04 Numeros Aleatorios

Capítulo 4
Números
Aleatorios
Simulación/2002 Héctor Allende

Números Aleatorios
• Elemento Central en la Simulación digital.

• Definición formal controvertida.
• Elemento esencial en muchas áreas del conocimiento
Ingeniería, Economía, Física, Estadística, etc.
• Definición intuitiva: Una sucesión de números
aleatorios puros, se caracteriza por que no existe
ninguna regla o plan que nos permita conocer sus
valores.
• Los números aleatorios obtenidos a través de
algoritmos recursivos se llaman pseudoaleatorios.

Números Aleatorios
Disponer de un buen generador de números

aleatorios es clave en:
• Computación Aleatorizada
• Computación Evolutiva
• Algoritmos Aleatorizados
• Verificación de Algoritmos
• Validación de Algoritmos
• Criptografía
• etc.

Números Aleatorios
• La gran disponibilidad de generadores de números

aleatorios en muchos entornos y compiladores
puede llevarnos a pensar que para un usuario de
la simulación no sería necesario estudiar estas
cuestiones.
• Una lección del pasado reciente nos obliga a sacar

lecciones y actuar con mucho cuidado con dichos
generadores (RANDU - IBM).
• El Uso progresivo de modelos de simulación cada

vez más detallados exige una mayor calidad de los
generadores de números aleatorios.
Números Aleatorios
Algunas ideas o propiedades de los generadores

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

Números Aleatorios
No Linealidad: La composición 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, también denominada incomprensibilidad
computacional. Consiste en constatar si la
aleatoriedad de una sucesión de números es
incomprensible (problema decidible).
Impredecibilidad

Números Aleatorios
• DEF 1: Kolmogorov (1987) [Complejidad Algorítmica]

Una sucesión de números es aleatoria sino puede
producirse eficientemente de una manera más corta
que la propia serie.
• DEF 2: L’Ecuyer (1990) [Impredicibilidad] Una
sucesión de números es aleatoria si nadie que utilice
recursos computacionales razonables puede distinguir
entre la serie y una sucesión de números
verdaderamente aleatoria de una forma mejor que
tirando una moneda legal para decidir cuál es cuál.
Obs: Esta definición conduce a los denominados
generadores PT-perfectos usados en Criptografía.
Números Aleatorios
• DEF 3: Un Número aleatorio es una realización 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

generación de números pseudo-aleatorios es:
u1, u2,..., un : es la uniforme (0 ; 1) ui ~ U(0,1).
• DEF 4: Una sucesión de números aleatorios {u 1, u2,..., un}

es una sucesión de números U(0;1), si tiene las mismas
propiedades estadísticas relevantes que dicha sucesión
de números aleatorios.
Números Aleatorios
• DEF 5: Una sucesión de números aleatorios {ui}
es aleatorio si h-úplas de números 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 métodos para generar

{ui} U(0,1) : -Uniformente distribuidas
- Independientes
- E[U]= ½ ; V[U]= 1/12
- Período largo
Números Aleatorios
A las propiedades estadísticas anteriores se deben

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

Números Aleatorios
Métodos de Generación de Números Aleatorios
1.- Método de los cuadrados medios

2.- Métodos Congruenciales
3.- Método de registros desfasados
[Semilla - Algoritmo - Validación]

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

Métodos de los cuadrados Medios
Consiste en que cada número de una sucesión es

producido tomando los dígitos medios de un número
obtenido mediante la elevación al cuadrado.
P1 : Obtener semilla (valores iniciales 445)
P2 : Aplicación de Algoritmos recursivos (elevar
al cuadrado)
P3 : Validación del conjunto de datos
generados

Métodos 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 parámetros del algoritmo se llaman

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

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

Generador congruencial multiplicativo.
2.- Cuando b0 el generador se denomina
Generador congruencial mixto.
3.- A pesar de la simplicidad una adecuada
elección de los parámetros de “a, b y m”,
permite obtener de manera eficiente una
larga e impredecible sucesión de números
como para considerarse “aleatoria”.

Parámetros
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 selección de los
parámetros (ver caso 1) y 3) )
iii) Dentro de selecciones de parámetros que conducen a
la misma longitud, algunas salidas parecen más
aleatorias que otras.
iv) La representación de pares (Xi, Xi+1) sugiere que
estos se disponen en un número finito de hiperplanos.

