04 Numeros Aleatorios

Captulo 4
Nmeros
Aleatorios
Simulacin/2002 Hctor Allende

Nmeros Aleatorios
Elemento Central en la Simulacin digital.

Definicin formal controvertida.
Elemento esencial en muchas reas del conocimiento
Ingeniera, Economa, Fsica, Estadstica, etc.
Definicin intuitiva: Una sucesin de nmeros
aleatorios puros, se caracteriza por que no existe
ninguna regla o plan que nos permita conocer sus
valores.
Los nmeros aleatorios obtenidos a travs de
algoritmos recursivos se llaman pseudoaleatorios.

Nmeros Aleatorios
Disponer de un buen generador de nmeros

aleatorios es clave en:
Computacin Aleatorizada
Computacin Evolutiva
Algoritmos Aleatorizados
Verificacin de Algoritmos
Validacin de Algoritmos
Criptografa
etc.

Nmeros Aleatorios
La gran disponibilidad de generadores de nmeros

aleatorios en muchos entornos y compiladores
puede llevarnos a pensar que para un usuario de
la simulacin no sera necesario estudiar estas
cuestiones.
Una leccin del pasado reciente nos obliga a sacar
lecciones y actuar con mucho cuidado con dichos
generadores (RANDU - IBM).
El Uso progresivo de modelos de simulacin cada
vez ms detallados exige una mayor calidad de los
generadores de nmeros aleatorios.

Nmeros Aleatorios
Algunas ideas o propiedades de los generadores

I. Lagarias (1993) public un trabajo titulado Pseudo
Random Numbers en Statistical Science. Donde
estudia algunas propiedades tales como:
Expansividad : Una aplicacin d [0,1]2es expansiva
si | d ' ( x) | 1 x [0,1]
La idea es escoger d como una aplicacin
expansiva de manera que la inestabilidad
computacional proporcione aleatoriedad.

Nmeros Aleatorios
No Linealidad: La composicin de aplicaciones no

lineales puede conducir a comportamientos
crecientemente no lineales Ej: d(x) = x2; d(n)(x) = x2n
Complejidad Computacional: La aleatoriedad de
Kolmogorov, tambin denominada incomprensibilidad
computacional. Consiste en constatar si la
aleatoriedad de una sucesin de nmeros es
incomprensible (problema decidible).
Impredecibilidad

Nmeros Aleatorios
DEF 1: Kolmogorov (1987) [Complejidad Algortmica]

Una sucesin de nmeros es aleatoria sino puede
producirse eficientemente de una manera ms corta
que la propia serie.
DEF 2: LEcuyer (1990) [Impredicibilidad] Una
sucesin de nmeros es aleatoria si nadie que utilice
recursos computacionales razonables puede distinguir
entre la serie y una sucesin de nmeros
verdaderamente aleatoria de una forma mejor que
tirando una moneda legal para decidir cul es cul.
Obs: Esta definicin conduce a los denominados
generadores PT-perfectos usados en Criptografa.
Nmeros Aleatorios
DEF 3: Un Nmero aleatorio es una realizacin de una
variable aleatoria que tiene asociada una ley de
probabilidades F, en un espacio o modelo de
Probabilidades (, , P).
Obs: Una particular Ley de Probabilidad base para la

generacin de nmeros pseudo-aleatorios es:
u1, u2,..., un : es la uniforme (0 ; 1) ui ~ U(0,1).
DEF 4: Una sucesin de nmeros aleatorios {u1, u2,...,

un} es una sucesin de nmeros U(0;1), si tiene las
mismas propiedades estadsticas relevantes que dicha
sucesin de nmeros aleatorios.
Nmeros Aleatorios
DEF 5: Una sucesin de nmeros aleatorios {ui}
es aleatorio si h-plas de nmeros sucesivos no
superpuestos se distribuyen aproximadamente.
como una [0,1]h, con h=1,2,..,n, para n
suficientemente grande.
Obs: h=2 tenemos (ui,ui+1) , i=1,2,..n , se distribuye
como una ley uniforme en [0,1]2.
Existe una gran de mtodos para generar
{ui} U(0,1) : -Uniformente distribuidas
- Independientes
- E[U]= ; V[U]= 1/12
- Perodo largo

