Universidad Tecnológica Nacional

Facultad Regional Córdoba

Ing. en Sistemas de Información Asignatura: Simulación

GENERACION DE NUMEROS ALEATORIOS

En cualquier experimento de simulación, así como en la mayoría de los experimentos de muestreo,

existe la necesidad de contar con una fuente de números aleatorios. Los números aleatorios que
estudiaremos en este capítulo se refieren a números o valores de variables que siguen la distribución
uniforme. La finalidad del presente capítulo es analizar las propiedades convenientes de los números
aleatorios utilizados en experimentos de simulación, a fin de presentar algunos métodos que se pueden
utilizar para generar esos números aleatorios y, finalmente, presentar varias pruebas estadísticas que se
pueden aplicar a un determinado conjunto de esos números aleatorios para determinar cuáles son las
propiedades que poseen.

Existen diferentes métodos utilizados para obtener números aleatorios, como ser:

a) Métodos manuales. Se pueden obtener números aleatorios extrayendo (con reposición) bolillas
numeradas consecutivamente desde un bolillero, arrojando dados, sacando con reposición naipes
desde una baraja, etc.
b) Tablas de números aleatorios. Varios libros de texto de estadística contienen grandes tablas de
números aleatorios que se pueden utilizar conforme se haga necesario. Seguidamente se presenta
una de ellas:

51772 74640 42331 29044 46621 62898 93582 04186 19640 87056
24033 23491 83587 06568 21960 21387 76105 10863 97453 90581
45939 60173 52078 25424 11645 55870 56974 37428 93507 94271
30586 02133 75797 45406 31041 86707 12973 17169 88116 42187
03585 79353 81938 82322 96799 85659 36081 50884 14070 74950

64937 03355 95863 20790 65304 55189 00745 65253 11822 15804
15630 64759 51135 98527 62586 41889 25439 88036 24034 67283
09448 56301 57683 30277 94623 85418 68829 06652 41982 49159
21631 91157 77331 60710 52290 16835 48653 71590 16159 14676
91097 17480 29414 06829 87843 28195 27279 47152 35683 47280

c) Métodos de computadora analógica. Consiste en la generación de números aleatorios mediante el

uso de computadoras analógicas diseñadas específicamente para ello. Esta técnica para la creación
de variables aleatorias está actualmente en desuso.
d) Métodos de computadora digital. Son los generados mediante relaciones matemáticas que pueden
ser manifestadas o representadas por medio de una serie de proposiciones en lenguaje de
computadoras digitales, las cuales cuando son ejecutadas, causen que un número sea creado a
partir de la distribución uniforme de probabilidad.

PROPIEDADES DE LOS NUMEROS ALEATORIOS DISTRIBUIDOS UNIFORMEMENTE

Puesto que este curso se dedica a experimentos de simulación en computadoras digitales,

consideraremos que los números aleatorios nos los proporciona algún generador de números aleatorios por
medio de un programa o subrutina de computadora. El generador de números aleatorios que proporciona
esos números está diseñado para producir variables que siguen la distribución uniforme. La pregunta a la
que debemos responder es: “¿qué propiedades debe poseer esa serie de variables aleatorias
uniformemente distribuidas?”.

En primer lugar, examinaremos la distribución uniforme de probabilidad y definiremos las propiedades

que posee. En la siguiente figura se muestra la función densidad para la distribución uniforme definida
sobre el intervalo (0,1).

fx(x)

0 .5 1
x

Para los fines de este análisis, a menos que se indique otra cosa, suponemos que nos ocupamos de la
distribución uniforme continua definida sobre el intervalo (0,1).

Ing. G.H. Scarpin Página 1 03/31/00

Universidad Tecnológica Nacional
Facultad Regional Córdoba
Ing. en Sistemas de Información Asignatura: Simulación

La media de esta distribución debe ser ½. Además, para cualquier muestra dada, el segundo momento
o la suma promedio de los cuadrados debe ser 1/3 y el tercer momento o la suma promedio de los cubos
debe ser ¼.

