Geradores de Números Aleatórios

IA707 - Profs.
Leandro de Castro / Fernando Von Zuben

DCA/FEEC/Unicamp
Geradores de Números Aleatórios (GNA)

1 O papel da estatística na engenharia e na ciência
As teorias científicas lidam com conceitos, não com a realidade. Embora elas
sejam formuladas para corresponder à realidade, esta correspondência é
aproximada e a justificativa para todas as conclusões teóricas é baseada em
alguma forma de raciocínio indutivo.
Athanasios Papoulis
• métodos estatísticos fornecem ferramentas importantes para a engenharia, com

teor descritivo e analítico para operar com a variabilidade presente nos dados
observados.
• a estatística lida com a coleta, apresentação, análise e uso de dados em
tomada de decisão e na solução de problemas.
Tópico 7 - Geradores de Números Aleatórios (GNA) 1
IA707 - Profs. Leandro de Castro / Fernando Von Zuben

DCA/FEEC/Unicamp
• um estatístico usa as leis fundamentais da probabilidade e da inferência

estatística para elaborar conclusões acerca de determinado experimento.
• objetivo: descrever e modelar a variabilidade e tomar decisões na presença de
variabilidade (inferência estatística).
• fundamento: o modelo deve possuir ao menos um elemento intrinsecamente
aleatório.
• a variabilidade é resultante de mudanças nas condições sob as quais as
observações são feitas, de características do sistema de medidas e do processo
de amostragem.
• Exemplo: amostras de ganho de um transistor
5,10 / 5,24 / 5,13 / 5,19 / 5,08
¾ a informação contida nas amostras demonstra de forma conclusiva que o
ganho do transistor é menor que 5,50?
¾ quanta confiança pode se ter de que o ganho no transistor está contido no
intervalo [5,00; 5,30]?

DCA/FEEC/Unicamp
• estatística inferencial: estimação pontual de parâmetros; estimação de

intervalos de confiança; teste de hipóteses; transferência de conclusões das
amostras para as populações; generalização.
• estatística descritiva: aplicação de métodos gráficos e numéricos na
organização e apresentação da informação em uma forma sucinta.
2 Probabilidade
• a probabilidade é a linguagem empregada na fundamentação matemática da

inferência estatística. Trata-se de uma disciplina exata e desenvolvida a partir
de um encadeamento lógico de deduções a partir de um conjunto de axiomas
claramente definidos.
• há uma óbvia quebra de continuidade entre os elementos de probabilidade
apresentados em cursos introdutórios e os conceitos sofisticados necessários
nas aplicações do dia-a-dia.

DCA/FEEC/Unicamp
• o importante é observar que, quando se aplica a teoria de probabilidade ao

mundo real, ela se mostra eficaz.
• Exemplo 1: as raízes da teoria de probabilidade estão associadas aos jogos de

azar, em Monte Carlo, no século 17.
• Exemplo 2: parte do sucesso da indústria japonesa é atribuída ao emprego de

métodos estatísticos na produção, gerenciamento e planejamento (não apenas
gerar relatórios, mas extrair conclusões ou realizar inferências).
• Exemplo 3: Prévia Eleitoral (procedimento sistemático para elaboração do

experimento e coleta de dados)
coleção de todos os indivíduos (população)
↓
processo de amostragem
↓
inferência sobre toda a população

DCA/FEEC/Unicamp
2.1 Os conceitos de experimento, espaço amostral e evento
• experimento é o termo utilizado para indicar a realização de algo, ou a

observação de algo, que acontece sob certas condições, levando a um
resultado.
• ocasionalmente, a natureza de um experimento faz com que o seu resultado
seja definido unicamente pelas condições nas quais o experimento é realizado.
• na prática, todavia, observa-se que muitos experimentos não apresentam a
propriedade de repetitividade, mesmo sob condições supostamente idênticas.
• este é o caso quando existem fatores que influenciam o resultado, mas que não
são de conhecimento do experimentador ou que o experimentador não pode
controlar e, também, quando os fatores que supostamente estão sob controle,
na verdade não estão.

DCA/FEEC/Unicamp
• o resultado não pode, então, ser predito a partir do conhecimento das

“condições” sob as quais o experimento foi realizado. Neste caso, fala-se do
experimento como sendo um “experimento envolvendo o acaso” ou,
simplesmente, “experimento aleatório”.
• devido à imprevisibilidade ou ao elemento do acaso no experimento, o tipo de
modelo matemático usual envolvendo equações determinísticas é inadequado
e um novo tipo de estrutura matemática é necessário para representar os
fenômenos de interesse, denominados processos estocásticos.
• uma vez que o resultado do experimento não é previsível, ele vai ser um
dentre os muitos resultados possíveis.
• o espaço amostral de um experimento aleatório é o conjunto de todos os
resultados possíveis do experimento, sendo geralmente denotado por S.

DCA/FEEC/Unicamp
• normalmente, é interessante focalizar a atenção em subconjuntos do espaço

amostral S. Para tanto, define-se um evento como qualquer subconjunto E do
espaço amostral S (E ⊂ S).
2.2 Axiomas de probabilidade
• o ingrediente principal do modelo matemático de um experimento aleatório é

a noção de probabilidade, a qual formaliza o conceito de que alguns eventos
são mais verossímeis do que outros, em termos de suas freqüências de
ocorrência relativas.
• os axiomas de probabilidade permitem a manipulação de combinações de
eventos (eventos compostos);
• seja S um espaço amostral, seja ε uma classe que comporta todos os possíveis
eventos em S, e seja P uma função de valores reais definida em ε. Então P é

DCA/FEEC/Unicamp
denominada de função de probabilidade e P E é denominada de

probabilidade de E se os seguintes axiomas forem válidos:
Axioma 1: Para todo evento E, 0 ≤ P E ≤ 1 .