Nmeros Aleatorios
A las propiedades estadsticas anteriores se deben

agregar otras relativas a la eficiencia computacional:
Velocidad de respuesta
Consumo de memoria
Portabilidad
Parsimonia
Reproducibilidad
Mutabilidad
Perodo

Nmeros Aleatorios
Mtodos de Generacin de Nmeros Aleatorios
1.- Mtodo de los cuadrados medios

2.- Mtodos Congruenciales
3.- Mtodo de registros desfasados
[Semilla - Algoritmo - Validacin]

P1 : Obtener semilla (valores iniciales)
P2 : Aplicacin de Algoritmos recursivos
P3 : Validacin del conjunto de datos
generados (Test de Aleatoriedad)

Mtodos de los cuadrados Medios
Consiste en que cada nmero de una sucesin es

producido tomando los dgitos medios de un nmero
obtenido mediante la elevacin al cuadrado.
P1 : Obtener semilla (valores iniciales 445)
P2 : Aplicacin de Algoritmos recursivos (elevar
al cuadrado)
P3 : Validacin del conjunto de datos
generados

Mtodos de los Cuadrados Medios
Ejemplo: Consideremos la semilla 445
X X2 N Aleatorio
445 1| 9802 | 5 0,9802
9802 96| 0792 | 04 0,0792
792 6 | 2726 | 4 0,2726
2726 ............... ...............

Generadores Congruenciales
Xn
Xn+1 = (a Xn + b) mod m ; Un
m
Los parmetros del algoritmo se llaman

-a multiplicador
-b sesgo
-m mdulo
- Xo semilla (valor inicial)

Obs: 1.- Cuando b=0 el generador se denomina

Generador congruencial multiplicativo.
2.- Cuando b0 el generador se denomina
Generador congruencial mixto.
3.- A pesar de la simplicidad una adecuada
eleccin de los parmetros de a, b y m,
permite obtener de manera eficiente una
larga e impredecible sucesin de nmeros
como para considerarse aleatoria.

Parmetros
Caso a b m xo
1 6 0 13 1
2 7 0 13 10
3 5 0 13 5
4 7 0 11 5
5 6 0 11 3
Caso Salidas
1 6 10 8 9 2 12 7 3 5 4 11 1 6 10
2 5 9 11 12 6 3 8 4 2 1 7 10 5 9
3 12 8 1 5 12 8 1 5 12 8 1 5 12 8
4 2 3 10 4 6 9 8 1 7 5 2 3 10 4
5 7 9 10 5 8 4 2 1 6 3 7 9 10 4

Algunas observaciones de las salidas de los

generadores congruenciales:
i) Un generador congruencial tiene ciclos
iI) La longitud del ciclo depende de la seleccin de los
parmetros (ver caso 1) y 3) )
iii) Dentro de selecciones de parmetros que conducen a
la misma longitud, algunas salidas parecen ms
aleatorias que otras.
iv) La representacin de pares (Xi, Xi+1) sugiere que
estos se disponen en un nmero finito de hiperplanos.

Los resultados tericos que veremos a continuacin

facilitan la eleccin de los parmetros de a y b su
demostracin puede verse en el texto clsico
D. Knuth (1981):
The Art of Computer Programming.
Ed. A. Wesley Vol N2

Proposicin 2.1
Un generador congruencial tiene su perodo mximo si y slo
si:
i) m.c.d (b, m) = 1 (primos relativos)
ii) a = 1 mod p ; para cada factor primo p de m.
iii) a = 1 mod 4 ; si 4 divide a m.
Puesto que b esta asociado en la prctica con el efecto de
traslacin, inicialmente asumiremos ( b=0), es decir partiremos
estudiando los generador congruencial multiplicativos.
Dem: Donald Knuth Vol 2 (1981)

