INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS N INGENIERIA INDUSTRIAL

Materia: SIMULACION 2.3 PRUEBAS DE ALEATORIEDAD

Equipo: Vanessa Enriquez Gurrola Ruben Alejandro Jimenez Eduardo Fabian Rodriguez Calamaco Juan Manuel Reyna

2.3.1. Pruebas de Aleatoriedad.

Introduccin Estrictamente hablando, obtener sucesiones de nmeros realmente aleatorios implica la utilizacin de algn fenmeno fsico de naturaleza estocstica, como el arrojar una moneda al aire, el ruido de un circuito electrnico, el decaimiento de un material radioactivo, el conteo de fotones mediante detectores centelladores y, ms recientemente, se han propuesto mtodos menos tradicionales basados en fenmenos tales como el flujo turbulento de aire formado por el movimiento de los discos duros en una computadora y otro tipo de hardware, pndulos caticos e incluso del tipo biomtricos, pero debido a las inherentes dificultades que ofrece este enfoque, entre las que podemos mencionar los errores sistemticos introducidos por el arreglo experimental, la nula reproducibilidad de la sucesin obtenida, as como la baja frecuencia en la generacin de nmeros aleatorios, han hecho necesaria la bsqueda de otras formas ms eficientes para obtener estos nmeros.

Desde hace ya algunos aos, se utilizan computadoras digitales para implementar programas a los que llamamos generadores de nmeros pseudoaleatorios o simplemente generadores, los cuales mediante reglas deterministas y operaciones aritmticas muchas veces sencillas, producen sucesiones de nmeros que se asemejan en un sentido limitado, a las obtenidas mediante un experimento aleatorio y que se denominan sucesiones de nmeros pseudoaleatorios.

Se

conocen muchas

implementaciones

diferentes para generar

nmeros pseudoaleatorios que hacen uso de una gran variedad de tcnicas y algoritmos que comprenden desde el uso de algoritmos de congruencias lineales hasta otros asociados con autmatas celulares, algoritmos de criptografa de curvas elpticas, etctera.

La

actual

utilizacin

de

series

muy

grandes

de

nmeros

pseudoaleatorios en muchas aplicaciones, as como algunos episodios de resultados dudosos, obtenidos debido a la baja calidad de los generadores utilizados, ha fortalecido la necesidad de contar con mejores y cada vez ms eficientes pruebas de la calidad. El campo de investigacin de las pruebas de calidad de generadores de nmeros pseudoaleatorios (y por supuesto, tambin de su implementacin), es tan activo que prcticamente no hay mes en el que no se reporten en la literatura cientfica nuevas pruebas de calidad que utilizan una gran variedad de criterios y tcnicas (teora de la informacin, tcnicas estadsticas, power spectrum, gambling tests, sistemas fsicos, entropa, etc.).

Las

pruebas

de

calidad

de

los

generadores

de

nmeros

pseudoaleatorios se pueden dividir en:

Pruebas

tericas.

Se

realizan

estudiando

los

algoritmos

generadores de nmeros pseudoaleatorios mediante el uso de herramientas como la teora de nmeros. Estos tipos de pruebas son tiles por su generalidad y estn basadas en el estudio de algunas propiedades tales como la longitud del periodo de la secuencia y la uniformidad del algoritmo.

Pruebas usadas

empricas. para

Estas

pruebas

se

concentran locales no

en

las

sucesiones de nmeros pseudoaleatorios y sus propiedades. Son encontrar correlaciones triviales presentes en las sucesiones de nmeros pseudoaleatorios y mostrar aspectos desapercibidos en las pruebas tericas.

Pruebas de aleatoriedad

Para comprobar si los nmeros aleatorios obtenidos cumplen las propiedades deseadas de uniformidad e independencia se deben realizar una serie de pruebas. Prueba de frecuencia. Pruebas de series. Prueba de autocorrelacin. Prueba de saltos. Prueba de poker.

Cuando se prueba la uniformidad las hiptesis son: H0: Ri ~ U[0,1] H1: Ri U[0,1] La hiptesis nula supone que la secuencia de nmeros obtenidos est distribuida uniformemente en el intervalo [0,1]. Prueba de frecuencia (Kolmogorov) La prueba bsica a la que se debiera someter cualquier nuevo generador de nmeros aleatorios es la de uniformidad. Existen dos mtodos para realizar esta prueba: Prueba de Kolmogorv-Smirnov. Prueba de chi-cuadrado.