O axioma 1 determina que a probabilidade de que o resultado de um
experimento é um ponto em E é algum número real entre 0 e 1.
Axioma 2: P S = 1.
O axioma 2 determina que, com probabilidade igual a 1, o resultado será um
ponto no espaço amostral S.
Axioma 3: Para qualquer seqüência de eventos mutuamente exclusivos E1 , E 2 ,

(isto é, eventos para os quais Ei ∩ E j = ∅ quando i ≠ j ),
∞ ∞
P Ei = ∑ P Ei
i =1 i =1

DCA/FEEC/Unicamp
• algumas proposições simples podem ser deduzidas a partir dos axiomas

enumerados acima:
Proposição 1: Dado que E e Ec são eventos sempre mutuamente exclusivos e,

visto que E ∪ E c = S , pelos Axiomas 1 e 2 temos que:
1 = P S = P E ∪ Ec = P E + P Ec .
• de forma equivalente, a equação acima pode ser escrita como:

P Ec = 1− P E .
• em palavras, a proposição 1 afirma que a probabilidade de um evento não

ocorrer é igual a 1 menos a probabilidade do evento ocorrer.
Proposição 2:
P E∪F = P E +P F −P E∩F .

DCA/FEEC/Unicamp
• para deduzir a fórmula para P E ∪ F é necessário lembrar que ( E ∪ F ) pode
ser escrito como a união de dois eventos disjuntos E e ( E c ∩ F ) . Assim,

utilizando o Axioma 3, temos que:
P E ∪ F = P E ∪ (E c ∩ F )
= P E + P Ec ∩ F
• além disto, como F = ( E ∩ F ) ∪ ( E c ∩ F ) , obtemos pelo Axioma 3 que:
P F = P E ∩ F + P Ec ∩ F
• ou, de forma equivalente:

P Ec ∩ F = P F − P E ∩ F ,
completando assim a prova de que

P E∪F = P E +P F −P E∩F .

DCA/FEEC/Unicamp
• esta proposição pode também ser demonstrada utilizando o diagrama de Venn

mostrado abaixo.
E F
I II III
• as divisões no diagrama mostram três seções mutuamente exclusivas. Em

palavras, a seção I representa todos os pontos em E que não estão em F (isto é,
E ∩ F c ); a seção II representa todos os pontos que estão tanto em E quanto
em F (isto é, E ∩ F ), e a seção III representa todos os pontos em F que não
estão em E (isto é, E c ∩ F ).

DCA/FEEC/Unicamp
• do diagrama de Venn, observamos que:

E ∪ F = I ∪ II ∪ III
E = I ∪ II
F = II ∪ III
• como I, II e III são mutuamente exclusivos, temos pelo Axioma 3 que:
P E ∪ F = P I + P II + P III
P E = P I + P II
P F = P II + P III
• mostrando que
P E ∪ F = P E + P F − P II .
• visto que II = E ∩ F , temos então:

P E∪F = P E +P F −P E∩F ,
que é conhecida como a lei de adição de probabilidades.

DCA/FEEC/Unicamp
• em palavras, pode ser expressa como:

A probabilidade do evento E ou do evento F ocorrer é a soma de
suas probabilidades em separado menos a probabilidade de ambos
ocorrerem. No caso dos eventos E e F serem mutuamente
exclusivos, eles não terão pontos em comum e, portanto,
P E ∩ F = 0 . Neste caso, P E ∪ F = P E + P F , como já
indicado pelo axioma 3.
• maiores detalhes sobre definições, axiomas, e exemplos envolvendo teoria de

probabilidade → consultar material de apoio (PAPOULIS, 1991, caps. 1 e 2)
• dentre os conceitos adicionais mais importantes estão o de probabilidade

condicional e o teorema de Bayes (veja exemplos 2.9 e 2.11 de PAPOULIS,
1991).

DCA/FEEC/Unicamp
3 O conceito de variável aleatória

• ao se arremessar um dado, é sabido que o valor ξ da face que ficar para cima
vai ser um número entre 1 e 6, mas não é possível predizer este valor.
• quando uma lâmpada entra em operação, o seu tempo de vida ξ também não
pode ser predito.
• nestes dois casos, ξ é uma variável aleatória ou estocástica.
• ‘arremesso de dado’ e ‘lâmpada em operação’ são experimentos.
• o conjunto {1, 2, 3, 4, 5, 6} e o intervalo real de unidades de tempo [0, +∞)
são os espaços amostrais correspondentes.
• são eventos:
número par na face que ficou para cima: E = {2, 4, 6};
lâmpada com tempo de vida inferior a 400 unidades de tempo:
E = [0, 400).

DCA/FEEC/Unicamp
• logo, uma variável aleatória é uma função que aloca um ponto do espaço
amostral a cada resultado de um experimento aleatório. Dito de outro modo,
uma variável aleatória é uma função associada a um experimento, sendo que a
realização do experimento leva esta variável a assumir um valor dependente
do acaso, mas pertencente ao respectivo espaço amostral.
• cada vez que um experimento é realizado, o resultado obtido indica a
ocorrência ou não de um determinado evento (subconjunto do espaço
amostral).
• Formalização do conceito: Uma variável aleatória ξ é uma função com as
seguintes propriedades:
ξ assume valores no espaço amostral S de um experimento;
para todo evento E ⊂ S, a probabilidade de que ξ assuma um valor x ∈ E
após a realização do experimento, dada por P〈x ∈ E〉 = P〈E〉, é bem
definida (embora possa ser desconhecida).