Obs: 1) Lo anterior sugiere elegir m lo ms grande
posible, para asegurarnos un perodo largo
(posibles elecciones de m son; m=231 -1, m=216 +1)
2) Sea p el perodo de la secuencia de nmeros
aleatorios, si p=m el generador se llama de perodo
completo.
3) Si m es un nmero primo entonces el mximo
perodo se obtiene ssi a =1

Proposicin 2.2 Sea un generador multiplicativo (b=0)
[Xn+1 = a Xn mod m] tiene perodo p=(m-1), slo si p es
primo. El periodo divide a (m-1) y es (m-1) si y slo si a
es una raz primitiva de m-1, es decir a(m-1)/p 1 mod m,
para todos los factores primos p de (m-1).
Proposicin 2.3
Si a es un raz primitiva de m, ak mod m, lo es siempre que
k y m-1 sean primos relativos.
Equivalentemente
Si a es una raz primitiva de m, ak mod m lo es siempre
que ; mcd(k,m-1)=1

Dem: B. Ripley (1987) Stochastic SimulationEd. John
Wiley. pp 47
Obs: 1) En general los generadores congruenciales son
de la forma
Xn+1 = g (Xn, Xn-1,.... ,Xn-k ,...) mod m
g (x) = a Xn
g (x) = a Xn + b
g (x) = a Xn2 + b Xn + c
Usando g (x) = (a1 Xn-1 + a2 Xn-2 + ... + ar Xn-r), se obtiene

un generador de Fibonacci retardado. La teora de estos
generadores se puede ver en Marsaglia (1985)]
2) Una buena eleccin de m, permite obtener un generador

eficiente (ciclo mximo). Pero an se debe estudiar con
ms detalle la eleccin de a y b, pues se tienen muchos
grados de libertad.
3) Un buen generador congruencial debe ser:
i) De mximo perodo
ii) Su salida debe parecer aleatoria
iii) Poder implementar de forma eficiente en aritmtica
de 32 bits.

Un algoritmo de muy fcil implementacin del tipo

congruencial es m = 231-1
a = 75 (raz primitiva de m)
Xn = 75 Xn-1 mod (231-1)

Xn
un = 31
2 1
Dicho generador se encuentra en las bibliotecas IMSL

y NAG

La rutina RANDU, que IBM proporcionaba para sus

equipos consideraba un modelo congruencial
multiplicativo con m = 231 ; a = 65539 ; b = 0
Xn = 65539 Xn-1 mod (231)

Xn
un = 31
2
Este generador proporciona tripletas consecutivas de
nmeros que caen en 15 planos ! Lo que sugiere cierta
previsiblidad en su salida (Mal Generador)

Barsaglia (1968) demostr que sucesiones consecutivas

no superpuestas de n nmeros aleatorios obtenidos de
generadores multiplicativos caen en, a lo sumo [n! m] 1/n
hiperplanos paralelos.
Algunas cotas de casos representativos
n=3 n=5 n=7 n=9 n=10
m = 216 73 23 16 14 13
m = 232 2953 220 80 48 41
Es decir, en un computador con palabras de 32 bits,
menos de 41 hiperplanos contendrn las 10-plas
En teora puede conseguirse que un buen generador con

m = 232 produzca 357.913.941 puntos independientes en
un cubo de dimensin 3, siendo el mnimo nmero de
hiperplanos que contiene estos puntos 108, en contraste
con los 2953.
Para la famosa rutina RANDU de IBM,
Xn = 65539 Xn mod (231)
las tripletas consecutivas de nmeros caen en 15 planos.

Generadores de Registros Desfasados
Se basa en Generadores lineales recursivos mltiples

k
X n ( ai X n i ) mod ( m)
i 1
Xn
un
m
El estudio de este generador se asocia al Polinomio
caracterstico.
P( z ) Z k a1Z k 1... ak sobre un
lgebra finita Fm, con m elementos. [Niederreiter 1992]

[Niederreiter 1992]
Cuando el polinomio es primitivo el perodo es (mk-1).

