UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO

ESCUELA PROFESIONAL DE INGENIERÍA INFORMÁTICA Y DE SISTEMAS

ASIGNATURA: MODELOS Y SIMULACIÓN

TEST NÚMEROS PSEUDOALEATORIOS

TRABAJO DE MONOGRAFÍA
PRESENTADO POR

ALEJO HIRPAHUANCA FERNANDO 080164

CORNEJO RIVERO JEFFRID 021499

MAZA CHURATA RUTH MILAGROS 100125

MERMA CANO KENY ORLANDO 110599

Cusco – Perú
Octubre – 2015
INTRODUCCIÓN
El asunto de la aleatoriedad es una cuestión importante tanto desde el punto de vista
teórico y como filosófico. Muchos generadores de números aleatorios actualmente en uso
general lo que se llama "secuencias aleatorias" pero de hecho son el resultado de
algoritmos deterministas, por lo que técnicamente se los denomina generadores de
números pseudoaleatorios. Estos generadores no siempre generan secuencias que
exhiben una aleatoriedad suficiente y generan patrones muy repetitivos, que no pasan
muchas pruebas de aleatoriedad. El uso de generadores de números aleatorios mal
concebidos puede dar lugar a experimentos no válidos, debido a esa falta de
aleatoriedad.
El principal énfasis en las pruebas estadísticas deberá ser con respecto al generador de
los números aleatorios, ya que cualquier deficiencia estadística en la distribución de la
variable aleatoria no uniforme, se deberá exclusivamente a la utilización de un deficiente
generador de números aleatorios. Por ello se aplicarán algunas de las muchas pruebas
estadísticas que han sido desarrolladas para probar la uniformidad y aleatoriedad o
independencia de los mismos, lo cual significa que la ocurrencia de un número aleatorio
no determina la ocurrencia del siguiente y así sucesivamente.
Las pruebas de aleatoriedad nos reducen a analizar el resultado de un generador de
números pseudoaleatorios, también pueden usarse para determinar si un conjunto de
datos es explicable mediante un patrón reconocible; por ello desarrollaremos algunos test
o pruebas que a continuación se mencionan.
TEST DE PROMEDIOS
Propósito del Test:
Consiste en verificar que los números generados tengan una media estadísticamente
igual a ½ de tal manera que los números pseudoaleatorios muestren uniformidad.

Restricciones del Test:

La conociendo los parámetros de la distribución uniforme, es posible plantear una prueba
de hipótesis de promedios, con la cual se trata de probar que los números
pseudoaleatorios generados provienen de un universo con media de 0.5. Más
específicamente, una prueba de hipótesis de promedios puede ser planteada de la
siguiente forma:
Hipótesis nula H0: u=1/2
Hipótesis alternativa H1: u<>1/2
La realización de esta prueba requiere obtener una muestra de tamaño N, es decir, es
necesario generar N números pseudoaleatorios. En seguida, su promedio aritmético es
evaluado de acuerdo a la siguiente expresión:

x
U1  U 2  U 3  ....  Un 
N
En seguida se determina el valor del estadístico Z0, utilizando la siguiente expresión:

Z0 
 x  1/ 2 N
1/12
Si Z0  Z /2 , entonces no se puede rechazar la hipótesis de los numeros
pseudoaleatorios generados provienen de un universo uniforme con media de 0.5.

Algoritmo
Una de las propiedades que deben cumplir los números del conjunto R1, es que el valor
esperado sea igual a 0.5 .La prueba que busca determinarla es la llamada Test de
Promedios, en la cual se plantean las siguientes hipótesis:
Ho:𝜇 𝑟1 = 0.5
Ho:𝜇 𝑟1 ≠ 0.5

El Test de Promedios consiste en determinar el promedio de los n números que contiene

el conjunto R1, mediante la ecuación siguiente:
r= ∑𝑛𝑖=1 𝑟𝑖

Posteriormente se calculan los límites de aceptación inferior y superior con las

ecuaciones siguientes:

LI 𝑟 = 1/2 − 𝑍∝2(1/√12𝑛)
1
LS 𝑟 = 2 + 𝑍∝2(1/√12𝑛)

Si el valor de r se encuentra entre los límites de aceptación, concluimos que no se puede

rechazar que el conjunto ri tiene un valor esperado de 0.5 con un nivel de aceptación de
1-α. En caso contrario se rechaza que el conjunto ri tiene un valor esperado de 0.5.
Para el cálculo de los límites de aceptación se utiliza el estadístico Z α/2, el cual se
determina por medio de la tabla de distribución normal estándar.