DCA/FEEC/Unicamp
• como o evento pode ser qualquer, é possível considerar eventos do tipo: E ≡ x,

onde x ∈ S. Logo, temos que, para todo x ∈ S, a probabilidade de que ξ valha
x após a realização do experimento, dada por P〈ξ = x〉 = P〈x〉, é bem definida.
• dado que as probabilidades mencionadas acima são bem definidas, para toda
variável aleatória, então é sempre possível obter uma função distribuição de
probabilidade definida em todo o espaço amostral. Geralmente, se emprega a
função distribuição cumulativa de probabilidade. Para tal, seja x ∈ S e suponha
que E(z) = {x | x ≤ z}. Então, a função distribuição cumulativa de
probabilidade associada à variável aleatória ξ é dada na forma:
Fξ ( z ) = P x ∈ E ( z ) = P E ( z ) = P x | x ≤ z
• apesar desta definição de função distribuição de probabilidade ser muito

genérica (atende a qualquer tipo de variável aleatória), apenas uma quantidade
reduzida de tipos de distribuição são verificados em aplicações práticas.

DCA/FEEC/Unicamp
• neste ponto do texto, o mais importante é dividir estes poucos tipos em duas
classes:
1. distribuições discretas: ocorrem em experimentos que requerem
contagem. Exemplos: pessoas com menos de 30 anos, mortes por câncer,
produtos com defeito.
2. distribuições contínuas: ocorrem em experimentos que requerem
medidas. Exemplos: tensão elétrica, pressão sangüínea, vazão de rio.
• para cada uma das duas classes, a respectiva função distribuição de
probabilidade Fξ (⋅) terá sempre associada a si:
uma função massa de probabilidade f ξ (⋅) , no caso discreto;
uma função densidade de probabilidade f ξ (⋅) , no caso contínuo.
• deste modo, o conhecimento do comportamento de uma das funções, Fξ (⋅) ou

f ξ (⋅) , em todo o espaço amostral já é suficiente para se obter a outra função.

DCA/FEEC/Unicamp
3.1 Distribuições e variáveis aleatórias discretas
• uma variável aleatória ξ e sua distribuição de probabilidade são discretas se o

espaço amostral (onde ξ assume valores) contém apenas um número finito de
elementos ou um número infinito, mas contável, de elementos.
• neste caso, a função massa de probabilidade assume a forma:
 p j se z = x j ( j = 1, 2, ...)
f ξ ( z) = 
0 alhures
e a correspondente função distribuição de probabilidade é dada por:
Fξ ( z ) = ∑ fξ (x j ) = ∑ pj
j j
tal que x j ≤ z tal que x j ≤ z
onde xj, j=1,2,..., são elementos do espaço amostral.

• Exemplo: no caso de um dado não-viciado, a variável aleatória ξ,
representando a face que ficar para cima após o arremesso do dado, tem as
seguintes funções massa e distribuição de probabilidade:

DCA/FEEC/Unicamp
fξ(z )
1
6
1 2 3 4 5 6 z
F ξ(z)
1
1
2
1 2 3 4 5 6 z

DCA/FEEC/Unicamp
• em muitas aplicações, existe o interesse em medidas de probabilidade do tipo

P x q < ξ ≤ x r , ou seja, a probabilidade de que ξ assuma qualquer valor no
intervalo x q < x ≤ x r , onde xq e xr não precisam necessariamente ser
elementos de S. Da definição Fξ ( z ) = P x | x ≤ z de função distribuição de
probabilidade, pode-se deduzir que:

P x q < ξ ≤ x r = Fξ ( x r ) − Fξ ( x q ) .
• como a variável aleatória ξ é discreta, resulta:

P xq < ξ ≤ xr = ∑ pj .
j
tal que x q < x j ≤ x r
• uma conseqüência direta é o resultado a seguir:

∑ pj =1
j
tal que x j ∈S

DCA/FEEC/Unicamp
3.2 Distribuições e variáveis aleatórias contínuas
• uma variável aleatória ξ e sua distribuição de probabilidade são contínuas se o

espaço amostral (onde ξ assume valores) contém um número infinito e
incontável de elementos.
• neste caso, valem as seguintes relações entre as funções distribuição Fξ (⋅) e
densidade f ξ (⋅) de probabilidade:
dFξ ( z ) z
f ξ ( z) = e Fξ ( z ) = P x | x ≤ z = ∫− ∞ f ξ ( x )dx
dz
• como no caso discreto, existe o interesse em medidas de probabilidade do tipo
P x q < ξ ≤ x r , ou seja, a probabilidade de que ξ assuma qualquer valor no
intervalo x q < x ≤ x r , onde xq e xr não precisam necessariamente ser
elementos de S. Da definição Fξ ( z ) = P x | x ≤ z de função distribuição de
probabilidade, pode-se deduzir que:

DCA/FEEC/Unicamp
P x q < ξ ≤ x r = Fξ ( x r ) − Fξ ( x q ) .
• para uma variável aleatória ξ contínua, resulta:

x
P x q < ξ ≤ x r = ∫x r f ξ ( x )dx .
q
• uma conseqüência direta é o resultado a seguir:

