Generador de números aleatorios

¿Qué es un generador de números aleatorios?

Un generador de números aleatorios produce números de una distribución de probabilidad especificada. Ya sea que necesites números aleatorios uniformes entre 1 y 100, valores normalmente distribuidos con media 50 y DE 10, o tiempos de espera exponencialmente distribuidos, esta herramienta genera muestras de varias distribuciones.

Distribuciones soportadas

Distribución uniforme

Cada valor en un rango es igualmente probable.

Parámetros: Mínimo, Máximo Usos: Selección aleatoria, inicialización de simulación, números de lotería

Ejemplo: Uniforme(1, 100) podría producir: 47, 83, 12, 91, 34...

Distribución normal (Gaussiana)

La clásica curva de campana.

Parámetros: Media (μ), Desviación estándar (σ) Usos: Estaturas, puntuaciones de exámenes, errores de medición, muchos fenómenos naturales

Ejemplo: Normal(100, 15) podría producir: 112, 87, 103, 91, 108...

Distribución exponencial

Tiempo entre eventos en un proceso de Poisson.

Parámetros: Tasa (λ) o Media (1/λ) Usos: Tiempos de espera, tiempos de servicio, decaimiento radioactivo, tiempos de vida de componentes

Ejemplo: Exponencial(tasa=0,5) podría producir: 1,2, 0,3, 2,8, 0,7, 1,5...

Distribución binomial

Número de éxitos en n ensayos.

Parámetros: n (ensayos), p (probabilidad de éxito) Usos: Control de calidad, modelado de elecciones, ensayos clínicos

Ejemplo: Binomial(n=10, p=0,3) podría producir: 4, 2, 3, 1, 5...

Distribución de Poisson

Conteo de eventos en tiempo/espacio fijo.

Parámetros: λ (tasa promedio) Usos: Llegadas de llamadas, conteos de defectos, eventos raros

Ejemplo: Poisson(λ=4) podría producir: 3, 6, 2, 5, 4...

Aplicaciones

Simulación Monte Carlo

Los números aleatorios impulsan simulaciones:

• Modelado de riesgo financiero
• Análisis de confiabilidad de ingeniería
• Simulaciones de partículas en física
• Desarrollo de juegos

Muestreo estadístico

Seleccionar muestras aleatorias de poblaciones:

• Muestreo de encuestas
• Inspección de control de calidad
• Aleatorización de ensayos clínicos

Prueba de hipótesis

Generar distribuciones nulas:

• Pruebas de permutación
• Intervalos de confianza bootstrap
• Análisis de potencia vía simulación

Enseñanza y aprendizaje

Demostrar conceptos estadísticos:

• Teorema del Límite Central
• Ley de los Grandes Números
• Formas de distribución

Juegos y loterías

Selección aleatoria justa:

• Simulación de dados
• Barajado de cartas
• Sorteos de premios

Aleatorio verdadero vs. pseudo-aleatorio

Generadores de números pseudo-aleatorios (GNPA)

Algoritmos computacionales que producen secuencias que parecen aleatorias:

• Determinísticos (reproducibles con la misma semilla)
• Rápidos y eficientes
• Suficientes para la mayoría de aplicaciones estadísticas

Algoritmos comunes: Mersenne Twister, PCG, Xorshift

Generadores de números aleatorios verdaderos

Basados en fenómenos físicos:

• Decaimiento radioactivo
• Ruido atmosférico
• Efectos cuánticos

Usados para criptografía y aplicaciones de alto riesgo.

Para simulación estadística, los GNPA son típicamente suficientes.

Estableciendo semillas

Una semilla inicializa la secuencia aleatoria:

• Misma semilla → misma secuencia
• Diferentes semillas → diferentes secuencias

Por qué usar semillas:

• Reproducibilidad: Re-ejecutar simulaciones exactamente
• Depuración: Aislar problemas
• Documentación: Compartir generación exacta de datos

Transformaciones de distribución

De uniforme a cualquier distribución

El método de transformación inversa:

1. Genera U ~ Uniforme(0, 1)
2. Aplica FDA inversa: X = F⁻¹(U)

Esto convierte números aleatorios uniformes a cualquier distribución con FDA inversa conocida.

Transformación Box-Muller

Convierte uniforme a normal:

1. Genera U₁, U₂ ~ Uniforme(0, 1)
2. Z₁ = √(-2ln(U₁)) × cos(2πU₂)
3. Z₂ = √(-2ln(U₁)) × sin(2πU₂)

Produce dos valores normales estándar independientes.

Verificaciones de calidad para números aleatorios

Las buenas secuencias aleatorias deben:

• Tener forma de distribución correcta
• No mostrar correlación serial
• Pasar pruebas de aleatoriedad (ej., pruebas Diehard)

Para la mayoría de aplicaciones, los generadores de bibliotecas estándar son adecuados.

Contexto histórico

John von Neumann (años 1940) desarrolló métodos computacionales tempranos de números aleatorios.

Su método del "cuadrado medio" era simple pero defectuoso. Siguieron mejores algoritmos.

El Mersenne Twister (1997) de Makoto Matsumoto y Takuji Nishimura se convirtió en el estándar para aplicaciones estadísticas—período largo (2^19937 - 1) y buenas propiedades estadísticas.

Los lenguajes modernos incluyen GNPAs de alta calidad por defecto.

Consideraciones de tamaño de muestra

Para simulación:

• Muestras pequeñas (n < 100): Alta variabilidad entre corridas
• Muestras moderadas (n = 1000): Estabilidad razonable
• Muestras grandes (n > 10000): Las estimaciones se aproximan a valores teóricos

Más números aleatorios = resultados de simulación más precisos.

Muestreo aleatorio estratificado

En lugar de muestreo aleatorio puro:

1. Divide la población en estratos
2. Muestrea aleatoriamente dentro de cada estrato

Reduce varianza comparado con muestreo aleatorio simple.

Errores comunes

Reutilizar semillas involuntariamente: Cada corrida de simulación usa la misma secuencia—no se evalúa varianza.

Tamaños de muestra pequeños: Simulaciones con pocos números aleatorios tienen alto error Monte Carlo.

Distribución incorrecta: Usar normal cuando exponencial es apropiado distorsiona resultados.

Cálculos relacionados

• Calculadora de probabilidad normal — Distribución normal
• Calculadora de probabilidad binomial — Distribución binomial
• Calculadora de probabilidad de Poisson — Distribución de Poisson
• Calculadora de media — Analizar muestras generadas
• Calculadora de desviación estándar — Verificar varianza

Resumen

Los generadores de números aleatorios producen muestras de distribuciones de probabilidad especificadas—esenciales para simulación, muestreo y demostración de conceptos estadísticos. Desde uniforme a normal a Poisson, cada distribución modela diferentes fenómenos del mundo real. Los generadores pseudo-aleatorios proporcionan secuencias reproducibles adecuadas para la mayoría de aplicaciones estadísticas, mientras que establecer semillas permite replicación exacta de simulaciones. Ya sea ejecutando simulaciones Monte Carlo, conduciendo análisis bootstrap o demostrando el Teorema del Límite Central, la generación de números aleatorios es fundamental para la estadística moderna.