NÚMEROS ALEATORIOS - APLICACIÓN EN LOS MODELOS DE SIMULACIÓN
La utilidad de la aleatoriedad aplicado en los modelos de simulación nos permite modelar fenómenos complejos y seleccionar muestras aleatorias de conjuntos de datos más grandes.
Un número aleatorio es uno que se extrae de un conjunto de valores posibles,
cada uno de los cuales es igualmente probable, es decir, una distribución uniforme (utilizados para evaluar una diversidad de variables de entrada y analizar resultados). Una distribución uniforme en teoría de la probabilidad y estadística se expresa como un número finito y conocido de resultados que tienen la misma probabilidad de ocurrir. La mayoría de los números aleatorios se generan de manera predecible usando una fórmula matemática. Cuando se habla de una secuencia de números aleatorios, cada número extraído debe ser estadísticamente independiente de los demás, por lo que los programadores reconocieron la necesidad de un medio para introducir la aleatoriedad en un programa de computadora. Sobre esté fin, existen dos enfoques principales para generar números aleatorios usando una computadora: generadores de números pseudoaleatorios (PRNG) y generadores de números aleatorios verdaderos (TRNG). Esencialmente, los PRNG son algoritmos que usan fórmulas matemáticas o simplemente tablas precalculadas para producir secuencias de números que parecen aleatorios. Efectivamente, los números parecen aleatorios, pero en realidad están predeterminados. Los PRNG son eficientes, lo que significa que pueden producir muchos números en poco tiempo, y deterministas, lo que significa que una determinada secuencia de números se puede reproducir en una fecha posterior si se conoce el punto de inicio de la secuencia. Estas características hacen que los PRNG sean adecuados para aplicaciones donde se requieren muchos números y donde es útil que la misma secuencia se pueda reproducir fácilmente. Ej. aplicaciones de simulación y modelado. Independientemente del fenómeno físico que se utilice, el proceso de generar números aleatorios verdaderos implica identificar cambios pequeños e impredecibles en los datos. En conclusión, los TRNG son generalmente ineficientes en comparación con los PRNG, ya que toman mucho más tiempo para producir números, siendo estos no deterministas, lo que significa que una secuencia dada de números no se puede reproducir. Los defensores de los generadores de números aleatorios de la variedad cuántica argumentan que la física cuántica es inherentemente no determinista, mientras que los sistemas gobernados por la física son esencialmente deterministas.
Inteligencia artificial: Lo que usted necesita saber sobre el aprendizaje automático, robótica, aprendizaje profundo, Internet de las cosas, redes neuronales, y nuestro futuro
Sesgos Cognitivos: Una Fascinante Mirada dentro de la Psicología Humana y los Métodos para Evitar la Disonancia Cognitiva, Mejorar sus Habilidades para Resolver Problemas y Tomar Mejores Decisiones