+∞
∫− ∞ f ξ ( x )dx = 1
• Exemplo: uma variável aleatória ξ com distribuição normal tem as seguintes
funções densidade e distribuição de probabilidade:
f ξ (z) F ξ (z)
z z

DCA/FEEC/Unicamp
3.3 Exemplos de funções densidade de probabilidade
• normal: uma variável aleatória contínua ξ é chamada normal ou gaussiana se

sua densidade de probabilidade pode ser expressa na forma:
− ( z − η) 2
1
f ξ ( z) = e 2σ2
σ 2π
• uniforme: uma variável aleatória contínua ξ é chamada uniforme no intervalo
[x1,x2] se sua densidade de probabilidade pode ser expressa na forma:
 1
 se x1 ≤ z ≤ x 2
f ξ ( z ) =  x 2 − x1
0
 alhures
• binomial: uma variável aleatória discreta ξ tem uma distribuição binomial de

ordem n se sua densidade de probabilidade pode ser expressa na forma:

DCA/FEEC/Unicamp
n
n
f ξ ( z) = ∑  k  p k q n − k δ( z − k )
k =0 
• Exemplos: sabendo que a probabilidade de um evento A ocorrer em um dado
experimento é p, a probabilidade deste evento A ocorrer k vezes em n ≥ k
experimentos (sob as mesmas condições) é dada por:
n
P A ocorrer k vezes =   p k (1 − p ) −
n k
k 
e a probabilidade deste evento A ocorrer até k vezes em n ≥ k experimentos
(sob as mesmas condições) é dada por:
k
n
P A ocorrer até k vezes = ∑  r  p r (1 − p ) −
n r
r =0  

DCA/FEEC/Unicamp
3.4 Média e variância da distribuição
• a função distribuição de probabilidade Fξ (⋅) , ou equivalentemente a função
massa ou densidade de probabilidade f ξ (⋅) , determinam completamente uma
variável aleatória. Sendo assim, parâmetros e propriedades (como simetria) da

variável aleatória podem ser obtidos a partir destas funções de probabilidade.
• dado o tipo de distribuição e na presença de simetria, a média e a variância
passam a descrever completamente a variável aleatória.
• Definição 1: o valor médio ou a média de uma variável aleatória ξ é dado por:
ξ = ∑ x j f ξ ( x j ) , para o caso discreto (o somatório é sobre todos os
j
valores possíveis de j);
+∞
ξ = ∫− ∞ xf ξ ( x )dx , para o caso contínuo.
• a média é também conhecida como esperança matemática: E[ξ] = ξ .

DCA/FEEC/Unicamp
• por hipótese, é suposto que a série (caso discreto) converge absolutamente e

que a integral (caso contínuo) existe (tem um valor finito).
• Definição 2: a distribuição é dita ser simétrica em relação a um valor c se
f (c + z ) = f (c − z ) .
• Teorema 1: Se uma distribuição é simétrica em relação a um valor c e tem
média ξ , então ξ = c.
• Definição 3: A variância de uma distribuição é denotada por σ2, sendo dada
por:
σ 2 = ∑ (x j − ξ ) f ξ ( x j ) , para o caso discreto (o somatório é sobre todos
2

j
os valores possíveis de j);
σ 2 = ∫− ∞ (x − ξ ) f ξ ( x )dx , para o caso contínuo.
+∞ 2

• por hipótese, é suposto que a série (caso discreto) converge absolutamente e

que a integral (caso contínuo) existe (tem um valor finito).

DCA/FEEC/Unicamp
• com exceção do caso em que f(z) = 1 em um único ponto e se anula alhures,

para o qual resulta σ2 = 0, em todos os outros casos, sempre vai ocorrer
σ2 > 0.
• Definição 4: A raiz quadrada da variância é denominada desvio padrão, tendo
por notação σ.
• como conseqüência, a variável aleatória
ξ− ξ
ξN =
σ
tem média zero e variância unitária.
3.5 Momentos
• Definição 5: Para qualquer variável aleatória ξ e qualquer função contínua

g(⋅): ℜ → ℜ, a esperança matemática de g(ξ) é dada por:

DCA/FEEC/Unicamp
E [g ( ξ)] = ∑ g ( x j ) f ξ ( x j ) , para o caso discreto (o somatório é sobre

j
todos os valores possíveis de j);
+∞
E [g ( ξ)] = ∫− ∞ g ( x ) f ξ ( x )dx , para o caso contínuo.
• tomando g (ξ) = ξ k , k = 1, 2, ..., as esperanças matemáticas acima representam

o k-ésimo momento de ξ.
• tomando g (ξ) = (ξ − ξ ) , k = 1, 2, ..., as esperanças matemáticas acima

k
representam o k-ésimo momento central de ξ.

• lembre-se que o operador esperança matemática é linear, ou seja:
E [x1 + x 2 ] = E [x1 ] + E [x 2 ];
E [αx ] = αE [x ], com α determinístico e constante.

DCA/FEEC/Unicamp
4 Medidas amostrais
N
1
• média amostral (N amostras): x =
N
∑ xk
k =1
1 N
• variância amostral: σ 2 = ∑ (x k − x )2
N − 1 k =1
1 N
• desvio padrão amostral: σ = ∑ (xk − x )2
N − 1 k =1
∑ (xik − xi )(x jk − x j )
1 N
• covariância amostral: σ ij =
N − 1 k =1
σ ij
• coeficiente de correlação amostral: rij =
σi σ j

DCA/FEEC/Unicamp
5 Geradores de números aleatórios em computador
• como utilizar o computador digital, a mais precisa e determinística dentre

todas as máquinas concebidas pela mente humana, para produzir números
aleatórios?
• exploração do nível elevado de redundância: computadores digitais executam
automaticamente, a cada passo do processo de computação, correções da
trajetória de seu estado físico por meio da representação binária do estado
interno de seus componentes.
• possíveis implicações: vantagens e desvantagens da computação digital.
• visto que qualquer programa vai produzir uma saída inteiramente previsível, a
geração de números aleatórios por parte de computadores digitais representa
uma impossibilidade conceitual.