Debido a la complejidad del anlisis para m grande,
habitualmente se elige un m pequeo, generalmente 2
obteniendo generadores de bits de la forma
k
bn ai * bn i mod 2
i 1
donde ak = 1 ^ ai {0, 1}
La adicin mdulo 2 es equivalente al XOR ( exclusivo)

0 XOR 0 = 0 0 XOR 1 = 1
1 XOR 1 = 0 1 XOR 0 = 1
Esto nos permite implementar registros de desplazamiento
Un generador propuesto Tausworthe (1985)
0 bnh bnq
bn bnh bnq mod 2 ; bn ; hq
1 bnh bnq

En este caso los primeros q bits deben ser especificados,

esto es anlogo a la semilla de los generadores
congruenciales.
Este tipo de generador depende del largo de la palabra
Ejemplo: h = 3 ; q = 5 ; b1 = b2 = b3 = b4 = b5 = 1
b6 = (b3 + b1) mod 2 = 2 mod 2 = 0
b7 = (b4 + b2) mod 2 = 2 mod 2 = 0
b8 = (b5 + b3) mod 2 = 2 mod 2 = 0
b9 = (b6 + b4) mod 2 = 1 mod 2 = 1
b10 = (b7 + b5) mod 2 = 1 mod 2 = 1
...
b42 = (b39 + b37) mod 2 = 2 mod 2 = 0
Conversin del Generador Binario
Transformar la sucesin {bi} en un nmero aleatorio U(0,1)

42
Consideremos {bi}i 1
b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12

1 1 1 1 1 0 0 0 1 1 0 1
......... b41 b42
......... 1 0

Conversin del Generador Binario
Consideremos l = 4
y1 = b123 + b222 + b321 + b420 = 8 + 4 + 2 + 1 = 15
y 15
u1 = 1l
2 16
y2 = b523 + b622 + b721 + b820 = 8 + 0 + 0 + 0 = 8
y2 8
u2 = l
2 16
y3 = b923 + b1022 + b1121 + b1220 = 8 + 4 + 0 + 1 = 13
y 13
u3 = l3 .... y as sucesivamente
2 16
u 10
i i 1 15 8 13 13 4 2 5 9 1
, , , , , , , , ,...
16 16 16 16 16 16 16 16 16
Generadores no Lineales
Dada la estructura reticular de los generadores lineales,

algunos autores sugirieron utilizar generadores no
lineales. (Ver Niederreiter (1992))
Usar un generador con funcin de transicin lineal,
produciendo una transformacin no lineal del estado en su
salida.
Usar un generador con funcin de transicin no lineal.

Combinacin de Generadores
Una forma de incrementar el periodo e intentar evitar

regularidades que muestren los generadores lineales es
combinar (mezclar) diferentes generadores para obtener
generadores hbridos de mejor calidad que los
generadores originales.
Muchas de las combinaciones propuestas son heursticas
y algunas con resultados bastantes pobres.
X i in1 Yi in1
Por ejemplo sean e dos sucesiones
aleatorias, una sucesin combinada sera :
Zi = Xi Yi
donde es alguna operacin binaria
Otros Generadores
Generadores Paralelos de nmeros aleatorios.

Sincronizacin; reproductibilidad; gasto transicin ]
Generadores de Fibonacci retardados
[ Sincronizacin; reproductibilidad; gasto transicin ]
Generadores Comerciales:
IMSL Generador congruencial multiplicativo m = 231 - 1
a = 16807; 397204094; 950706376
http://www.stat.cmu.edu/

Validacin de Generadores
Congruenciales
Finalmente la fase de validacin se basa en ciertas
propiedades estadsticas que deben cumplirse a la
salida de los generadores de n aleatorios .
Los Test empricos que veremos a continuacin son
genricos y pueden usarse en la evaluacin de
generadores de n aleatorios, en generadores de
variables aleatorias y en la modelacin de entradas de
modelos de simulacin.
La mayora de los Test se encuentran disponibles en
paquetes estadsticos comerciales. SAS, Statistica, etc.