Si tuviéramos que dividir el intervalo (0,1) entre n clases o subintervalos, el iésimo subintervalo debería
contener T/n observaciones, siendo T el número total de observaciones hechas. O sea, si hubiéramos
hecho 1000 observaciones de las variables a partir de la distribución uniforme, poniéndolas en una
distribución de frecuencias que contuviera, por ejemplo, 10 intervalos espaciados por igual, podríamos
esperar tener una frecuencia de 1000/10 = 100 observaciones en cada intervalo. Esta propiedad debe ser
válida, sea cual sea el tamaño de los intervalos. Es decir, si tuviéramos que reducir el intervalo en el caso
discreto a un valor simple, podríamos esperar tener exactamente el mismo número de observaciones
registradas para cada valor en el rango.

Esta propiedad se puede extender todavía más, diciendo que la probabilidad de observar un valor en un
intervalo dado permanece constante y es independiente del valor obtenido anteriormente. Veamos
nuevamente esta propiedad dada en función de la distribución discreta. Indica que, en el caso discreto, la
probabilidad de que salga cualquier número dado es exactamente la misma para cada número diferente e
independiente del número registrado anteriormente. O sea:

P(xi = X) = constante para todos los i

Es preciso recordar que nos ocupamos de una serie de números que se generan sucesivamente en el
tiempo. Teóricamente, debemos esperar eventos independientes y para cualquier intervalo dado, una
probabilidad constante de que un valor dado caerá en ese intervalo. Puede resultar que nuestro generador
particular no produzca de hecho esos números independientes y tenga una variación cíclica, por ejemplo
se generen varios números por debajo de la media, y así sucesivamente. Las pruebas normales de
frecuencia pueden indicar un buen ajuste; sin embargo, al tener en cuenta el orden en que aparecen los
números, podremos ver que el generador no era verdaderamente aleatorio y que, por ende, no creamos
eventos verdaderamente independiente.

Puesto que esas propiedades existen de manera ideal en cualquier nivel de significancia, deberemos
poder repartir los números y comprobar la aleatoriedad de cada dígito o grupo de dígitos. Si se desean
números aleatorios con tres posiciones decimales, será útil probar el generador hasta cinco posiciones
decimales. De todos modos, las series de números que aparecen deben comprobarse en cada dígito si la
aplicación a que se destina así lo requiere. En cualquier dígito dado del número aleatorio, la probabilidad de
que aparezca los dígitos cero a nueve es de 0.1. Por ejemplo, la probabilidad de observar el número tres
en el segundo lugar decimal de nuestro número aleatorio es 0.1 para cada número generado. Esta
propiedad, como ya se indicó, debe comprobarse en todos los dígitos de cada número.

GENERADORES DE NUMEROS ALEATORIOS

Antes de analizar métodos para diseñar generadores de números aleatorios o dar ejemplos de ellos,
examinaremos las propiedades convenientes que deben poseer un generador de números aleatorios. Para
nuestros fines, debemos tener en consideración esas propiedades en función de un programa de
computadora. Sencillamente, preguntémonos: “¿cuáles son las propiedades convenientes de este
programa de computadora para generar variables aleatorias uniformemente distribuidas?”.

Evidentemente, la primera respuesta que ofreceremos para esa pregunta es que la serie de números
que produce ese generador debe seguir la distribución uniforme ideal tan de cerca como sea posible.

Supongamos que el generador de números aleatorios produce números aceptables para nuestra
aplicación. ¿Qué otras propiedades podemos esperar razonables que tenga este programa?. Las otras
propiedades convenientes se dan a continuación:

1. Debe ser rápido; o sea, que debe generar un número en el menor tiempo posible. Este generador de
números aleatorios es tan sólo una faceta de un modelo de simulación en computadora y, por ende,
no debe consumir mucho tiempo.
2. El programa mismo debe ser breve. Esto quiere decir que no se requiera gran espacio de
almacenamiento del mismo.
3. Debe tener un período largo. El período de un generador de números aleatorios es una medida de la
cantidad de números que se generan, antes de que reaparezca la misma secuencia de números. El
generador no se reciclará necesariamente mediante un regreso al primer número generado. Por
ejemplo, el generador puede reciclarse y comenzar a reproducir la serie que se inicia en el décimo
número generado.
4. Puesto que podemos desear duplicar el experimento varias veces, el generador debe poder
reproducir las mismas series de números que se desee. Por otra parte, debe tener capacidad para
producir, a voluntad, un conjunto o una serie claramente distintos.