DCA/FEEC/Unicamp
seqüências geradas por computador digital: pseudo-randômicas;

saídas de processos físicos intrinsecamente aleatórios: randômicas.
Exemplos: arremesso de um dado, movimento browniano, etc.
• será que Deus joga dados? [STEWART, 1989]
6 Aleatoriedade em computadores digitais
• poucos livros devotados ao estudo de métodos numéricos para implementação

computacional abordam números aleatórios [DAHLQUIST & BJORCK, 1974
(cap. 4); FORSYTHE et al., 1977 (cap. 10)].
• definição prática (incompleta) de aleatoriedade no contexto de seqüências
geradas por computador digital: em relação aos programas computacionais que
utilizam suas saídas, um programa determinístico que produz seqüências
aleatórias deve ser diferente em todos os aspectos mensuráveis e
estatisticamente não-correlacionado.

DCA/FEEC/Unicamp
• dito de outra forma, dados dois geradores de números aleatórios, ao acoplá-los

independentemente a um programa específico de aplicação, deve-se obter o
mesmo resultado estatístico. Caso contrário, pelo menos um dos geradores é
inadequado para a aplicação em questão.
• conclusão: o gerador deve ser tão aleatório quanto for requerido pela
aplicação.
• desse modo, um bom gerador para uma dada aplicação pode falhar
espetacularmente em outras aplicações.
• felizmente, existem testes estatísticos que contribuem no sentido de avaliar a
adequação de um dado gerador para cada classe de aplicações [L’ECUYER,
1992], embora uma aplicação específica possa conduzir um gerador a
expressar seus “pontos fracos”.

DCA/FEEC/Unicamp
7 Teoria de geradores de números aleatórios uniformes
• conforme definido por L’ECUYER [1994], um gerador de números aleatórios

uniformes em computadores digitais tem um estado que evolui em um espaço
S, composto por um número finito de estados, de acordo com uma recorrência
na forma:
sn = f(sn−1), n ≥ 1,
sendo que s0 ∈ S é denominada a semente, e f: S → S, é a função de transição.
No n-ésimo passo, a saída do gerador é dada por un = g(sn), com g: S → [0,1]
sendo a função de saída.
• a seqüência de saída do gerador é, portanto, {un, n ≥ 0}.
• o espaço de saída poderia ser mais geral, mas é suposto aqui o intervalo [0,1].
• como S é finito, a seqüência {un, n ≥ 0} deve ser periódica, possivelmente
depois de transcorrido um transitório inicial.

DCA/FEEC/Unicamp
• se ρ for o período da seqüência {un, n ≥ 0}, então é desejável tomar ρ o mais

próximo possível da cardinalidade de S, para evitar desperdício de memória e
para permitir a aplicação do gerador em casos de demanda elevada.
• para seqüências binárias, com un tendo b bits, o valor ótimo para o período é
ρ = 2b−1.
8 Propriedades adicionais de um GNA

• além do atendimento das condições de (pseudo-)aleatoriedade, é importante
que um gerador de números aleatórios em computadores digitais apresente:
• repetitividade;
• portabilidade;
• custo computacional baixo por geração;
• simplicidade de implementação.

DCA/FEEC/Unicamp
9 Geradores lineares
• são geralmente os modelos fornecidos pelos sistemas computacionais
• geração de uma seqüência I1, I2, I3, ... de inteiros entre 0 e m−1 pela relação de
recorrência
I j +1 = ( aI j + c ) mod m, j=1,2,...
• m é denominado módulo, a e c são inteiros positivos denominados

multiplicador e incremento, respectivamente.
• a recorrência vai certamente produzir, para algum j = p ≤ m, Ij = Ik (k < j), ou
seja, ela vai ter um período p ≤ m.
• se o período for p = m, todo inteiro entre 0 e m−1 vai ocorrer em alguma das
próximas m−1 iterações, fazendo com que a escolha do valor inicial I0 da
recorrência (semente da geração pseudo-aleatória) não influa de forma
significativa no resultado estatístico associado a seqüências longas.

DCA/FEEC/Unicamp
• vantagem: é um método de geração muito rápido, simples de implementar e

repetitivo para uma mesma máquina.
• desvantagens: não é portável, está preso a uma correlação seqüencial e os bits
menos significativos são “menos aleatórios” que os bits mais significativos.
• Exemplo 1: para gerar números inteiros aleatórios entre 0 e 9, recomenda-se o
uso dos bits mais significativos:
use I(j) = (int) (10.0*rand()/(RAND_MAX+1.0));
no lugar de I(j) = rand()%10;
• Exemplo 2: embora existam procedimentos bem menos custosos para geração
de seqüências aleatórias de bits [PRESS et al., 1992 (cap. 7)], é possível
empregar a idéia da amostragem tipo roullete wheel: divide-se a roleta ao
meio, associando cada metade a um bit. Mais uma vez estão sendo
considerados os bits mais significativos.

