Académique Documents
Professionnel Documents
Culture Documents
1.1 DEFINICIONES
INGENIERIA
IMPORTANCIA
DE
LA
SIMULACION
EN
LA
Una observacin detallada del sistema que se est simulando puede conducir a un
mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren
la operacin y eficiencia del sistema.
Aplicaciones de la Simulacin
determinado tiempo
El comportamiento de un sistema durante determinado tiempo puede ser estudiado por
medio de un modelo de simulacin. Este modelo usualmente toma su forma a partir de un
conjunto de postulados sobre la operacin del sistema real.
Una indicacin de la realidad que se implique la realidad, esta implica trampa, engao; la
maga est en que se parezca tanto a la realidad
En la naturaleza la simulacin es como una tcnica de engao para sobrevivir. Ejemplo
el camalen el cual es un animal conocido por su capacidad de cambiar de color
dependiendo en el lugar en que se encuentre.
Un sistema puede definirse como una coleccin de objetos o entidades que interactan
entre
s
para
alcanzar
un
cierto
objetivo.
Estado de un sistema: conjunto mnimo de variables necesarias para caracterizar o
describir todos aquellos aspectos de inters del sistema en un cierto instante de tiempo.
Los sistemas se clasifican en:
Sistemas Continuos: Las variables del estado del sistema evolucionan de modo continuo
a lo largo del tiempo.
Sistemas Discretos. Se caracterizan porque las propiedades de inters del sistema
cambian nicamente en un cierto instante o secuencia de instantes, y permanecen
constantes el resto del tiempo.
Sistemas orientados a eventos discretos. Al igual que los sistemas discretos, se
caracterizan porque las propiedades de inters del sistema cambian nicamente en una
secuencia de instantes de tiempo permaneciendo constantes el resto del tiempo.
Sistemas combinados. Aquellos que combinan subsistemas que siguen filosofas
continuas o discretas, respectivamente.
Modelo: es el que estudia los hechos salientes del sistema o proyecto. Se hace una
abstraccin de la realidad, representndose el sistema y proyecto en un modelo.
Clasificacin de modelos.
La descripcin de las caractersticas de inters de un sistema se conoce como modelo del
sistema, y el proceso de abstraccin para obtener esta descripcin se conoce como
modelado. Existen muchos tipos de modelos (modelos fsicos, modelos mentales,
modelos simblicos, etc.) para representar los sistemas en estudio.
Los Modelos Estticos: suelen utilizarse para representar el sistema en un cierto instante
de tiempo.
Los modelos simblicos matemticos mapean las relaciones existentes entre las
propiedades fsicas del sistema que se pretende modelar en las correspondientes
estructuras matemticas.
Los Modelos Continuos: se caracterizan por representar la evolucin de las variables de
inters de forma continua.
Los Modelos de Eventos Discretos: son modelos dinmicos, estocsticos y discretos en
los que las variables de estado cambian de valor en instantes no peridicos del tiempo.
Los Modelos Estocsticos: requieren de una o ms variables aleatorias para formalizar las
dinmicas de inters.
III. Variables
Son aquellas que definen el modelo y sus estados como un conjunto: nmero de
entidades en proceso, nmero de entidades entrantes, nmero de entidades salientes,
costo de proceso unitario.
IV. Reloj de simulacin
Variable que lleva control del tiempo virtual de simulacin, no se debe confundir con el
tiempo real de ejecucin, es decir mientras en mi reloj de mano pasaron 5 minutos desde
que se ejecut la simulacin, en el modelo el reloj de simulacin podra haber avanzado
das, meses o inclusive aos.
V. Eventos
Diferentes tipos de acontecimientos que ocurren a travs de la simulacin, que hacen que
el reloj de simulacin avance, tales como: llegada de un paciente, dao de una mquina,
inicio de operacin de un trabajador, finalizacin de un proceso de fabricacin.
VI. Recursos
Objetos a los que se les asocia algn tipo de gasto o de consumo de los mismos para
realizacin de tareas de operacin o transporte: operarios, montacargas, mquinas,
buffers de almacenamiento, bandas transportadoras.