Ing. G.H. Scarpin Página 2 03/31/00

Universidad Tecnológica Nacional
Facultad Regional Córdoba
Ing. en Sistemas de Información Asignatura: Simulación
5. El generador debe ser de naturaleza no degenerativa. La degeneración significa que el generador
produce continuamente el mismo número. Si el generador tiene degeneración, el programa debe
poder hacer correcciones y seguir adelante.

Así pues, en general, podemos decir que un generador de números aleatorios debe ser un programa
breve y rápido que produzca una larga secuencia de números aleatorios (que pasen las pruebas estándar)
antes de comenzar a reciclarse y que tenga una naturaleza algorítmica. Como veremos, para cualquier
experimento dado puede haber varios programas distintos que satisfagan esos criterios.
Al principio, se mencionó que un generador de números aleatorios era casi siempre un programa o
subrutina de computadora. Debe resultar evidente que, si sólo se requieren cinco números aleatorios para
un experimento dado de simulación, sería mucho más económico leerlos de archivo, después de tomar los
valores de un conjunto de tablas. Además, si un generador dado de números aleatorios llega a generar
perfectamente 30 números aleatorios antes de reciclarse (o sea, si tiene un período de 30 números) y sólo
necesitamos 20 para nuestro experimento, ese generador será apropiado para nuestros fines.
Antes indicamos que el generador debe ser de naturaleza algorítmica. Se trata de un requisito muy
práctico para el programa generador. El que sea algorítmico quiere decir que se utiliza el resultado del
cálculo anterior para determinar el siguiente. De hecho, se trata de una cualidad útil, porque le permite al
generador funcionar independientemente de todas las demás partes del programa de simulación. En
general, lo único que se debe hacer es proporcionar un valor inicial o de partida al generador, que sigue
adelante, generando una secuencia de valores a partir de ese inicial.
Para ser precisos, debemos observar que los métodos presentados aquí para la creación de generadores
de números aleatorios son determinísticos, puesto que todos ellos incluyen una técnica repetitiva o una
relación de congruencia, expresada por medio de una fórmula. Cualquier serie de números creados de este
modo no podrá ser “verdaderamente aleatoria”. En teoría, sólo algunos fenómenos físicos pueden ser
procesos aleatorios verdaderos. En vista de esto, muchos autores hablan de “generadores de números
seudoaleatorios” en lugar de “generadores de números aleatorios”.

METODOS PARA LA GENERACION DE NUMEROS ALEATORIOS

El primer método para la generación de números aleatorios se conoce como técnica de “cuadrado
medio” (midsquare). Lo propuso Von Neumann y Metropolis hacia 1946. En el método de cuadrado medio
cada número sucesivo se genera tomando los n dígitos centrales del cuadrado del número anterior de n
dígitos.
rm+1 = (rm )
2
n dígitos medios

Por ejemplo, supóngase que deseamos generar números aleatorios de tres dígitos. Nuestro primer valor
es 239. Esto nos da la secuencia siguiente de números: 239è712è694è163è656è033è108è
166è755. Los problemas que se presentan en este método se deben a que tiende a degenerar con
rapidez. Dependiendo del valor inicial, el método puede degenerar al cabo de 20 términos.
En este método se producirá eventualmente la repetición de algunas series y la secuencia de números
aleatorios se reciclará. A su vez, debido a las operaciones que se deben realizar este método no es muy
rápido.

Otro método de generación de números aleatorios se denomina técnica del producto medio y es muy
similar a la técnica de cuadrado medio en que el número aleatorio resultante se toma de los n dígitos
centrales del resultado de una multiplicación previa. En notación matemática:

rm +1 = rm × rm −1 n dígitos medios

La técnica para el producto medio implica la elección de dos números aleatorios r1 y r2, cada uno de
ellos con P dígitos. Luego, se multiplica r1 por r2 para obtener U. Se hace r3 igual a los P dígitos centrales
de U. A continuación r4 es igual a r3 multiplicado por r2, y así sucesivamente. Una modificación de este
método consiste en utilizar un multiplicador constante, en lugar de números aleatorios; o sea:

rm+1 = K × rm n dígitos medios

Este método es similar al de cuadrado medio. No obstante, los dos tienen períodos más largos y los
números que producen parece estar distribuidos más uniformemente. Sin embargo, como sucede en el
caso de la técnica de cuadrado medio esta técnica parece degenerar finalmente hacia algún valor
constante. Tanto el método de cuadrados medios como el de producto medio tienen un período
relativamente breve que se ve afectado considerablemente por los valores escogidos inicialmente.