DCA/FEEC/Unicamp
10 Geradores portáveis
• gerador implementável em qualquer linguagem de programação e em qualquer

máquina, produzindo sempre o mesmo comportamento estatístico e
apresentando, para uma mesma semente, a mesma seqüência de números.
• há evidências, teóricas e empíricas, de que tomando c = 0 na recursão
I j +1 = ( aI j + c ) mod m, j=1,2,...
produz-se resultados tão bons quanto aqueles fornecidos pelos geradores

lineares com c ≠ 0, se for feita uma escolha cuidadosa para a e m. Uma escolha
possível é a = 75 = 16807 e m = 231−1 = 2147483647.
• no entanto, não é possível implementar a recursão (com c = 0) com estes
valores de a e m em qualquer linguagem de alto nível, já que o produto de a
por m−1 excede o maior valor admitido para um inteiro de 32 bits.

DCA/FEEC/Unicamp
• alternativa 1: implementação em linguagem de montagem, empregando

registradores de 64 bits. Desvantagem: esta implementação não é portável.
• alternativa 2: felizmente, existe um algoritmo que permite obter o resultado
do produto de dois inteiros de 32 bits, módulo uma constante de 32 bits, sem
utilizar qualquer valor intermediário maior que 32 bits. Este algoritmo está
baseado na seguinte fatoração para m:
 m
m = a ⋅ fix   + (m mod a ) = aq + r
 a
onde fix   fornece a parte inteira da razão . Para um inteiro z tal que
m m
 a a
0 < z < m−1, pode ser mostrado que, tomando r < q, tanto a ⋅ ( z mod q) quanto
 z
r ⋅ fix   assumem valores inteiros no conjunto {0,..., m − 1}, e que
 q

DCA/FEEC/Unicamp
  z
a(z mod q) − r ⋅ fix  q  se ≥ 0

az mod m = 
a(z mod q) − r ⋅ fix  z  + m se < 0
  
 q
• sugestões para os valores de m, a, q e r:
m a q r
231−1 16807 127773 2836
231−1 48271 44488 3399
231−1 69621 30845 23902
• o período destes três geradores portáveis é 231−2 = 2.147.483.646.

• observação: escalonar para o intervalo [0,1].
• repare que a semente 0 nunca deve ser utilizada, da mesma forma que o valor 0
não vai ser produzido para qualquer semente diferente de 0.

DCA/FEEC/Unicamp
• dentre os geradores simples, este é o mais recomendado para aplicação,

embora possa ainda ser aperfeiçoado [PRESS et al., 1992 (cap. 7)].
11 Outros geradores
• lineares multivariáveis: I j +1 = ( a0 I j + a1 I j −1 ++ ak I j − k ) mod m
• lineares multivariáveis com incremento aleatório:
I j +1 = ( a0 I j + a1 I j −1 ++ ak I j − k + c j ) mod m
 a I + a1 I j −1 ++ ak I j − k + c j 
c j +1 = fix  0 j 
 m 
• geradores não-lineares: I j +1 = ( I 2j ) mod m
• combinação de geradores [L’ECUYER, 1996]

DCA/FEEC/Unicamp
12 Testes para geradores de números aleatórios
• para uma discussão mais aprofundada do que vem a ser aleatoriedade e de

como detectá-la, veja KNUTH [1981].
• de acordo com Kolmogorov, uma seqüência infinita de bits é aleatória se ela
não puder ser descrita por uma seqüência menor que ela mesma. ←
impossibilidade prática
• ser diferente × ser não-distinguível.
• em princípio, todos os procedimentos de teste supõem que um gerador de
números (pseudo-)aleatórios em um computador digital é uma função
determinística que produz uma seqüência de números, os quais emulam uma
variável aleatória definida como um processo de amostragem i.i.d.
(independent and identically distributed) que resulta na distribuição U(0,1)
(distribuição uniforme no intervalo [0,1]).

DCA/FEEC/Unicamp
• duas classes de testes são comumente empregadas [L’ECUYER, 1992]:

1. testes teóricos: são específicos para cada classe de geradores e se concentram
na estrutura intrínseca de cada gerador para derivar características de
comportamento da seqüência de pontos, particularmente ao longo de todo um
período.
2. testes empíricos: tentam encontrar evidências estatísticas contra a hipótese
nula: “a seqüência é obtida a partir de um processo de amostragem i.i.d. da
distribuição U(0,1)”.
• o que pode ser dito a respeito de um gerador de números aleatório que passou
por todos os testes implementados?
• formalmente, nada fica demonstrado, mas é possível aumentar a confiança nos
resultados obtidos com a utilização deste gerador.

DCA/FEEC/Unicamp
13 Geradores de Números Aleatórios em Computação

Evolutiva
• valores aleatórios são requeridos em praticamente todas as etapas de um

algoritmo evolutivo:
9 inicialização da população;
9 seleção de indivíduos;
9 definição de pontos de corte para crossover;
9 definição de genes que sofrerão mutação;
9 definição de um dentre vários alelos candidatos em operações de mutação
associadas a atributos descritíveis por um alfabeto finito;
9 definição de um dentre vários operadores alternativos;
9 argumento de operadores genéticos mais elaborados (mutação em ponto
flutuante); etc.

DCA/FEEC/Unicamp
• estudos recentes sugerem que a escolha do gerador de números aleatórios

pode afetar o desempenho de um algoritmo evolutivo, embora de forma não-
intuitiva (CANTÚ-PAZ, 2002; DAIDA et al., 1999; MEYSENBURG, 1997;
MEYSENBURG & FOSTER, 1999a; MEYSENBURG & FOSTER, 1999b;
MEYSENBURG et al., 2002).
• também é sabido que pequenas modificações no gerador podem causar grande
variação na qualidade do resultado do processo evolutivo. Por exemplo,
alterando-se a semente do gerador.
• para tanto, testes específicos de qualidade foram definidos de modo a explorar
diretamente a forma como um algoritmo evolutivo utiliza um gerador de
números pseudo-aleatórios.
• estes testes específicos se mostraram necessários, pois os testes convencionais
não apresentam correlação significativa com os resultados obtidos.