Ejemplo:
Considere los 40 números del conjunto ri que se presenta a continuación, y determine si
tienen un valor esperado de ½ con un nivel de aceptación de 95%.

0,0449 0,1733 0,5746 0,0490 0,8406 0,8349 0,9200 0,2564

0,6015 0,6694 0,3972 0,7025 0,1055 0,1247 0,1977 0,0125
0,6300 0,2531 0,8297 0,6483 0,6972 0,9582 0,9085 0,8524
0,5514 0,0316 0,3587 0,7041 0,5915 0,2523 0,2545 0,3044
0,0207 0,1067 0,3587 0,1746 0,3362 0,1589 0,3727 0,4145

El conjunto ri contiene 40 números, por lo tanto, n = 40. Un nivel de aceptación de 95%

implica que α = 5%. Enseguida procedemos a calcular el promedio de los números y los
límites de aceptación:

𝑟̅ = 1/ 𝑛 ∑𝑛𝑖=1 𝑟𝑖 𝑛= 1 /40 ∑40

𝑖=1 𝑟𝑖

𝑟̅ = 1 /40 [0.0449 + 0.1733 + 0.5746 + 0.0490 + ⋯ + 0.3362 + 0.1589 + 0.3727 + 0.4145]

𝑟̅ = 0.43250
 𝐿𝐼𝑟̅ = 1 /2 – Z ∝/2 ( 1 /√12𝑛 ) = 1 2 − 𝑧0.05/2 ( 1 /√12(40) )
𝐿𝐼𝑟̅ = 1/ 2 − (1.96) ( 1/ √12(40) ) = 0.4105
𝐿𝑆𝑟̅ = 1 /2 + 𝑧∝/2 ( 1/ √12𝑛 ) = 1 2 + 𝑧0.05/2 ( 1/ √12(40) )
𝐿𝐼𝑟̅ = 1 /2 + (1.96) ( 1 √12(40) ) = 0.5895
Como el valor del promedio: 𝑟̅ = 0.43250 se encuentra entre los límites de aceptación, se
concluye que no se puede rechazar que el conjunto de 40 números ri tiene un valor
esperado de 0.5, con un nivel de aceptación de 95%.

TEST DE DISTANCIAS
[Propósito del Test:
Restricciones del Test: (que restricciones debe cumplirse)
Algoritmo
Ejemplo:]
TEST DE RACHAS
[Propósito del Test:
Restricciones del Test: (que restricciones debe cumplirse)
Algoritmo
Ejemplo:]

TEST DE PERMUTACIONES

Propósito del Test:

En principio, esta prueba es idéntica a cualquier otra prueba de significación de hipótesis nula, al
margen de 2 puntos importantes:
1. Nula, del estadístico de prueba de distribución se obtiene calculando repetidamente la
estadística de prueba tras la reasignación al azar de los valores a los grupos de
tratamiento (o a grupos de la muestra).
 Bajo la nula hipótesis de los valores así aleatorios son las observaciones originales
- este es su forma más popular.
 Bajo la hipótesis nula, la hipótesis de los datos originales son modificados para
eliminar cualquier efecto del tratamiento antes de la reasignación al azar - pero
los residuos que asignaron al azar pueden producir resultados inverosímiles.
 Las permutaciones (tareas o asignaciones al azar) son equivalentes a muestrear
estos valores sin reemplazo.

2. Dado que sólo un número finito de valores son permutada, y se calculan un número finito
de estadísticas de prueba, la nula distribución resultante es discreta inevitablemente.
 P-valores son el rango relativo del valor de la prueba estadística observada dentro
de esa distribución nula.
Por esta última razón, pruebas de permutación podrían describirse como 'no paramétrica', pero
más a menudo se debe a errores no se supone que representan una población distribuida
normalmente. Una vez más, debido a su nula distribución depende de sus observaciones, en
lugar de su población "padre", estas pruebas son 'condicional' sobre sus valores observados. En
otras palabras, la nula distribución utilizada por una permutación de prueba es un único
subconjunto minúsculo de la nula distribución que se obtendría si obtuvo esas estadísticas de
muestras aleatorias repetidas de la población de los padres

Restricciones del Test:

 Las Pruebas de permutación También se dice que son «exacta». No es muy bueno, la
razón de esto es porque (en principio), es posible calcular la probabilidad exacta de
obtener valor observado de su estadística de prueba, y para cada valor más desviada.