Validacin de Nos Aleatorios
1) Test 2
Este es un test de Bondad de Ajuste. Es poco potente,
por lo que permite justificar el rechazo de una hiptesis,
pero proporciona escaso apoyo en la aceptacin.
Dada una muestra X1, X2, ..., Xn de una Fx(x)
desconocida. Se desea contrastar.
Ho : Fx(x) = Fo(x) v/s H1 : Fx(x) Fo(x)

Efectuando una particin del soporte de X en k

subconjuntos I1, I2, ..., Ik : I i X I i I j
2 f i ei
k 2
~ ( k 1)
2
asint
i 1 ei
fi : frecuencia absoluta del subconjunto i-simo (Ii)

ei: nmero de observaciones esperadas en Ii bajo Ho

Obs: 1) Este Test considera aleatoridad de Fo = U(0,1)

2) Este Test tambin permite contrastar la uniformidad
S-dimensional de
X1 = (u1, u2, ..., us);
X2 = (us+1, us+2, ..., u2s);
...
Xn = (u(n-1)s+1, ..., uns)
en Fo = [0,1]s [Distribucin uniforme en el hipercubo]

2) Test de Kolmogorov - Smirnov (Test K-S)
Sea Fo una funcin de distribucin continua y sea Fn la funcin
de distribucin emprica de la muestra.
Bajo Ho: Fx(x) = Fo(x) se espera que Fn se aproxime a Fo
Dn = Sup | Fn(x) - Fo(x) |
xR
La distribucin exacta de Dn est tabulada para valores n 40

y distintos niveles de significacin .
Para muestras grandes se utiliza la distribucin asinttica de
Dn dada por

lim
n
P( n Dn z ) L( z ) 1 2 (1) e
i 1 2 i 2 z
i 1
Test de Kolmogorov - Smirnov
Obs: En el caso particular de aleatoridad se considera

X(1) < X(2) < .... < X(n)
estadsticos de orden Fo(X(i)) = X(i) ^ Fn (X(i)) = i/n
i i 1
Dn = mx mx X (i ) ; X (i )
1i n n n

3) Test de Rachas
Dada la sucesin de n observaciones construimos la
sucesin de smbolos binarios definida por
1 si X i X i 1

0 si X i X i 1
Definimos racha creciente (decreciente) de longitud L a
un grupo seguido de L nmeros 1(+) nmeros 0(-).
Contando el nmero de rachas. Bajo aleatoridad de la
muestra se espera que su distribucin asinttica sea
normal:
2n 1 16n 9
N
3
;
90

Ejemplo: Considere la siguiente secuencia de 20 nmeros
aleatrorios
0.43 0.28 0.33 0.27 0.12

0.31 0.42 0.01 0.32 0.45
0.98 0.79 0.99 0.55 0.67
0.74 0.16 0.20 0.12 0.58
- + - - + + - + + + - + -+ + - + - +
L=14 E[L]= 13, V[L]=3.23 Z = (14 -13) / 3.23
Z = 0.55 comparado con el valor crtico N ( 13 ;3.23)

El supesto de independencia no puede ser rechazado

Test de Rachas
Test de Rachas por encima y debajo de la mediana.
Se cuentan el nmero de observaciones que se sitan a

un mismo lado de la mediana. La distribucin asinttica
del nmero de rachas bajo aleatoridad es normal:
n n
N 1 ;
2 2

Test Serial
4) Test Serial
Este Test se usa para contrastar el grado de aleatoriedad
entre nmeros aleatorios sucesivos de una secuencia.
[Extensin del test Chi-Cuadrado]
Sea
X1 = (u1, ..., uk) X2 = (uk+1, ..., u2k) ... Xn = (u(n-1)k+1,..., unk)
Consideremos la n (k-plas). Se desea contrastar que X1,

X2, ..., Xn son v.a.i.i.d. uniformemente distribuidas en el
hipercubo k-dimensional unitario.