DCA/FEEC/Unicamp
• em outras palavras, geradores considerados de baixa qualidade conduzem, em

alguns casos, a melhores resultados junto ao processo evolutivo quando
comparados a geradores de melhor qualidade (avaliados segundo testes
convencionais).
• dentre todos os geradores de números pseudo-aleatórios disponíveis, junto à
comunidade de computação evolutiva o Mersenne Twister (MT) é o mais
aceito (MATSUMOTO & NISHIMURA, 1998).
• também é possível operar com bases de dados que contêm seqüências binárias
puramente aleatórias, que podem ser encontradas em 〈www.random.org〉.
14 Referências
BÄCK, T., FOGEL, D.B. & MICHALEWICZ, Z. (eds.) “Evolutionary Computation 2: Advanced Algorithms
and Operators, Chapter 24: Efficient implementation of algorithms”, Institute of Physics Publishing,
2000.
BULMER, M.G. “Principles of Statistics”, Dover, 1979.

DCA/FEEC/Unicamp
CANTÚ-PAZ, E. “On Random Numbers and the Performance of Genetic Algorithms”, Proceedings of the
Genetic and Evolutionary Computation Conference (GECCO’02), vol. 1, pp. 311-318, Morgan
Kaufmann Publishers, 2002.
DAHLQUIST, G. & BJORCK, A. “Numerical Methods”, Prentice-Hall, 1974.
DAIDA, J.M., AMPY, D.S., RATANASAVETAVADHANA, M., LI, H. & CHAUDHRI, O.A. “Challenges with
verification, repeatability, and meaningful comparison in genetic programming: Gibson’s magic” in
Banzhaf, W., Daida, J., Eiben, A.E., Garzon, M.H., Honavar, V., Jakiela, M. & Smith, R.E. (eds.)
Proceedings of the Genetic and Evolutionary Computation Conference (GECCO’99), vol. 2, pp.
1851-1858, Morgan Kaufmann Publishers, 1999.
DOS REIS, S.F. “Introdução ao Estudo de Probabilidade”, Notas de Aula do Curso de Genética
Populacional Teórica, IB/Unicamp, 2001.
EVANS, D.H. “Probability and Its Applications for Engineers”, ASQC Quality Press, 1992.
FORSYTHE, G.E., MALCOLM, M.A. & MOLER, C.B. “Computer Methods for Mathematical
Computations”, Prentice-Hall, 1977.
KNUTH, D.E. “The Art of Computer Programming: Seminumerical Algorithms”, Addison-Wesley, Vol.
2, 2nd edition, 1981.
KREYSZIG, E. “Advanced Engineering Mathematics”, 7th edition, John Wiley & Sons, 1993.
L’ECUYER, P. “Testing random number generators”, Proceedings of the 1992 Winter Simulation
Conference, IEEE Press, pp. 305-313, 1992.

DCA/FEEC/Unicamp
L’ECUYER, P. “Uniform random number generation”, Annals of Operations Research, vol. 53, pp. 77-
120, 1994.
L’ECUYER, P. “Combined multiple recursive generators”, Operations Research, vol. 44, no. 5, pp. 816-
822, 1996.
LINDGREN, B.D. “Statistical Theory”, Macmillan Publishing Company, 1976.
LIPSCHUTZ, S. “Theory and Problems of Probability”, McGraw-Hill Book Company, 1965.]
MATSUMOTO, M. & NISHIMURA, T. “Mersenne twister: A 623-dimensionally equidistributed uniform

pseudorandom number generator”, ACM Transactions on Modeling and Computer Simulation, vol.
8, no. 1, pp. 3-30, 1998.
MARDIA, K.V., KENT, J.T. & BIBBY, J.M. “Multivariate Analysis”, Academic Press, 1979.
MEYSENBURG, M.M. “The effect of pseudo-random number generator quality on the performance of a
simple genetic algorithm”, Master’s Thesis, University of Idaho, 1997.
MEYSENBURG, M.M. & FOSTER, J.A. “Random generator quality and GP performance”, in Banzhaf, W.,
Daida, J., Eiben, A.E., Garzon, M.H., Honavar, V., Jakiela, M. & Smith, R.E. (eds.) Proceedings of
the Genetic and Evolutionary Computation Conference (GECCO’99), vol. 2, pp. 1121-1126,
Morgan Kaufmann Publishers, 1999a.
MEYSENBURG, M.M. & FOSTER, J.A. “Randomness and GA performance revisited”, in Banzhaf, W.,
Daida, J., Eiben, A.E., Garzon, M.H., Honavar, V., Jakiela, M. & Smith, R.E. (eds.) Proceedings of

