{"id":19518,"date":"2026-09-26T10:46:41","date_gmt":"2026-09-26T13:46:41","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=19518"},"modified":"2026-09-26T10:46:41","modified_gmt":"2026-09-26T13:46:41","slug":"puede-una-computadora-generar-azar-de-verdad-la-respuesta-esta-fuera-de-sus-propios-calculos","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=19518","title":{"rendered":"\u00bfPuede una computadora generar azar de verdad? La respuesta est\u00e1 fuera de sus propios c\u00e1lculos"},"content":{"rendered":"

<\/p>\n

\n

Pedirle a una computadora que produzca algo impredecible plantea una contradicci\u00f3n interesante. Un procesador ejecuta instrucciones definidas de antemano y, ante las mismas condiciones, deber\u00eda obtener siempre el mismo resultado.<\/p>\n

Sin embargo, la inform\u00e1tica necesita generar n\u00fameros aparentemente aleatorios constantemente. Se utilizan en criptograf\u00eda, simulaciones cient\u00edficas, videojuegos, sorteos digitales y numerosos procesos donde conocer de antemano el siguiente valor arruinar\u00eda todo el sistema.<\/p>\n

La pregunta es entonces inevitable: \u00bfpuede una m\u00e1quina determinista producir aut\u00e9ntico azar?<\/p>\n

La mayor\u00eda de las computadoras utiliza pseudoazar<\/h2>\n

La soluci\u00f3n habitual son los llamados generadores de n\u00fameros pseudoaleatorios.<\/p>\n

Estos algoritmos comienzan con un valor inicial conocido como semilla y realizan una serie de operaciones matem\u00e1ticas capaces de producir secuencias que parecen desordenadas.<\/p>\n

El resultado puede superar numerosas pruebas estad\u00edsticas y ser suficientemente impredecible para gran cantidad de aplicaciones. Pero existe una caracter\u00edstica fundamental: si alguien conoce el algoritmo y la semilla exacta, puede volver a generar toda la secuencia.<\/p>\n

Por eso hablamos de pseudoazar y no de aleatoriedad absoluta. Esta propiedad tambi\u00e9n tiene ventajas. En una simulaci\u00f3n cient\u00edfica, por ejemplo, utilizar la misma semilla permite repetir exactamente un experimento y comprobar los resultados.<\/p>\n

Un mal generador puede convertirse en un problema de seguridad<\/h2>\n

La apariencia ca\u00f3tica no garantiza que una secuencia sea segura.<\/p>\n

Un algoritmo mal dise\u00f1ado puede producir patrones, correlaciones o ciclos que terminen siendo descubiertos. Esto resulta especialmente peligroso en criptograf\u00eda, donde predecir ciertos n\u00fameros podr\u00eda permitir reconstruir claves o comprometer comunicaciones. El matem\u00e1tico John von Neumann ya ironizaba sobre esta cuesti\u00f3n al advertir de los peligros de intentar obtener n\u00fameros aleatorios \u00fanicamente mediante procedimientos aritm\u00e9ticos.<\/p>\n

La inform\u00e1tica moderna ha desarrollado generadores mucho m\u00e1s sofisticados, pero el problema fundamental contin\u00faa siendo el mismo: un algoritmo sigue siendo una regla.<\/p>\n

Para conseguir azar real hay que mirar al mundo f\u00edsico<\/h2>\n

Una alternativa consiste en utilizar procesos externos al propio c\u00e1lculo.<\/p>\n

Los dispositivos pueden medir peque\u00f1as fluctuaciones el\u00e9ctricas, ruido t\u00e9rmico de componentes electr\u00f3nicos, tiempos de interacci\u00f3n del usuario o variaciones f\u00edsicas imposibles de reproducir exactamente. Estos valores pueden alimentar sistemas que generan n\u00fameros mucho m\u00e1s dif\u00edciles de anticipar.<\/p>\n

Los generadores conocidos como TRNG, o generadores de n\u00fameros verdaderamente aleatorios, utilizan precisamente este tipo de fen\u00f3menos f\u00edsicos.<\/p>\n

\n

Randomness is hard to achieve.<\/p>\n

It is why the security of 10% of the internet is secured by a wall of lava lamps watched by a camera to generate true randomness pic.twitter.com\/8RK58YzezV<\/a><\/p>\n

\u2014 Ethan Mollick (@emollick) April 19, 2024<\/p>\n<\/blockquote>\n

La f\u00edsica cu\u00e1ntica lleva la incertidumbre todav\u00eda m\u00e1s lejos<\/h2>\n

Algunos sistemas recurren incluso a eventos cu\u00e1nticos.<\/p>\n

Un ejemplo consiste en enviar fotones hacia dispositivos en los que existen varios resultados posibles y registrar cu\u00e1l ocurre en cada caso.<\/p>\n

Seg\u00fan la interpretaci\u00f3n est\u00e1ndar de la mec\u00e1nica cu\u00e1ntica, el resultado individual de determinados eventos no est\u00e1 simplemente oculto detr\u00e1s de una variable desconocida, sino que posee una naturaleza fundamentalmente probabil\u00edstica.<\/p>\n

Por eso, los fen\u00f3menos cu\u00e1nticos se consideran una de las fuentes m\u00e1s s\u00f3lidas de aleatoriedad f\u00edsica disponibles actualmente.<\/p>\n

\u00bfC\u00f3mo sabemos que una secuencia es aleatoria?<\/h2>\n

No basta con observar varios n\u00fameros y comprobar que parecen desordenados.<\/p>\n

Los investigadores utilizan grandes bater\u00edas de pruebas estad\u00edsticas para buscar repeticiones an\u00f3malas, distribuciones desiguales, correlaciones entre valores o patrones demasiado frecuentes. Pero existe una limitaci\u00f3n importante: ninguna prueba puede demostrar definitivamente que una secuencia es completamente aleatoria.<\/p>\n

Las pruebas pueden detectar numerosos fallos y demostrar que una secuencia no cumple ciertas propiedades esperadas del azar, pero superar todos los an\u00e1lisis disponibles no constituye una demostraci\u00f3n matem\u00e1tica absoluta.<\/p>\n

Por eso, la respuesta a la pregunta inicial tiene dos partes. Una computadora convencional puede generar pseudoazar extremadamente convincente mediante algoritmos. Pero cuando necesitamos una fuente de incertidumbre independiente de una f\u00f3rmula, la m\u00e1quina debe recurrir al mundo f\u00edsico.<\/p>\n

Parad\u00f3jicamente, para ser realmente impredecible, una computadora necesita obtener parte de su azar de algo que ocurre fuera de sus propios c\u00e1lculos.<\/p>\n

Fuente: Noticias de la Ciencia y la Tecnolog\u00eda.<\/p>\n<\/p><\/div>\n