 Una mejor justificación para el uso de una prueba de permutación es cuando hace
trabajos coinciden con el diseño experimental. Cuando esto no es cierto, una
permutación de prueba a veces es justificado por ser más simple, "mejor
comportamiento", o más robusto, que las alternativas como bootstrapping (donde los
valores se vuelve a muestrear con reemplazo), pero sería engañoso para describir tal
prueba de permutación como «exacta».

Algoritmo
Para remuestreo sin reemplazo (aleatorización) bajo la nula hipótesis:
1. Combine sus observaciones en una sola columna o matriz.
o Introduzca la muestra 1 en celdas de 1 a n1, muestra 2 en celdas n1 + 1 a n2 etc.
Entonces siempre calcular sus muestras estáticas de estos grupos de celdas.
2. Permutar sus observaciones:
o Tomar cada celda de la matriz, a su vez, cambiar los contenidos de la celda con
una celda seleccionada al azar.
o Puede seleccionar la dirección de la celda para intercambiar con multiplicando un
número aleatorio entre 0 y 1 por el número de celdas en su conjunto (N), y la
adición de 1 para permitir el truncamiento entero. Algunas lenguas permitirá
tener una dirección de celda de cero; y la mayoría redondear a la baja cuando
truncar valores de punto flotante a enteros.
3. Calcular y registrar su estadística de volver a muestrear de las direcciones de las celdas
que contenían originalmente esas muestras.
o Si ha introducido la muestra 1 en celdas de 1 a n1, calcular su estadística de volver
a muestrear a partir de celdas de 1 a n1. Calcular la muestra 2 de celdas n1 + 1 a
n2 etc.
 4. Repita los pasos 1 a 3 para obtener estadísticas de remuestreo suficientes.

Ejemplo
(Considere esta población muy finita)

Imagine la siguiente prueba ha sido realizada por un agricultor que quiere comparar dos
tratamientos insecticidas para reducir la 'mosca de los establos "(Stomoxys) problemas en sus
corrales de terneros de cría.

 El agricultor selecciona 5 de sus terneros y los divide en dos grupos. Un grupo contiene 2,
el otro grupo tiene 3 animales. El primer grupo se protege usando aretes
impregnados. Para el otro grupo que se aplica una formulación a base de aceite de la
misma insecticida, un piretroide artificial. Después de 3 días se quita sus papeles
matamoscas y cuenta el número de estable-moscas en cada uno.

Aquí están sus resultados.

Número papel matamoscas 1 2 3 4 5

Número de
30 50 7 12 30 (Y)
moscas estables atrapadAS
Tratamiento etiquetas Vierta - en
Cantidad 80 49 (Σ Y)

Con un poco de aritmética, que produce estas estadísticas.

Total Número de Promedio de moscas ( )

Tratamiento
capturado terneros tratados por becerro

etiquetas 80 2 40
( T )

Vierta - en 49 3 16.33
( P )
Proporcion (etiquetas: Vierta - en) ⇒ 2.45 ( T / P )

De lo cual, concluye, "que vertido podría ser un poco desordenado, pero es más de dos veces
mejor que las marcas auriculares - Tengo la mitad de los moscas alrededor de los becerros".

El agricultor está bastante satisfecho con su pequeño experimento - sobre todo porque estos
tratamientos eran muestras gratuitas. El siente una diferencia tan clara evidencia bastante fuerte
el vertido se deshace de más de las moscas. Pero, antes de que ella invierte dinero, ella le
gustaría ser segura de que sus resultados no son sólo una especie de casualidad estadística.
 Hay tres pasos que tenemos que considerar.

1. Necesitamos una estadística para probar

En este caso particular nuestro agricultor está interesado en la relación de sus dos medias
muestrales, T / P Pero para hablar de manera más general, utilicemos θ - para denotar cualquier
estadística de interés.

2. Tenemos que decidir cómo θ podría esperarse para variar.

Esto depende de nuestro modelo biológico y estadística subyacente.

3. Tenemos que comparar la estadística se observó con la distribución esperada - predicho

por nuestro modelo.

¿Cómo hacemos esto depende de la hipótesis que se está probando?

 Definición de la población modelo

Empecemos por considerar nuestra hipótesis nula.

Por lo que el agricultor nos ha dicho, que usó un experimento "completamente al azar" de
diseño. Nuestra hipótesis nula es que cualquier diferencia que observó era simplemente debido
al azar.

