Generación de números aleatorios
La generación de números aleatorios produce secuencias de números que se comportan como si fueran extraídos de una distribución de probabilidad objetivo, proporcionando las entradas estocásticas de las que dependen la simulación Monte Carlo, el remuestreo y los algoritmos aleatorizados.
Definition
La generación de números aleatorios es la construcción y el análisis de algoritmos que generan números que aproximan extracciones independientes de una distribución de probabilidad especificada, partiendo de una fuente uniforme en el intervalo unitario.
Scope
Esta área abarca los algoritmos deterministas que producen secuencias pseudoaleatorias uniformes, las transformaciones que convierten las variables uniformes en muestras de distribuciones arbitrarias, los esquemas de aceptación-rechazo para densidades que no pueden invertirse en forma cerrada y los dispositivos de reducción de varianza que mejoran la eficiencia de los estimadores de simulación. Las fuentes de entropía de hardware y los generadores criptográficos se señalan como casos límite, pero el enfoque principal está en los generadores para la simulación estadística.
Sub-topics
Core questions
- ¿Cómo puede un algoritmo determinista producir secuencias que pasen las pruebas estadísticas de aleatoriedad y uniformidad?
- Dado un generador uniforme, ¿cómo se obtienen muestras de una distribución objetivo arbitraria?
- Cuando la inversión directa es intratable, ¿cómo se muestrea una densidad mediante aceptación-rechazo?
- ¿Cómo se puede reducir la varianza de un estimador de simulación sin aumentar el tamaño de la muestra?
Key theories
- Generación uniforme pseudoaleatoria
- Una recurrencia con un período largo y una buena estructura de red produce secuencias deterministas que son estadísticamente indistinguibles de extracciones uniformes independientes; la calidad se evalúa por la longitud del período, la equidistribución y las baterías de pruebas empíricas.
- Métodos de transformación
- La transformada integral de probabilidad y sus variantes mapean variables uniformes a una distribución objetivo: la aplicación de la función de distribución acumulativa inversa produce muestras exactas siempre que pueda evaluarse.
- Muestreo por aceptación-rechazo
- Al proponer a partir de una envolvente fácil de muestrear que domina la densidad objetivo y aceptar propuestas con una probabilidad igual a la razón de densidad, se obtienen muestras exactas de densidades que no pueden invertirse, a un costo establecido por la rigidez de la envolvente.
Clinical relevance
La generación fiable de números aleatorios sustenta la integración Monte Carlo, la inferencia bootstrap y de permutación, el muestreo bayesiano posterior, los experimentos aleatorizados y los estudios de simulación en todas las ciencias; los generadores deficientes con períodos cortos o artefactos de red pueden sesgar silenciosamente los resultados de la simulación, por lo que la calidad del generador es una preocupación fundamental para la reproducibilidad.
History
Los primeros trabajos de Monte Carlo en Los Álamos se basaron en esquemas congruenciales simples y de cuadrado medio; las décadas posteriores expusieron sus defectos y produjeron una teoría rigurosa de la estructura de red y la equidistribución, culminando en generadores de período largo y conjuntos de pruebas estandarizados para evaluar la aleatoriedad.
Key figures
- Luc Devroye
- Donald Knuth
- Pierre L'Ecuyer
- John von Neumann
Related topics
Seminal works
- devroye1986
- knuth1997
Frequently asked questions
- ¿Son realmente aleatorios los números generados por computadora?
- La mayoría son pseudoaleatorios: un algoritmo determinista produce una secuencia reproducible a partir de una semilla. Los generadores bien diseñados tienen períodos muy largos y pasan pruebas estadísticas, por lo que la salida es indistinguible de la aleatoriedad genuina para fines de simulación, mientras que sigue siendo exactamente reproducible cuando la semilla es fija.
- ¿Por qué la función de distribución acumulativa inversa es tan central?
- Si U es uniforme en (0,1), entonces la aplicación de la función de distribución acumulativa inversa de cualquier distribución a U produce una muestra de esa distribución. Esta transformada integral de probabilidad es exacta y es el método predeterminado siempre que se pueda calcular la inversa.