Estos métodos, que se solían utilizar ampliamente, han cedido su lugar a los métodos de congruencia
basados en la relación:

ri +1 ≡ ari + C (mód m ), 0 ≤ ri ≤ m
Ing. G.H. Scarpin Página 3 03/31/00
Universidad Tecnológica Nacional
Facultad Regional Córdoba
Ing. en Sistemas de Información Asignatura: Simulación
Esta relación implica que la suma ari+C se debe dividir por m y ri+1 es igual al residuo. La relación
indica “ri+1 es congruente con ari+C módulo m”. Como ilustración, sea m=25, a=6 y C=1; asimismo,
sea r0=1.

r1 ≡ 6 × 1 + 1(mód 25) r1 ≡ 7
r2 ≡ 6 × 7 + 1(mód 25) r2 ≡ 18
r3 ≡ 6 × 18 + 1(mód 25) r3 ≡ 9

El método lo propuso inicialmente Lehmer en 1949. Con C=0, se denomina método multiplicativo de
congruencia. La forma que se muestra con C≠0 se denomina método de congruencia mixta. Otra forma:

ri +1 ≡ ri + ri −1 (mód m )

se conoce como método congruente aditivo. De hecho, se trata de una secuencia de Fibonacci cuando
r0=0 y r1=1.

Se ha demostrado que el método congruente multiplicativo, cuando:

ri +1 ≡ ari (mód m )

se comporta muy bien desde el punto de vista estadístico (Gorenstein, 1967).

Por lo común, en una computadora binaria se considera que m es alguna potencia de 2. En este mismo
tipo de computadoras, el periodo máximo es m/4, donde m=2b (b>2) y se logra con r0 impar y a =
8t±3, donde t=1,2,3. En este método suele ser conveniente hacer que b tome el valor del número de
bits de una palabra binaria de la computadora que se utilice.

Un avance respecto a lo anterior fue realizado por MacLaren y Marsaglia (1965) que propusieron una
combinación de dos generadores congruentes para producir secuencias aleatorias. En este método se
utiliza un generador para mezclar la secuencia producida por el otro.

Los métodos analizados corresponden a los primeros desarrollos. En la actualidad existen gran cantidad
de ellos y día a día aparecen nuevos métodos cada vez más complejos y sofisticados.

PRUEBAS SOBRE LA UNIFORMIDAD DE LA DISTRIBUCION

Uno de los análisis básicos que se deben hacer siempre es el de la validación de la uniformidad de la
distribución. Para ello se pueden aplicar dos pruebas básicas: la prueba de ji cuadrada y la de Kolmogorov-
Smirnov. Ambas pruebas se interesan por el grado de acuerdo que existe entre la distribución de una
muestra de números aleatorios generados y la distribución uniforme teórica. Además, las dos pruebas
están basadas en una hipótesis nula de que hay una diferencia no detectable entre una distribución
muestral y la teórica. Las dos pruebas se basan en el agrupamiento de datos mustrales en clases, dentro
del intervalo (0,1). Parece ser que la prueba de Kolmogorov-Smirnov es más poderosa en casi todos los
casos que la prueba ji cuadrada.
Ambas son muy fáciles de programar en una computadora y se pueden diseñar como subrutinas para
fines de prueba.

Las dos pruebas anteriores nos permiten determinar el grado de uniformidad de nuestra muestra pero
no nos dice nada respecto del orden en el que aparecen los números. Para verificar la aleatoriedad del
orden de aparición de los números se deben realizar las pruebas de corridas. Se considera una corrida a
una secuencia de números ascendente o descendente. Mediante ciertos criterios se considera que una
secuencia de números aleatorios no es tal si en la misma existen pocas o excesivas corridas.

Las anteriores son las pruebas más comunes sin embargo existen otras entre las que podemos
mencionar, la prueba de huecos (determina la significancia de los intervalos entre la repetición de cierto
dígito), la prueba del póquer (analiza la frecuencia con la que se repiten los dígitos en números aleatorios
individuales), etc.

Ing. G.H. Scarpin Página 4 03/31/00