¿Las semillas cercanas en la generación de números aleatorios pueden dar números aleatorios similares?

Question

Estoy usando semillas secuenciales (1,2,3,4, ...) para la generación de números aleatorios en una simulación. ¿El hecho de que las semillas estén cerca uno del otro hace que los números pseudoaleatorios generados sean similares también?

creo que no cambia nada, pero yo estoy usando Python

Edición: He hecho algunas pruebas y los números no ser similar. Pero me temo que la similitud no se puede notar solo mirando los números. ¿Hay alguna característica teórica de la generación de números aleatorios que garantice que las diferentes semillas den números pseudoaleatorios completamente independientes?

Answer 1

Definitivamente habrá una correlación entre la semilla y los números aleatorios generados, por definición. La pregunta es si el algoritmo de aleatorización es suficiente para producir resultados que parecen no correlacionados, y debe estudiar los métodos para evaluar la aleatoriedad para responder esa pregunta.

Sin embargo, tiene razón en estar preocupado. Éstos son los resultados de la función de Microsoft C++ rand con valores de semilla de 0 a 9:

38 7719 21238 2437 8855 11797 8365 32285 10450 30612 
    41 18467 6334 26500 19169 15724 11478 29358 26962 24464 
    45 29216 24198 17795 29484 19650 14590 26431 10705 18316 
    48 7196 9294 9091 7031 23577 17702 23503 27217 12168 
    51 17945 27159 386 17345 27504 20815 20576 10960 6020 
    54 28693 12255 24449 27660 31430 23927 17649 27472 32640 
    58 6673 30119 15745 5206 2589 27040 14722 11216 26492 
    61 17422 15215 7040 15521 6516 30152 11794 27727 20344 
    64 28170 311 31103 25835 10443 497 8867 11471 14195 
    68 6151 18175 22398 3382 14369 3609 5940 27982 8047 

Answer 2

Primero: defina similitud. Siguiente: codifica una prueba de similitud. Entonces: verifique la similitud.

Con solo una descripción vaga de la similitud, es difícil comprobarlo.

Answer 3

¿Qué tipo de simulación estás haciendo?

Para fines de simulación, su argumento es válido (dependiendo del tipo de simulación) pero si lo implementa en un entorno que no sea simulación, podría ser pirateado fácilmente si requiere que existan problemas de seguridad del entorno basados ​​en los números aleatorios generados.

Si está simulando el resultado de una máquina, ya sea que sea perjudicial para la sociedad o no, el resultado de los resultados no será aceptable. Requiere una aleatoriedad máxima en todas las formas posibles y nunca confiaría en tu razonamiento.

Answer 4

Para citar la documentación del módulo de azar:

Notas generales sobre el núcleo generador de Mersenne Twister subyacente:

• El período es 2 ** 19937-1.
• Es uno de los generadores más probados que existen.

estaría más preocupado por mi código que es roto que mi RNG no ser lo suficientemente aleatoria. En general, tus sentimientos viscerales sobre la aleatoriedad van a estar equivocados: la mente humana es realmente buena para encontrar patrones, incluso si no existen.

Siempre que sepa que sus resultados no serán "seguros" debido a su falta de siembra aleatoria, debería estar bien.

Answer 5

Si le preocupan las semillas secuenciales, no use semillas secuenciales. Configure un RNG maestro, con una semilla conocida, y luego tome salidas sucesivas de ese RNG maestro para sembrar los diversos RNG secundarios según sea necesario.

Como conoce la semilla inicial para el maestro RNG, toda la simulación se puede ejecutar nuevamente, exactamente como antes, si es necesario.

masterSeed <- 42 
masterRNG <- new Random(masterSeed) 

childRNGs[] <- array of child RNGs 

foreach childRNG in childRNGs 
    childRNG.setSeed(masterRNG.next()) 
endforeach 

Answer 6

he encontrado medible, pero pequeña, las correlaciones en números aleatorios generados a partir de la Mersenne Twister utilizando las semillas secuenciales para múltiples simulaciones - los resultados de los cuales se promediaron para obtener los resultados finales. En Python en Linux, las correlaciones desaparecen si utilizo semillas generadas por la función aleatoria del sistema (números no pseudoaleatorios) a través de random.SystemRandom(). Guardo los números de SystemRandom en los archivos y los leo cuando se necesita una semilla en una simulación. Para generar semillas:

import random 
myrandom = random.SystemRandom 
x = myrandom.random  # yields a number in [0,1) 
dump x out to file... 

Luego, cuando se necesitan semillas

import random 
read x from file... 
newseed = int(x*(2**31)) # produce a 32 bit integer 
random.seed(newseed) 
nextran = random.random() 
nextran = random.random()...