NUMEROS PSEUDOALETORIOS
2.1 Mtodos de generacin de nmeros pseudoaleatorio.
Un generador pseudoaleatorio de nmeros (GPAN) es un algoritmo que produce una
sucesin de nmeros que es una muy buena aproximacin a un conjuntoaleatorio de
nmeros. La sucesin no es exactamente aleatoria en el sentido de que queda
completamente determinada por un conjunto relativamente pequeo de valores iniciales,
llamados el estado del GPAN. Si bien es posible generar sucesiones
mediante generadores de nmeros aleatorios por dispositivos mecnicosque son mejores
aproximaciones a una sucesin aleatoria, los nmeros pseudo-aleatorios son importantes
en donde:
Xn : es el numero pseudoaletorio que se genera
a: es una constante numrica seleccionada al azar.
Xn-1: al comienzo se le denomina valor semilla, el cual sera un numero
tomado al azar.
Pruebas paramtricas
Las pruebas paramtricas son para datos numricos (escalas de intervalos o razones) y ,
por lo general, estn basadas en las propiedades de la distribucin normal o gausiana,
para lavariable dependiente.
Esta distribucin se manifiesta cuando los datos son mediciones repetidas de la misma
variable, en unidades de muestreo extradas al azar de la poblacin y cuando la muestra
es grande. Las pruebas posibles a utilizar son: la "t" de student, el coeficiente de
correlacin de Pearson, la regresin lineal, el anlisis de varianza unidireccional (ANOVA
Oneway), anlisis de varianza factorial (ANOVA), anlisis de covarianza (ANCOVA) y se
tratan estadgrafos descriptivos como la desviacin standard, la moda, la mediana y la
media.
Requisitos
Las variables deben haberse medido por lo menos en una escala de intervalo de
manera que sea posible utilizar las operaciones aritmticas.
Pruebas no paramtricas
Las pruebas no paramtricas son utilizadas con variables nominales y ordinales, no
asumen un tipo particular de distribucin, se aceptan distribuciones no normales, la
exigencia en cuanto al tamao de la muestra es menor que en el caso de las
paramtricas.
Las ms utilizadas son la Ji cuadrada, coeficientes de correlacin e independencia para
tabulaciones cruzadas, coeficientes de correlacin por rangos ordenados Spearman y
Kendall. Las pruebas no paramtricas son necesarias cuando:
Las pruebas estadsticas no paramtricas pueden usarse para probar hiptesis que
requieren: a) Solo una muestra. b) Dos muestras relacionadas. c) Dos muestras
independientes. d) Para k muestras relacionadas. e) Para k muestras independientes.
Las mediciones que fueron realizadas en las definiciones de las variables usadas.
de 1944 y
se
mejoraron
enormemente
con
el
desarrollo
de
la computadora.
El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene del
trabajo realizado en el desarrollo de la bomba atmica durante la Segunda Guerra
Mundial en el Laboratorio Nacional de Los lamos en EE. UU. Este trabajo conllevaba la
simulacin
de
problemas
probabilsticos
de hidrodinmicaconcernientes
En
la
actualidad
es
parte
fundamental
de
Monte Carlo
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw
Ulam refinaron esta ruleta rusa y los mtodos "de divisin" de tareas. Sin embargo, el
desarrollo sistemtico de estas ideas tuvo que esperar al trabajo de Harris y Herman
Kahn en 1948. Aproximadamente en el mismo ao, Enrico Fermi, Nicholas Metropolis y
Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de
Schrdinger para la captura de neutrones a nivel nuclear usando este mtodo.
El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran variedad de
problemas matemticos posibilitando la realizacin de experimentos con muestreos de
nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo
de problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos
problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin
de 100 neutrones a travs de un curso de 100 colisiones cada uno.
Ulam estaba particularmente interesado en el mtodo Monte Carlo para evaluar integrales
mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista
fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron
los valores singulares de la ecuacin de Schrdinger.
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda,
debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a
CRUZ, de manera de poder interpretar el resultado de la simulacin. Tales intervalos se
asignan en funcin de las probabilidades de ocurrencia de cada cara de la moneda.
Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499
CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999
Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por
ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385,
observamos que est incluido en el intervalo asignado a CARA.
En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las
probabilidades de ocurrencia de los eventos a simular.
La constante aditiva: c
El nmero m respecto al cual se calculan los restos
Estos cuatro valores deben ser nmeros enteros no negativos y que cumplan la siguiente
condicin: x0,a,c <m
La mayor parte de los generadores de nmeros aleatorios son, en realidad,
pseudoaleatorios; se calcula (o introduce internamente) un valor x0, que llamaremos
semilla, y, a partir de l, se van generando x1,x2, x3,
Siempre que se parta de la misma semilla, se obtendr la misma secuencia de valores.
Por la condicin anterior, es evidente que todos los valores generados por este
procedimiento son nmeros enteros entre 0 y -1.
El nmero mximo de cifras distintas que pueden obtenerse con el procedimiento
descrito es , as que llegar un momento en que el primer nmero generado se repetir
producindose un ciclo. El ciclo dnde inevitablemente caer el generador interesa que
sea de la mayor longitud posible (como mximo ), para evitar que se repitan pronto los
valores aleatorios. Por ejemplo, para los valores , , y se obtiene la siguiente secuencia de
valores: 2-11-6-23-10-3-14-15-18-27-22-7-26-19-30-31-2-11-6
La secuencia generada tiene como longitud 16 nmeros (el nmero generado en la
decimosptima posicin es el 2 inicial, por lo que toda la secuencia se repite a partir de
ah), muy inferior a la longitud mxima que podra tener ( =32). Determinadas elecciones
de parmetros del generador ( , , y ) conducen a ciclos de amplitud mxima.
3.2 Variables discretas
Variable aleatoria discreta: una V.A. es discreta si su recorrido es un conjunto discreto. En
gran cantidad de experimentos aleatorios es necesario cuantificar los resultados, es decir,
asignar a cada resultado del experimento un nmero, con el fin de poder realizar un
estudio matemtico.
3.3 Variables continuas
Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real.
En el caso de variables aleatorias continuas no tiene sentido plantearse probabilidades de
resultados aislados. La probabilidad de valores puntuales es cero.
El inters de estas probabilidades est en conocer la probabilidad correspondiente a un
intervalo. Dicha probabilidad se conoce mediante una curva llamada funcin de densidad
y suponiendo que bajo dicha curva hay un rea de una unidad.
Conociendo esta curva, basta calcular el rea correspondiente para conocer la
probabilidad de un intervalo cualquiera.
3.3 Mtodos para generar variables aleatorias
Existen varios mtodos que nos permiten generar variables aleatorias. Lo normal es que
existan varias opciones para generar una misma variable aleatoria.
La eleccin del mtodo adecuado se puede basar en una serie de factores como:
Exactitud.se prefiere un mtodo exacto frente a mtodos aproximados, como soluciones
numricas.
Velocidad. Uno de los datos que se toma en consideracin es el tiempo de generacin de
la variable.
Espacio. Necesidades de memoria del mtodo utilizado. En general, los mtodos no
consumen mucha memoria.
3.4 Procedimientos especiales
Existen diferentes tipos de mtodos para generar variables aleatorias, pero tambien
existen casos especiales para generar estas los cuales son:
4.2
APRENDIZAJE
USO
LENGUAJE
DE
SIMULACINO
SIMULADOR
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es la
siguiente:
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda
para cada da, interesndonos en este caso como es el orden de aparicin de los valores.
Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, unavez
encontrado( si no es el valor exacto, ste debe se menor que el de la fila seleccionada
pero mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor
de las unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del
intervalo para busca en las acumuladas, para poder emplear la funcin BUSCARV(), para
42 sera 0, para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero
aleatorio generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la
columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es
0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el grfico, trazando una
recta desde el eje de la frecuencia hasta que intersecta con la lnea de la funcin
acumulada, luego se baja a la coordenada de unidades y se obtiene el valor
correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto
para cada variable( para casos prcticos hay que definir los intervalos y luego con una
funcin de bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa
de la funcin acumulada. De esta forma logramos a partir de la distribucin de densidad
calcular los valores de
la variable aleatoria dada.
Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucion
exponencial aunque con parametros diferentes, para el caso del tiempo entre llegadas
tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el metodo de la transformada inversa a la distribucion exponencial (consultar
Dyner etc. al, 2008), tenemos que:
Donde corresponde a una observacin de una variable exponecial, _ es un numero
aleatorio entre cero y uno y es la media de la distribucion. Para la implementacion del
sistema descrito en Excel, abra una nueva hoja de calculo y configurela como se muestra
en la figura.
En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23. Repita
este procedimiento para la columna G. En el paso anterior, se definio los numeros
aleatorios a partir de los cuales se generaran las observaciones de variables aleatorias de
la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se estan generando
observaciones para la variable aleatoria de tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera llegada
al sistema, su tiempo de llegada (en el instante de tiempo en el que llego al sistema), sera
igual a su tiempo entre llegadas. Sin embargo, para la celda D9 la formula
correspondiente es =C9+D8, ahora arrastre la formula de D9 hasta D23; esta formula
significa que despues de que llega el primer cliente, el instante de tiempo en el que
cualquier otro cliente llega al sistema sera el instante de tiempo en el que entro
el penltimocliente sumado el tiempo entre llegadas del ltimo cliente, es decir, si el
penultimo cliente entro al sistema en el instante t=4, y el tiempo entre llegadas del ultimo
cliente es dt=2, entonces este ultimo cliente entrara realmente al sistema en t=6.
La formula correspondiente a la celda E8 es =D8, esto significa que, al ser primer cliente,
el instante en el que llega al sistema sera el mismo instante en el que comienza el
servicio; mas adelante se presenta las formulas correspondientes al resto de clientes del
sistema en esta columna. Ahora en la celda F8 escriba la formula =E8-D8 y arrastrela
hasta la celda F23, esto corresponde al tiempo de espera del cliente antes de comenzar a
ser atendido, note que D8 nunca sera mayor que E8 ya que el valor minimo que puede
tomar el tiempo de comienzo del servicio es el tiempo de llegada, es decir, cuando un
cliente llega al sistema y no tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la celda H23, esta
formula indica cuanto tiempo tardara el servidor atendiendo al cliente actual. Ahora en la
celda I8 escriba la formula =E8+H8, esta formula indica el instante de tiempo en el que
servidor termina de atender al cliente actual y corresponde a la suma entre el instante que
comienza el servicio y la cantidad de tiempo que este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su posicion E8,
esto porque primero se requeria definir otros valores antes de poder determinar el instante
DEL MODELO,
PRUEBAS
DE
Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un sector no
representativo.
Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin
Uso de una imagen no adecuada del mundo real. (Usar matrices de punto para
territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2 por ej.)
La validacin consiste en 2 etapas:
1.
Validacin de los modelos de procesos simples; esto es validar la estructura
interna del modelo.
Si los resultados son absurdos, no tiene sentido continuar; cualquier otro anlisis
no convencer a los usuarios. Ningn modelo se ha aceptado si los resultados van contra
la teora.
En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe hacer
anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la respuesta del
modelo. Es de cuidado cuando el modelo es muy sensible a una pequea variacin de
una variable, y en general el modelo no es bueno cuando ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de las
variables independientes.
Con un simulador se puede realizar muchos anlisis de sensibilidad por el grado
de control sobre las variables de entrada (Mtodo Turing ). Luego consultar a expertos, si
es posible.
Se espera que estas salidas no sean absurdas comparadas con la experiencia y la teora.
Se consulta la opinin de expertos en esta confrontacin del modelo con la realidad
presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima
altsima, y datos de poblacin existentes. Consulta a expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una probabilidad de
distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el diseo
de experimentos en general y que se aplica a disear experimentos a efectuar con el
simulador.