DCA/FEEC/Unicamp
the Genetic and Evolutionary Computation Conference (GECCO’99), vol. 1, pp. 425-432, Morgan
Kaufmann Publishers, 1999b.
MEYSENBURG, M.M., HOELTING, D., MCELVAIN, D. & FOSTER, J.A. “How Random Generator Quality
Impacts Genetic Algorithm Performance”, Proceedings of the Genetic and Evolutionary
Computation Conference (GECCO’02), vol. 1, pp. 480-483, Morgan Kaufmann Publishers, 2002.
MONTGOMERY, D.C. & RUNGER, G.C. “Applied Statistics and Probability for Engineers”, John Wiley &
Sons, 1994.
MOOD, A.M. & GRAYBILL, F.A. “Introduction to the Theory of Statistics”, McGraw-Hill Book
Company, 1963.
PAPOULIS, A. “Probability, Random Variables, and Stochastic Processes”, Third Edition, McGraw-Hill,
1991.
PRESS, W.H., TEUKOLSKY, S.A., VETTERLING, W.T. & FLANNERY, B.P. “Numerical Recipes in C - The
Art of Scientific Computing”, Cambridge University Press, 2nd edition, 1992.
ROSS, S. “A First Course in Probability”, Macmillan Publishing Company, 1984.
STEWART, I. “Does God Play Dice? The New Mathematics of Chaos”, London: Basil Blackwell, 1989.
WALPOLE, R.E. & MYERS, R.H. “Probability and Statistics for Engineers and Scientists”, Fifth Edition,
Macmillan Publishing Company, 1993.

Geradores de Números Aleatórios

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Geradores de Números Aleatórios

Enviado por

Direitos autorais:

Formatos disponíveis

IA707 - Profs.

Leandro de Castro / Fernando Von Zuben

Geradores de Números Aleatórios (GNA)

• métodos estatísticos fornecem ferramentas importantes para a engenharia, com

Tópico 7 - Geradores de Números Aleatórios (GNA) 1

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• um estatístico usa as leis fundamentais da probabilidade e da inferência

Tópico 7 - Geradores de Números Aleatórios (GNA) 2

• estatística inferencial: estimação pontual de parâmetros; estimação de

• a probabilidade é a linguagem empregada na fundamentação matemática da

Tópico 7 - Geradores de Números Aleatórios (GNA) 3

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• o importante é observar que, quando se aplica a teoria de probabilidade ao

• Exemplo 1: as raízes da teoria de probabilidade estão associadas aos jogos de

• Exemplo 2: parte do sucesso da indústria japonesa é atribuída ao emprego de

• Exemplo 3: Prévia Eleitoral (procedimento sistemático para elaboração do

Tópico 7 - Geradores de Números Aleatórios (GNA) 4

2.1 Os conceitos de experimento, espaço amostral e evento

• experimento é o termo utilizado para indicar a realização de algo, ou a

Tópico 7 - Geradores de Números Aleatórios (GNA) 5

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• o resultado não pode, então, ser predito a partir do conhecimento das

Tópico 7 - Geradores de Números Aleatórios (GNA) 6

• normalmente, é interessante focalizar a atenção em subconjuntos do espaço

2.2 Axiomas de probabilidade

• o ingrediente principal do modelo matemático de um experimento aleatório é

Tópico 7 - Geradores de Números Aleatórios (GNA) 7

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

denominada de função de probabilidade e P E é denominada de

Axioma 1: Para todo evento E, 0 ≤ P E ≤ 1 .

Axioma 3: Para qualquer seqüência de eventos mutuamente exclusivos E1 , E 2 ,

Tópico 7 - Geradores de Números Aleatórios (GNA) 8

• algumas proposições simples podem ser deduzidas a partir dos axiomas

Proposição 1: Dado que E e Ec são eventos sempre mutuamente exclusivos e,

• de forma equivalente, a equação acima pode ser escrita como:

• em palavras, a proposição 1 afirma que a probabilidade de um evento não

Tópico 7 - Geradores de Números Aleatórios (GNA) 9

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• para deduzir a fórmula para P E ∪ F é necessário lembrar que ( E ∪ F ) pode

ser escrito como a união de dois eventos disjuntos E e ( E c ∩ F ) . Assim,

• além disto, como F = ( E ∩ F ) ∪ ( E c ∩ F ) , obtemos pelo Axioma 3 que:

• ou, de forma equivalente:

completando assim a prova de que

Tópico 7 - Geradores de Números Aleatórios (GNA) 10

• esta proposição pode também ser demonstrada utilizando o diagrama de Venn

• as divisões no diagrama mostram três seções mutuamente exclusivas. Em

Tópico 7 - Geradores de Números Aleatórios (GNA) 11

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• do diagrama de Venn, observamos que:

• visto que II = E ∩ F , temos então:

Tópico 7 - Geradores de Números Aleatórios (GNA) 12

• em palavras, pode ser expressa como:

• maiores detalhes sobre definições, axiomas, e exemplos envolvendo teoria de

• dentre os conceitos adicionais mais importantes estão o de probabilidade

Tópico 7 - Geradores de Números Aleatórios (GNA) 13

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

3 O conceito de variável aleatória

Tópico 7 - Geradores de Números Aleatórios (GNA) 14

Tópico 7 - Geradores de Números Aleatórios (GNA) 15

IA707 - Profs. Leandro de Castro / Fernando Von Zuben

• como o evento pode ser qualquer, é possível considerar eventos do tipo: E ≡ x,

• apesar desta definição de função distribuição de probabilidade ser muito

Axioma 3: Para qualquer seqüência de eventos mutuamente exclusivos E1 , E 2 ,

uma função massa de probabilidade f ξ (⋅) , no caso discreto;

uma função densidade de probabilidade f ξ (⋅) , no caso contínuo.

E [g ( ξ)] = ∑ g ( x j ) f ξ ( x j ) , para o caso discreto (o somatório é sobre

seqüências geradas por computador digital: pseudo-randômicas;