Números aleatorios en una computadora

01 · Punto de partida

La paradoja: pedir azar a lo determinista

Una computadora es determinista por diseño: el mismo programa, con los mismos datos, produce el mismo resultado. Esa es su virtud para calcular nóminas o compilar código. Pero para simular necesitás lo contrario: variabilidad, miles de valores distintos que parezcan azar.

En el Tema 2 viste la salida conceptual: un algoritmo pseudoaleatorio. Ahora toca la salida práctica: ¿de dónde sale la primera semilla si todo es determinista? ¿Qué hace Python cuando no fijás seed? ¿Cuándo hay azar físico real y cuándo es solo cálculo?

• ¿Por qué random.random() da distintos valores en cada ejecución si no fijaste semilla?
• ¿Qué es la entropía del sistema y dónde la consigue tu PC?
• ¿Qué diferencia hay entre random, secrets y os.urandom?
• ¿Cuándo te conviene cada uno?

02 · Definición

Determinismo, entropía y los dos generadores

Todo el ecosistema se entiende con tres palabras:

03 · Por dentro de tu PC

De dónde saca entropía el sistema

Tu sistema operativo mantiene una «pileta» de entropía que mezcla eventos impredecibles en detalle. Cuando Python arranca sin semilla explícita, toma de ahí el punto de partida:

Tiempos

Instante exacto de teclas, clics, discos y red, medidos en nanosegundos. No es el «segundo» del reloj, sino la microvariación imposible de replicar.

Ruido de hardware

Fluctuaciones térmicas y eléctricas, instrucciones como RDRAND/RDSEED en CPUs modernas que exponen azar físico al SO.

Pileta del SO

Linux expone /dev/random y /dev/urandom; Windows, su API criptográfica. Python bebe de ahí vía os.urandom para la semilla inicial.

Reloj como último recurso

Usar «la hora en segundos» como semilla es lo más pobre: dos ejecuciones en el mismo segundo repiten todo y un adversario la adivina. Solo vale para jugar.

04 · Mapa

Qué usa realmente tu código Python

En Python conviven tres herramientas con propósitos distintos. Confundirlas es fuente clásica de bugs de seguridad y de ciencia irreproducible:

1. 1
   random: el caballo de simulación.

   PRNG Mersenne Twister, rapidísimo, con semilla fijable. Ideal para réplicas, escenarios y depuración. No apto para seguridad.

2. 2
   secrets: el de seguridad.

   Bebe del generador criptográfico del SO, no admite semilla. Para contraseñas, tokens y sorteos con adversario.

3. 3
   os.urandom / SystemRandom: el puente.

   Bytes crudos de entropía o un random alimentado por el SO. Útil para sembrar a mano tus propios generadores.

4. 4
   NumPy (default_rng): el de ciencia masiva.

   Generadores modernos (PCG) vectorizados para millones de valores. Lo verás en el Tema 17; la lógica semilla→secuencia es la misma.

05 · Demostración en Python

Semilla fija frente a entropía del sistema

Este bloque demuestra el determinismo de random: con semilla fija se repite; sin fijarla, cada ejecución parte de entropía del sistema y cambia.

import random

random.seed(2026)
print("fija:", [round(random.random(), 4) for _ in range(5)])
random.seed(2026)
print("fija otra vez:", [round(random.random(), 4) for _ in range(5)])

Dos listas idénticas: el PRNG no consultó ningún azar físico entre una y otra, solo repitió el cálculo.

Bytes que nunca se repiten

En cambio, os.urandom pide entropía fresca al sistema en cada llamada. Ejecutalo varias veces y compará:

import os

print(os.urandom(8).hex())
print(os.urandom(8).hex())

06 · Exploración

Laboratorio: tres fuentes, tres comportamientos

Elegí la fuente y la cantidad de valores. La curva muestra los valores en [0,1) en orden de generación. Generá dos veces seguidas con cada fuente y observá cuál se repite y cuál no.

La superposición de dos corridas solo ocurre con semilla fija. La hora cambia entre clics y el azar del navegador nunca se repite igual.

Preguntas para explorar

1. Con semilla fija, generá 3 veces: ¿cambia algún punto? ¿Qué ventaja da eso para depurar?
2. Con semilla = hora, generá 2 veces rápido: ¿a veces coinciden? ¿Por qué el reloj en segundos es mala semilla?
3. ¿Cuál fuente elegirías para publicar un paper y cuál para generar un token secreto?

07 · Comprensión

Confusiones frecuentes

08 · Práctica guiada

Ejercicios con Python

Ejercicio 1: la semilla manda

Ejecutá, anotá la salida, volvé a ejecutar. Luego quitá la línea de seed y repetí. ¿Qué cambia?

import random

random.seed(7)
print([random.randint(1, 10) for _ in range(5)])

Ejercicio 2: contraseña con secrets

Generá un token con el módulo de seguridad y observá que no hay forma de fijar semilla: esa es la garantía.

import secrets
import string

alfabeto = string.ascii_letters + string.digits
pwd = "".join(secrets.choice(alfabeto) for _ in range(12))
print(pwd)

Ejercicio 3: experimento reproducible

Empaquetá tu corrida con semilla y versión para que otro pueda repetirla bit a bit. Este patrón lo usarás en el Tema 36.

import random

EXPERIMENTO = {"semilla": 2026, "n": 5, "version": "tema3-v1"}

random.seed(EXPERIMENTO["semilla"])
print(EXPERIMENTO)
print([random.random() for _ in range(EXPERIMENTO["n"])])

09 · Síntesis

Ideas para recordar

En el próximo tema definiremos con precisión el objeto central del curso: las secuencias pseudoaleatorias, sus propiedades y cómo leerlas como salida de un generador.