El diseo se har orientado principalmente a los objetos que tiene el estudio o el
programa en que se inserta la construccin del simulador, o los objetivos de los usuarios
que utilizarn el simulador, y para lo cual ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de experimentos a
usar por ser el ms adecuado, y la etapa tctica donde se decide el cmo se llevara a la
prctica los experimentos del diseo a aplicar. Se ve aqu la distribucin de recursos, el
uso del tiempo y del personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
Se debe documentar el programa computacional, los mdulos o las subrutinas, las interrelaciones entre mdulos y la conclusiones de la etapa de validacin (Diseo fsico del
simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este resultar ms
breve cuanto ms amigable sea el ingreso y manejo del simulador. Deber contener
alcances que faciliten la inferencia al sistema real.
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o los usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro
poblacional.
Despus
de
recolectar
una muestra aleatoria,
se
compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara
con una supuesta media poblacional. Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado muestral
resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el
valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco
probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia
del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan
diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir
aleatoria mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin
transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de
una media poblacional, se toma la media de una muestra aleatoria de
esa distribucin normal, entonces es comn que se transforme la media en un valor z el
cual, a su vez, sirve como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo
especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que
se van a utilizar, se produce a establecer el o los valores crticos de estadstica de prueba.
estadstica.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una
cuestin sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un
tipo de error suele ir acompaado de un crecimiento del otro tipo. En la prctica, un tipo
de error puede ser ms grave que el otro, y debe alcanzarse un compromiso que
disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no
siempre es posible.
Las pruebas no paramtricas son generalmente menos potentes que las pruebas
correspondientes diseadas para utilizarse con datos que provengan de una distribucin
especfica. Por lo tanto, la probabilidad de que usted rechace la hiptesis nula cuando sea
falsa es menor.
Las pruebas no paramtricas con frecuencia requieren que usted modifique las
hiptesis. Por ejemplo, la mayora de las pruebas no paramtricas sobre el centro de la
poblacin son pruebas sobre la mediana y no sobre la media. La prueba no responde a la
misma pregunta del mismo modo que el procedimiento paramtrico anlogo.
Pruebas paramtricas alternativas
Cuando sea posible elegir entre el uso de un procedimiento paramtrico o no paramtrico,
y usted est relativamente seguro de que se cumplen los supuestos para el procedimiento
paramtrico, entonces utilice el procedimiento paramtrico.
La siguiente lista muestra las pruebas no paramtricas junto con sus alternativas
paramtricas.
Prueba no paramtrica
Prueba de Mann-Whitney
Prueba t de 2 muestras
Prueba de Kruskal-Wallis
Prueba de Friedman
BIBLIOGRAFIA
1. Azaran M.R. y Garca Duna Simulacin y analisis de modelos estocasticos.
Editorial McGrawHill
2. Erwin Kreyszig Introduccin a la estadistica matemtica, principios y mtodos
Editorial Limusa.
3. Michael Luby, Pseudorandomness and Cryptographic Applications, Princeton Univ
Press, 1996. A definitive source of techniques for provably random sequences.
4. Donald Knuth. The Art of Computer Programming, Volume 2: Seminumerical
Algorithms, Third Edition. Addison-Wesley, 1997. ISBN 0-201-89684-2. Chapter 3,
pp.1193. Extensive coverage of statistical tests for non-randomness.
5. R. Matthews Maximally Periodic Reciprocals Bulletin of the Institute of Mathematics
and its Applications 28 147-148 1992
6. J. Viega, Practical Random Number Generation in Software, in Proc. 19th Annual
Computer Security Applications Conference, Dec. 2003.
7. John von Neumann, "Various techniques used in connection with random digits," in
A.S. Householder, G.E. Forsythe, and H.H. Germond, eds., Montecarlo Method,
National Bureau of Standards Applied Mathematics Series, 12 (Washington, D.C.:
U.S. Government Printing Office, 1951): 36-38.
8. NIST Recommendation for Random Number Generation Using Deterministic
Random Bit Generators
9. Cerezal Mezquita, Julio y Jorge Fiallo Rodrguez (2009). Cmo investigar en
Pedagoga? La Habana. Editorial Pueblo y Educacin.
10. Gonzlez Castellanos, Roberto A., Mario Yll Lavn y Lilian D. Curiel Lorenzo.
Metodologa de la investigacin cientfica para las ciencias tcnicas.