Los resultados teóricos que veremos a continuación

facilitan la elección de los parámetros de “a y b” su
demostración puede verse en el texto clásico
D. Knuth (1981):
“The Art of Computer Programming”.
Ed. A. Wesley Vol N°2

Proposición 2.1
Un generador congruencial tiene su período máximo si y sólo
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 práctica con el efecto de
traslación, 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 más grande
posible, para asegurarnos un período largo
(posibles elecciones de m son; m=231 -1, m=216 +1)
2) Sea p el período de la secuencia de números
aleatorios, si p=m el generador se llama de período
completo.
3) Si m es un número primo entonces el máximo
período se obtiene ssi a =1

Proposición 2.2 Sea un generador multiplicativo (b=0)
[Xn+1 = a Xn mod m] tiene período p=(m-1), sólo si “p” es
primo. El periodo divide a (m-1) y es (m-1) si y sólo si “a”
es una raíz primitiva de m-1, es decir a(m-1)/p  1 mod m,
para todos los factores primos p de (m-1).
Proposición 2.3
Si a es un raíz primitiva de m, ak mod m, lo es siempre que
k y m-1 sean primos relativos.
Equivalentemente
Si a es una raíz primitiva de m, ak mod m lo es siempre
que ; mcd(k,m-1)=1
Dem: B. Ripley (1987) “Stochastic Simulation”Ed. 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 teoría de estos
generadores se puede ver en Marsaglia (1985)]
2) Una buena elección de “m”, permite obtener un generador

eficiente (ciclo máximo). Pero aún se debe estudiar con
más detalle la elección de a y b, pues se tienen muchos
grados de libertad.
3) Un buen generador congruencial debe ser:
i) De máximo período
ii) Su salida debe parecer aleatoria
iii) Poder implementar de forma eficiente en aritmética
de 32 bits.

Un algoritmo de muy fácil implementación del tipo

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

 Xn 
 31 
un =  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 =  231 
¡ Este generador proporciona tripletas consecutivas de

números que caen en 15 planos ! Lo que sugiere cierta
previsiblidad en su salida (Mal Generador)

Barsaglia (1968) demostró que sucesiones consecutivas

no superpuestas de n números 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 contendrán las 10-úplas
En teoría puede conseguirse que un buen generador con

m = 232 produzca 357.913.941 puntos independientes en
un cubo de dimensión 3, siendo el mínimo número 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 números caen en 15 planos.

Generadores de Registros Desfasados
Se basa en Generadores lineales recursivos múltiples

k
X n  (  ai X n i ) mod (m )
i 1
 Xn 
un   
m
El estudio de este generador se asocia al Polinomio
característico.
P ( z )  Z k  a1Z k 1...  ak sobre un
álgebra finita Fm, con m elementos. [Niederreiter 1992]
[Niederreiter 1992]
Cuando el polinomio es primitivo el período es (mk-1).

Debido a la complejidad del análisis para m grande,
habitualmente se elige un m pequeño, 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 adición módulo 2 es equivalente al XOR (ó 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 bn  h  bn  q
bn  bn  h  bn  q  mod 2 ; bn   ; hq
1 bn  h  bn  q

En este caso los primeros q bits deben ser especificados,

esto es análogo 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
Conversión del Generador Binario
Transformar la sucesión {bi} en un número 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

Conversión del Generador Binario
Consideremos  = 4
y1 = b123 + b222 + b321 + b420 = 8 + 4 + 2 + 1 = 15
y1 15
u1 =  
2 16
y2 = b523 + b622 + b721 + b820 = 8 + 0 + 0 + 0 = 8
y2 8

u2 = 2 16

y3 = b923 + b102
y 13
2
+ b 112 1
+ b 122 0
= 8 + 4 + 0 + 1 = 13
3


u3 = 2 16 .... y así sucesivamente
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 función de transición lineal,
produciendo una transformación no lineal del estado en su
salida.
•Usar un generador con función de transición no lineal.

Combinación 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 híbridos de mejor calidad que los
generadores originales.
Muchas de las combinaciones propuestas son heurísticas
y algunas con resultados bastantes pobres.
X i in1 Yi in1
Por ejemplo sean e dos sucesiones
aleatorias, una sucesión combinada sería :
Zi = Xi  Yi
donde “  ” es alguna operación binaria
Otros Generadores
• Generadores Paralelos de números aleatorios.

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

Validación de Generadores
Congruenciales
Finalmente la fase de validación se basa en ciertas
propiedades estadísticas que deben cumplirse a la
salida de los generadores de n° aleatorios .
Los Test empíricos que veremos a continuación son
genéricos y pueden usarse en la evaluación de
generadores de n° aleatorios, en generadores de
variables aleatorias y en la modelación de entradas de
modelos de simulación.
La mayoría de los Test se encuentran disponibles en
paquetes estadísticos comerciales. SAS, Statistica, etc.

