Seed = 5, Mult = 6, Addr = 3, Norm = 7.

Se concluye entonces que es muy importante la elección de los valores iniciales

El siguiente Teorema declara la verdad acerca de como obtener la mayor longitud

TEOREMA: El generador de valores de Seed, generará la mayor longitud del ciclo

i. Norm: Es una potencia de 10.

Addr: termina en cualquiera de los dígitos: 1, 3, 7 ó 9.

Mult – 1, es un múltiplo de 20.

ii. Norm: Es una potencia de 2.

Addr: Es un número impar.

NORM SUMR MULT Mayor Entero Generado

100 41 641 63500

10000 4857 2601 26012256

1024 57 981 1003620

32768 8485 22073 723274476

A continuación, se muestra un programa Scilab para generar N valores aleatorios:

//Se solicita cuántos números se desea generar: N.

//Se solicita el destino del despliegue si en pantalla o en un archivo de texto.

printf('GENERADOR CONGRUENCIAL MIXTO DE NÚMEROS PSEUDO-ALEATORIOS.\n');

N = input('Introduzca el número de valores aleatorios a generar, un valor entero positivo ');

printf('Debe ingresar un valor entero positivo\n');

printf('Seleccione el destino de la salida\n');

printf('2. Archivo de texto\n');

FLAG = input('INTRODUZCA 1 ó 2');

printf('Introduzca el nombre que tendrá el archivo, use el formato - drive:\\nombre.ext\n');