Podemos expresar esto de otra manera. Imagine por un momento, ¿qué pasaría si todas las
etiquetas se habrían caído de nuestros papeles matamoscas?

Si sus tratamientos fueron igualmente efectivos, o ineficaces, no importaría que papel

matamoscas era de vigilancia que el tratamiento. En otras palabras, en promedio, al menos, que
bien podría volver a etiquetar sus tratamientos al azar - a condición de que cada papel
matamoscas terminó con una etiqueta.

Por supuesto, es poco probable que un grupo de observaciones, seleccionada (o asignado) al

azar, dará los mismos resultados que el agricultor logró.

Por ejemplo -
La asignación aleatoria de los resultados al grupo de tratamiento
Número de grupo 1 2
Número de
12 30 7 30 50
moscas estables atrapadas
Cantidad 42 87
Significado 1 = 21 2 = 29

Proporcion ( 1 / 2 ) ⇒ 0.72
Sin embargo, si nuestra hipótesis nula es correcta, y no habría realmente ninguna diferencia
entre el efecto de estos tratamientos, cualquier observación seleccionados al azar deben
proporcionar una descripción igualmente válidas de las observaciones que se han extraído. En
cuyo caso, cualquier estadística muestra un resumen de dichas observaciones debe ser
igualmente válida.

Si esta hipótesis nula es realmente cierto, siempre que su tamaño de sus grupos de tratamiento
siguen siendo los mismos, cualquier variación entre éstos observado ("muestra") estadísticas
deben ser enteramente debido a la casualidad. Sólo si los resultados de nuestro agricultor ha
observadas son muy inusuales, puede ser que se concluye que es poco probable que surja de
este grupo, y consideramos rechazar nuestra hipótesis nula - de que sus tratamientos producen
el mismo resultado.

 Definir el proceso de selección

Dada la forma en que nuestro agricultor ha marcado sus resultados, estamos asumiendo ningún
animal fue asignado a ambos grupos. - En otras palabras, ningún animal recibió tanto una marca
auricular y vertido. Del mismo modo, se supone que el agricultor utiliza sólo un papel
matamoscas para cada ternero, y que el registró el resultado de cada papel matamoscas una vez
y sólo una vez.

Cuando se indica en estos términos, no podemos discutir con realismo estos tratamientos fueron
asignados de forma independiente el uno del otro. La probabilidad de un ternero que se asigna a
un grupo variado de acuerdo a cómo habían los otros terneros ya asignados. Por ejemplo, si por
casualidad el agricultor asignó al azar a los tres primeros animales en el grupo "Vierta - en", los
dos animales restantes podrían solamente ser asignados al grupo 'etiquetas'. - Tampoco, una vez
que un animal había sido seleccionado entre los animales “ sin-asignar ", fue este reemplazado o
reasignado.

Por tanto, debemos tratar a nuestras observaciones de la misma manera. En otras palabras, hay
que seleccionar cada observación de nuestra población modelo sin reemplazo. La siguiente tabla
muestra todas las formas posibles en que 5 observaciones podrían ser divididas en dos grupos,
que comprende 2 y 3 observaciones. Todos los posibles resultados de nuestro experimento se
describen como el espacio maestral. Resulta que sólo hay 10 formas alternativas de dividir sus 5
observaciones en dos grupos (de 2 'etiquetados' y 3 ‘Vierta – en’). Siempre que el agricultor
asigna sus tratamientos al azar, cada uno de estos eventos son igualmente probables, incluso si
se les asignan los resultados después que se realiza su experimento.

Para hacer las cosas más claras, hemos sombreado observaciones asignadas a los etiquetados
animales verde. Observaciones asignados a verter animales tratados están sombreadas de
color turquesa. Hemos clasificado estos resultados en función de su estadística de prueba.
 Todas las posibles formas de asignación de cada observación un tratamiento -
haciendo caso omiso de la orden de asignación

Número de estable moscas en cada

papel matamoscas Proporcion
totales
Resultado totales de los
(Vierta –
# (etiquetas) medios
etiqueta en)
etiquetas Vierta – en capturados
⇒
1⇒ 7 12 30 30 50 ⇒ 19 110 0.26
2⇒ 7 12 30 30 50 ⇒ 37 92 0.60
3⇒ 7 12 30 30 50 ⇒ 37 92 0.60
4⇒ 7 12 30 30 50 ⇒ 42 87 0.72
5⇒ 7 12 30 30 50 ⇒ 42 87 0.72
6⇒ 7 12 30 30 50 ⇒ 57 72 1.19
7⇒ 7 12 30 30 50 ⇒ 60 69 1.30
8⇒ 7 12 30 30 50 ⇒ 62 67 1.39
9⇒ 7 12 30 30 50 ⇒ 80 49 2.45
10 ⇒ 7 12 30 30 50 ⇒ 80 49 2.45
1 2 3 4 5 ⇐ N° papel matamoscas