Test Serial
Dividiendo el hipercubo rk en hipercubos elementales de

volumen 1/rk y sea Vj1, j2, ..., jk el nmero de k-plas que
caen dentro del elemento
ji 1 ji
; i 1,2,..., k j 1,2,..., r
r r
usando la estadstica
2
n
k

r
r

2
y V j1 , j2 ,..., jk k ~
j1 , j2 ,..., jk 1 r
n ( r k 1) gl

Test Serial
Caso Especial (k=2)

X1 = (u1, u2) X2 = (u3, u4) ... Xn/2 = (u(n-1), un)
Particularmente el eje X e Y en r subintervalos de igual

longitud, generando r2-cubos del mismo tamao. El
nmero de pares esperado por cubo es
n 2
r
2
Test Serial
Sea nij : el nmero de pares en el cuadrado (i, j)

i = 1,r j =1,r
Entonces la estadstica
2
2
2

r r
r n
y n nij 2 ~
2
( 2 ) i 1 j 1 r ( r 2 1) gl

Otros Test son:

Test de Permutaciones
Test de Poker
Test de Dependencia
Test de longitud de rachas
etc.

04 Numeros Aleatorios

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

04 Numeros Aleatorios

Cargado por

Copyright:

Formatos disponibles

Captulo 4

Simulacin/2002 Hctor Allende

Elemento Central en la Simulacin digital.

Simulacin/2002 Hctor Allende

Disponer de un buen generador de nmeros

Simulacin/2002 Hctor Allende

La gran disponibilidad de generadores de nmeros

Simulacin/2002 Hctor Allende

Algunas ideas o propiedades de los generadores

Simulacin/2002 Hctor Allende

No Linealidad: La composicin de aplicaciones no

Simulacin/2002 Hctor Allende

DEF 1: Kolmogorov (1987) [Complejidad Algortmica]

Obs: Una particular Ley de Probabilidad base para la

DEF 4: Una sucesin de nmeros aleatorios {u1, u2,...,

Simulacin/2002 Hctor Allende

A las propiedades estadsticas anteriores se deben

Simulacin/2002 Hctor Allende

1.- Mtodo de los cuadrados medios

[Semilla - Algoritmo - Validacin]

Simulacin/2002 Hctor Allende

Consiste en que cada nmero de una sucesin es

Simulacin/2002 Hctor Allende

Ejemplo: Consideremos la semilla 445

Simulacin/2002 Hctor Allende

Los parmetros del algoritmo se llaman

Simulacin/2002 Hctor Allende

Obs: 1.- Cuando b=0 el generador se denomina

Simulacin/2002 Hctor Allende

Simulacin/2002 Hctor Allende

Algunas observaciones de las salidas de los

Simulacin/2002 Hctor Allende

Los resultados tericos que veremos a continuacin

Simulacin/2002 Hctor Allende

Dem: Donald Knuth Vol 2 (1981)

Simulacin/2002 Hctor Allende

Simulacin/2002 Hctor Allende

Usando g (x) = (a1 Xn-1 + a2 Xn-2 + ... + ar Xn-r), se obtiene

2) Una buena eleccin de m, permite obtener un generador

Simulacin/2002 Hctor Allende

Un algoritmo de muy fcil implementacin del tipo

Xn = 75 Xn-1 mod (231-1)

Dicho generador se encuentra en las bibliotecas IMSL

Simulacin/2002 Hctor Allende

La rutina RANDU, que IBM proporcionaba para sus

Xn = 65539 Xn-1 mod (231)

Simulacin/2002 Hctor Allende

Barsaglia (1968) demostr que sucesiones consecutivas

En teora puede conseguirse que un buen generador con

Simulacin/2002 Hctor Allende

Se basa en Generadores lineales recursivos mltiples

Simulacin/2002 Hctor Allende

Cuando el polinomio es primitivo el perodo es (mk-1).

La adicin mdulo 2 es equivalente al XOR ( exclusivo)

Simulacin/2002 Hctor Allende

En este caso los primeros q bits deben ser especificados,

Transformar la sucesin {bi} en un nmero aleatorio U(0,1)

b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12

Simulacin/2002 Hctor Allende

Dada la estructura reticular de los generadores lineales,

Simulacin/2002 Hctor Allende

Una forma de incrementar el periodo e intentar evitar

Generadores Paralelos de nmeros aleatorios.