Validación de Nos Aleatorios
2
1) Test 
Este es un test de Bondad de Ajuste. Es poco potente,
por lo que permite justificar el rechazo de una hipótesis,
pero proporciona escaso apoyo en la aceptación.
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 partición del soporte de X en k

subconjuntos I1, I2, ..., Ik :  I i  X  I i  I j  
  2
k
 fi  ei 
2
2
~  ( k 1)
i 1 ei asint
fi : frecuencia absoluta del subconjunto i-ésimo (Ii)

ei: número de observaciones esperadas en Ii bajo Ho

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

2) Este Test también 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 [Distribución uniforme en el hipercubo]

2) Test de Kolmogorov - Smirnov (Test K-S)
Sea Fo una función de distribución continua y sea Fn la función
de distribución empírica de la muestra.
Bajo Ho: Fx(x) = Fo(x) se espera que Fn se aproxime a Fo
Dn = Sup
xR
| Fn(x) - Fo(x) |
La distribución exacta de Dn está tabulada para valores n  40

y distintos niveles de significación .
Para muestras grandes se utiliza la distribución asintótica 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)
estadísticos de orden Fo(X(i)) = X(i) ^ Fn (X(i)) = i/n
 i  i  1   
máx máx   X (i ) ; X ( i )    
Dn =
1i n  n  n   

3) Test de Rachas
Dada la sucesión de “n” observaciones construimos la
sucesión de símbolos 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” números 1(+) ó números 0(-).
Contando el número de rachas. Bajo aleatoridad de la
muestra se espera que su distribución asintótica sea
normal:
N  2n  1 16n  9 

 3
;
90


Ejemplo: Considere la siguiente secuencia de 20 números
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 crítico 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 número de observaciones que se sitúan a

un mismo lado de la mediana. La distribución asintótica
del número 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 números aleatorios sucesivos de una secuencia.
[Extensión del test Chi-Cuadrado]
Sea
X1 = (u1, ..., uk) X2 = (uk+1, ..., u2k) ... Xn = (u(n-1)k+1,..., unk)
Consideremos la n (k-úplas). 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 número de k-úplas que caen
dentro del elemento
 ji 1 ji 
 ;  i  1,2,..., k j  1,2,..., r
 r r
usando la estadística
k 2
r r
 n

2
y
n
 V j1 , j2 ,..., jk  k  ~
j1 , j2 ,..., jk 1  r  ( 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 tamaño. El
número de pares esperado por cubo es
n 2
  r
 2
Test Serial
Sea nij : el número de pares en el cuadrado (i, j)

i = 1,r j =1,r
Entonces la estadística
2 2
r r r
 2 
n

2
y  n   nij  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

Capítulo 4

Simulación/2002 Héctor Allende

• Elemento Central en la Simulación digital.

Simulación/2002 Héctor Allende

Disponer de un buen generador de números

Simulación/2002 Héctor Allende

• La gran disponibilidad de generadores de números

• Una lección del pasado reciente nos obliga a sacar

• El Uso progresivo de modelos de simulación cada

Algunas ideas o propiedades de los generadores

Simulación/2002 Héctor Allende

No Linealidad: La composición de aplicaciones no

Simulación/2002 Héctor Allende

• DEF 1: Kolmogorov (1987) [Complejidad Algorítmica]

Obs: Una particular Ley de Probabilidad base para la

• DEF 4: Una sucesión de números aleatorios {u 1, u2,..., un}

• Existe una gran de métodos para generar

A las propiedades estadísticas anteriores se deben

Simulación/2002 Héctor Allende

1.- Método de los cuadrados medios

[Semilla - Algoritmo - Validación]

Simulación/2002 Héctor Allende

Consiste en que cada número de una sucesión es

Simulación/2002 Héctor Allende

Ejemplo: Consideremos la semilla 445

Simulación/2002 Héctor Allende

Los parámetros del algoritmo se llaman

Simulación/2002 Héctor Allende

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

Simulación/2002 Héctor Allende

Simulación/2002 Héctor Allende

Algunas observaciones de las salidas de los

Simulación/2002 Héctor Allende

Los resultados teóricos que veremos a continuación

Simulación/2002 Héctor Allende

Dem: Donald Knuth Vol 2 (1981)

Simulación/2002 Héctor Allende

Dem: B. Ripley (1987) “Stochastic Simulation”Ed. John

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

2) Una buena elección de “m”, permite obtener un generador

Simulación/2002 Héctor Allende

Un algoritmo de muy fácil implementación del tipo

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

Dicho generador se encuentra en las bibliotecas IMSL

Simulación/2002 Héctor Allende

La rutina RANDU, que IBM proporcionaba para sus

Xn = 65539 Xn-1 mod (231)

¡ Este generador proporciona tripletas consecutivas de

Simulación/2002 Héctor Allende

Barsaglia (1968) demostró que sucesiones consecutivas

En teoría puede conseguirse que un buen generador con

Simulación/2002 Héctor Allende

Se basa en Generadores lineales recursivos múltiples

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

La adición módulo 2 es equivalente al XOR (ó exclusivo)

Simulación/2002 Héctor Allende

En este caso los primeros q bits deben ser especificados,

Transformar la sucesión {bi} en un número aleatorio U(0,1)

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

Simulación/2002 Héctor Allende

Dada la estructura reticular de los generadores lineales,

Simulación/2002 Héctor Allende

Una forma de incrementar el periodo e intentar evitar