 Al describir la distribución de la estadística

Con el fin de calcular la probabilidad de este modelo podría producir cualquier resultado dado,
incluyendo resultado observado de nuestros agricultores, tenemos que calcular la probabilidad
de observar cada uno de los 10 resultados posibles mencionados anteriormente. Cada uno de los
10 resultados posibles (mencionados anteriormente) tiene 12 órdenes posibles en las que se
podrían asignar los tratamientos - por lo que cada uno de ellos son igual de probable que se
produzca por la. Posibilidad aritmética simple nos dice que hay 120 órdenes diferentes (o
permutaciones) en la que nuestro dos tratamientos pueden ser asignados a estas 5
observaciones - esta población de las estadísticas comprende todos los puntos en el espacio de
muestra.

En otras palabras, siempre y cuando restringimos nuestra inferencia que sólo sus 5
observaciones, estos (10 × 12 =) 120 resultados posibles comprenden la totalidad de la
población de T / P que son posibles - si este modelo es el correcto. El diagrama de dispersión
muestra cómo el rango relativo (secuencial) de cada resultado posible se relaciona con su
ubicación. Teniendo en cuenta que algunos resultados son idénticos, para facilitar la
comparación, tenemos el color que codifica para que coincida con la tabla anterior.
Esta distribución de la población difiere de las distribuciones supuestas utilizado por modelos
paramétricos, tales como la z-test (o t.test) de dos maneras importantes.

1. Esta población de las estadísticas es discreta en vez de lisa.

2. Su rango es estrictamente ligada (debido 0.26 ≤ [ T / P] ≤ 2.45) en comparación
con una distribución normal (donde −∞ < θ < +∞) o una distribución logarítmica
normal (donde 0 < θ < +∞).

Por lo tanto, al analizar un test de permutación, es difícil justificar el ajuste de la distribución

logarítmica normal – como se muestra en gris en el gráfico anterior. Como vemos, las
propiedades de la distribución de permutación pueden afectar a lo que realmente puede inferir.
  Comparando observada y esperada

Ahora que tenemos una idea de cómo podría esperarse que estos resultados varien, vamos a
comparar la distribución 'exacta' predicho por nuestro modelo 'nulo', con el resultado de nuestro
agricultor realmente observada.

Sólo dos de las pruebas estadísticas posibles 10 (o 24 de las 120 permutaciones) son tan
extremas como resultado de nuestro agricultor (2,45 veces más moscas alrededor de terneros
etiquetados). Sin prueba estadística fue más extremo que su resultado.

Una prueba convencional (que asume una lisa distribución de θ) requiere menos de 5 por ciento
de esta población de las estadísticas para ser mayor que o igual al resultado obtenido. En este
caso 24 de los posibles resultados 120 son los mismos que el que él logra, así que hay un 20% de
probabilidad (P = 0,2) de encontrar el vertido fue más eficaz si de hecho hubo ninguna diferencia.

Sin embargo, el agricultor sólo pretende encontrar qué tratamiento fue mejor, debemos
considerar ambos extremos de la distribución. Simplemente duplicar el 1 de cola P-valor nos da
un P-valor de 0,4

Teniendo en cuenta esta distribución es discreta, se puede argumentar que mediado de P-valor
es más apropiado. Cuando se expresa como una parada de media, el 90% de la población tenía
un rango inferior a la estadística, que observó. Aun así, un 1 de cola P-valor de 0,1 podría ser más
sutil ser descrito como "sugerente" en lugar de "significativo".

TEST DE SERIES
Propósito del Test:
Esta prueba es usada para probar la uniformidad en dos o más dimensiones de los
números pseudo-aleatorios generados
Restricciones del Test:
En dos dimensiones, se divide el espacio entre 0 y 1 en K2 celdas de igual área.
Si tenemos una muestra de tamaño n, podemos construir n/2 pares no solapados (x1,
x2), (x3, x4),..., y contar los puntos que caen en cada celda. Idealmente se esperan
(n/2)/K2 puntos en cada celda.
Se puede usar la prueba chi-cuadrado para encontrar la desviación entre lo observado y
lo esperado. Los grados de libertad son K2-1. Es fácil ver cómo se puede extender la
prueba a k-dimensiones.