Kolmogorov-Smirnov compara la funcin de distribucin acumulada F(x) de la distribucin uniforme con la emprica, SN(x), de la muestra de N observaciones. Por definicin: F(x) = x para 0 x 1 Para una muestra de R1, R2, ...,RN la funcin de distribucin acumulada, SN(x), est definida por: SN(x) = (nmero de R1, R2, ...,RN que son 1)/N D = max |F(x) - SN(x)| La forma de obtenerlo es de la siguiente manera: Se ordenan los datos de menor a mayor R(1) R(2) ... R(N) Se calcula: D+ = max 1 i N {i/N - R(N)} D- = max 1 i N {R(N) - (i-1)/N } Se obtiene D = max(D+,D-) Se compara con el valor de la tabla para un dado.

compara la funcin de distribucin acumulada F(x) de la distribucin uniforme con la emprica, SN(x), de la muestra de N observaciones. Por definicin: F(x) = x para 0 x 1 Para una muestra de R1, R2, ...,RN la funcin de distribucin acumulada, SN(x), est definida por: SN(x) = (nmero de R1, R2, ...,RN que son 1)/N D = max |F(x) - SN(x)| La forma de obtenerlo es de la siguiente manera: Se ordenan los datos de menor a mayor R(1) R(2) ... R(N) Se calcula: D+ = max 1 i N {i/N - R(N)} D- = max 1 i N {R(N) - (i-1)/N } Se obtiene D = max(D+,D-) Se compara con el valor de la tabla para un dado.

Ejemplo de prueba Kolmogorov-Smirnov

Sean 5 nmeros 0,44, 0,81, 0,14, 0,05, 0,93 generados por algn mtodo.

D+ = max 1 i N {i/N - R(N)} = 0,26 D- = max 1 i N {R(N) - (i-1)/N}= 0,21 Por tanto D = 0,26. Para = 0,05 y N = 5 el valor de la tabla es 0,565 por tanto no se puede rechazar la hiptesis nula.

Prueba de frecuencia (Chi Cuadrada) Se necesita un conjunto mnimo de 50 datos generados que se organizarn en un histograma que cumpla lo siguiente: La cantidad de aleatorios esperados en cada una de las clases del histograma ser de cinco datos como mnimo. Para aplicar esta prueba se necesita un conjunto de (N) aleatorios que sean calculados con el generador que se desea probar, y ejecutar los siguientes pasos: (N >= 50)

1.- Organizar los datos en un histograma (con n clases). 2.- Calcular el nmero de datos esperados en cada clase del histograma suponiendo aleatorios idealmente uniformes. 3.- Calcular el estadstico Chi-cero cuadrado con las diferencias entre las cantidades de aleatorios esperados (Ei) y los observados realmente (Oi) en cada una de las (n) clases del histograma, segn la muestra que se inspecciona.

4.- Se establece el nivel mximo de variacin del estadstico que se calcula (ji-cero) cuando los grados de libertad son iguales al nmero de clases menos uno; y la significacin de la prueba es alfa. Estos valores se encuentran tabulados para la prueba de la Chi-cuadrada. 5.- Se compara el estadstico calculado con el mximo permitido que ley de tablas; si es menor entonces se concluye que no hay evidencia estadstica para afirmar que los aleatorios de la muestra no tienen una distribucin uniforme. Si es mayor no se acepta la hiptesis de uniformidad en los aleatorios generados.

Ejemplo de Chi-cuadrada Se tiene un generador de nmeros en el intervalo (0,1) y se desea probar la uniformidad en los nmeros que genera, con un nivel de confianza del 95%. Para ello se generan 100 nmeros con l y se siguen los pasos de la prueba de Chi-cuadrada. Paso 1.- Se organizan los datos en un histograma, supongamos con 10 clases de igual longitud, encuentre la cantidad de aleatorios que cae en cada clase. En este caso los resultados se muestran a continuacin: CLASE 1 2 3 4 5 6 7 8 9 10 INTERVALO (0-0.1] (0.1-0.2] (0.2-0.3] (0.3-0.4] (0.4-0.5] (0.5-0.6] (0.6-0.7] (0.7-0.8] (0.8-0.9] (0.9-1.0] FRECUENCIA 9 11 12 10 8 9 10 11 10 10

Paso 2.- Calcular los datos esperados en cada clase si el generador fuese completamente uniforme.

En ese caso en cada clase se esperan la misma cantidad de nmeros es decir 100/10=10; en general se esperan Ei datos en cada clase donde Ei=#total de datos/#de clases (para el caso de uniformidad). Con esto se verifica que se cumple con las condiciones de Chicuadrada que son: N > = 50 y Ei > = 5. Por tanto se puede aplicar la prueba. Paso 3.- Calcular el estadstico chi-cero cuadrada con las diferencias entre la cantidad esperada y la observada en cada una de las clases.

CLASE 1 2 3 4 5 6 7 8 9 10

Intervalo (0-0.1] (0.1-0.2] (0.2-0.3] (0.3-0.4] (0.4-0.5] (0.5-0.6] (0.6-0.7] (0.7-0.8] (0.8-0.9] (0.9-1.0]

Frecuencia observada 9 11 12 10 8 9 10 11 10 10

Esperado 10 10 10 10 10 10 10 10 10 10 Total

(Oi-Ei)*(OiEi)/Ei 0.1 0.1 0.4 0.0 0.4 0.1 0.0 0.1 0.0 0.0 1.2

Tabla de Chi-cuadrada

Por tanto el estadstico que se busca es: 1.2 Paso 4.- El valor mximo aceptable se lee de tablas para un alfa de 0.05 y grados de libertad 10-1=9; cuyo valor es: 16.9 (tabla para Chicuadrada). Paso 5.- Como 16.9 > 1.2 entonces no hay evidencia estadstica para rechazar la hiptesis de uniformidad en los nmeros generados. Por tanto se acepta la uniformidad en ellos.