Algoritmo:
Supone que se tiene una secuencia de números aleatorios. Si se agrupa la secuencia en
pares, los pares deben ser uniformes en I2. Si no son uniformes, los datos originales no
son independientes.
Se hace una tabla de frecuencias dos dimensional, se contrasta con la uniforme
bidimensional por una prueba x2 De chi-cuadrado.
Si se acepta la hipótesis que los datos siguen una distribución normal, no hay evidencia
para dependencia en los datos. En el otro caso si se encontró dependencia en los datos
entonces no pasa la prueba.
Ejemplo:
Se tiene 100 números pseudoaleatorios:
0.829 0.767 0.58 0.95 0.081 0.397 0.171 0.165 0.254 0.764 0.649 0.861 0.141 0.226
0.469 0.268 0.178….
Se forman los 50 pares:
(0.829, 0.767), (0.58, 0.95), (0.081, 0.397), (0.171, 0.165), (0.254, 0.764), (0.649, 0.861),
(0.141, 0.226),...

PARES DE NUMEROS PSEUDOALEATORIOS

1.2

0.8

0.6
PUNTOS

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1

Tabla de frecuencias de 2 dimensiones:

Nro. k k 0 - 0.2 0.2 - 0.4 0.4 - 0.6 0.6 - 0.8 0.8 - 1

1 0.0 – 0.2 5 5 3 2 3
2 0.2 - 0.4 1 4 2 3 2
3 0.4 - 0.6 2 2 1 1 1
4 0.6 - 0.8 0 1 2 0 3
5 0.8 - 1.0 3 0 1 1 2

La probabilidad teórica de cada celda es 1/25, por eso la frecuencia esperada FE es

100/25= 4.

Con esta información se puede aplicar la prueba chi-cuadrado x2.

En la tabla se muestra el valor de: (FE − FO)2/FE

Nro. k k 0 - 0.2 0.2 - 0.4 0.4 - 0.6 0.6 - 0.8 0.8 - 1

1 0.0 – 0.2 0.25 0.25 0.25 1.00 0.25
2 0.2 - 0.4 2.25 0.00 1.00 0.25 1.00
3 0.4 - 0.6 1.00 1.00 2.25 2.25 2.25
 4 0.6 - 0.8 4.00 2.25 1.00 4.00 0.25
5 0.8 - 1.0 0.25 4.00 2.25 2.25 1.00
Total x2 36.50

Se obtiene x2calc= 36.50

Grados de libertad gl: Como no se usa los datos para estimar parámetros de la
distribución, se tiene gl = 24.
El valor crítico de la x2 con 24 grados de libertad con grado de confianza de 5% α = 0,05
es: x2crit = 36,415
Decisión: debería resultar x2calc ≤ x2crit pero Como x2calc > x2crit entonces no se acepta
la hipótesis de que los datos tienen distribución uniforme bidimensional.
CONCLUSIONES
Las pruebas de Promedios, de Rachas y de Series utilizan como comparador al chi-
cuadrado y estos son usados para saber si los números generados son aceptados o
rechazados es decir si tienen uniformidad e independencia.
Las pruebas antes desarrolladas nos permiten saber si los números pseudoaleatorios
generados son realmente aleatorios o no; con un nivel de confianza alfa (α)
La función de los números pseudoaleatorios es que a partir de ellos podemos generar
variables aleatorias las cuales están sujetas en el mayor de los casos, a distribuciones
estadísticas que son las que se usan para establecer el comportamiento de materiales,
sucesos, personas, etc. en todo el proceso de simulación.
BIBLIOGRAFÍA

 Guasch,A.,Piera,M. (2009). ModelosySimulacion.Upc

 Delgado,S.,guerrero,G.. (2014). Prueba de Medias. 2015, de SlideShare Sitio web:
http://es.slideshare.net/Shirlid/prueba-de-mediasnumeors-pseudoaleatorios.
 Coss Bu Raúl, (2002), Simulación Un enfoque práctico , Limusa
 Naylor, Balintfy y Burdick, Técnicas de Simulación de computadoras, Limusa
 http://random.mat.sbg.ac.at/tests/#Empirical.
 “Permutation_tests” http://influentialpoints.com/Training/permutation_tests.htm

ANEXOS
[Cuadros o tablas de datos, información sobre el problema o la solución.]