स्टोचैस्टिक सिमुलेशन

एक स्टोकेस्टिक सिमुलेशन एक ऐसी प्रणाली का अनुकरण है जिसमें चर होते हैं जो व्यक्तिगत संभावनाओं के साथ स्टोकेस्टिक | स्टोचैस्टिक (यादृच्छिक रूप से) बदल सकते हैं। इन यादृच्छिक चरों की प्राप्ति (संभावना) उत्पन्न होती है और सिस्टम के एक मॉडल में डाली जाती है। मॉडल के आउटपुट रिकॉर्ड किए जाते हैं, और फिर प्रक्रिया को यादृच्छिक मानों के एक नए सेट के साथ दोहराया जाता है। पर्याप्त मात्रा में डेटा एकत्र होने तक इन चरणों को दोहराया जाता है। अंत में, आउटपुट का वितरण (गणित) सबसे संभावित अनुमानों के साथ-साथ उम्मीदों का एक ढांचा दिखाता है कि वेरिएबल्स के मूल्यों की कम या ज्यादा गिरावट की संभावना क्या है।

अक्सर मॉडल में डाले गए रैंडम वैरिएबल कंप्यूटर पर यादृच्छिक संख्या पीढ़ी (RNG) के साथ बनाए जाते हैं। यादृच्छिक संख्या जनरेटर के U(0,1) समान वितरण (निरंतर) आउटपुट तब प्रायिकता वितरण के साथ यादृच्छिक चर में परिवर्तित हो जाते हैं जो सिस्टम मॉडल में उपयोग किए जाते हैं।

व्युत्पत्ति
स्टोकेस्टिक मूल रूप से अनुमान से संबंधित था; ग्रीक स्टोखस्टिकोस से अनुमान लगाने में सक्षम, अनुमान लगाना: स्टोखज़ेस्थई अनुमान से; स्टोखोस से अनुमान, लक्ष्य, लक्ष्य, निशान। बेतरतीब ढंग से निर्धारित की भावना पहली बार 1934 में जर्मन स्टोचैस्टिक से दर्ज की गई थी।

असतत-घटना सिमुलेशन
स्टोकेस्टिक सिमुलेशन में अगली घटना का निर्धारण करने के लिए, मॉडल की स्थिति में सभी संभावित परिवर्तनों की दरों की गणना की जाती है, और फिर एक सरणी में क्रमबद्ध किया जाता है। अगला, सरणी का संचयी योग लिया जाता है, और अंतिम सेल में संख्या R होती है, जहाँ R कुल घटना दर है। यह संचयी सरणी अब एक असतत संचयी वितरण है, और एक यादृच्छिक संख्या z~U(0,R) चुनकर और पहली घटना को चुनकर अगली घटना को चुनने के लिए इस्तेमाल किया जा सकता है, जैसे कि z उस घटना से जुड़ी दर से कम है.

संभाव्यता वितरण
यादृच्छिक चर के संभावित परिणाम का वर्णन करने के लिए प्रायिकता वितरण का उपयोग किया जाता है।

परिणामों को सीमित करता है जहां चर केवल असतत मान ले सकता है।

बरनौली वितरण
एक यादृच्छिक चर एक्स बर्नौली वितरण है | बर्नौली-पैरामीटर पी के साथ वितरित किया गया है यदि इसके दो संभावित परिणाम हैं जो आमतौर पर 1 (सफलता या डिफ़ॉल्ट) या 0 (विफलता या उत्तरजीविता) को एन्कोड किया गया है। जहां सफलता और असफलता की संभावनाएं हैं $$P(X = 1) = p$$ और $$P(X = 0) = 1 - p$$ कहाँ $$0 \leq p \leq 1$$.

एक यादृच्छिक संख्या जनरेटर द्वारा किए गए यू (0,1) समान वितरण से बर्नौली वितरण के साथ एक यादृच्छिक चर एक्स का उत्पादन करने के लिए, हम परिभाषित करते हैं $$X = \begin{cases} 1, & \text{if } 0 \leq U < p \\ 0, & \text{if } 1 \geq U \geq p \end{cases} $$ इस तरह की संभावना के लिए $$P(X = 1) = P(0 \leq U < p) = p$$ और $$P(X = 0) = P(1 \geq U \geq p) = 1 - p$$<रेफरी नाम = कवरेज, एफ.एम. फ्रेडरिक मिशेल, 1946–2005 />

उदाहरण: सिक्के का उछाल
परिभाषित करना $$ X = \begin{cases} 1 & \text{if heads comes up} \\ 0 & \text{if tails comes up} \end{cases} $$ एक निष्पक्ष सिक्के के लिए, दोनों प्राप्ति समान रूप से होने की संभावना है। हम इस यादृच्छिक चर X की प्रतीति a से उत्पन्न कर सकते हैं $$U(1,0)$$ एक यादृच्छिक संख्या जनरेटर (आरएनजी) द्वारा प्रदान किया गया समान वितरण $$X = 1$$ यदि RNG 0 और 0.5 के बीच का मान आउटपुट करता है और $$X = 0$$ यदि RNG 0.5 और 1 के बीच का मान आउटपुट करता है। $$\begin{align} P (X = 1) &= P(0 \leq U <   1/2) = 1/2 \\ P (X = 0) &= P(1 \geq U \geq 1/2) = 1/2 \end{align}$$ बेशक, दो परिणाम समान रूप से संभावित नहीं हो सकते हैं (उदाहरण के लिए चिकित्सा उपचार की सफलता)।

द्विपद वितरण
पैरामीटर n और p के साथ एक द्विपद वितरण यादृच्छिक चर Y को n स्वतंत्र और समान रूप से बर्नौली वितरण के योग के रूप में प्राप्त किया जाता है | बर्नौली-वितरित यादृच्छिक चर X1, एक्स2, ..., एक्सn

उदाहरण: एक सिक्के को तीन बार उछाला जाता है। ठीक दो चित आने की प्रायिकता ज्ञात कीजिए। नमूना स्थान को देखकर इस समस्या को हल किया जा सकता है। दो सिर पाने के तीन तरीके हैं।

उत्तर 3/8 (= 0.375) है।

विष वितरण
एक पोइसन प्रक्रिया एक ऐसी प्रक्रिया है जहां समय या स्थान के अंतराल में घटनाएं अनियमित रूप से घटित होती हैं। <रेफरी नाम = डेकिंग, एफ.एम. फ्रेडरिक मिशेल, 1946–2005 /> निरंतर दर λ प्रति समय अंतराल के साथ पॉइसन प्रक्रियाओं के लिए प्रायिकता वितरण निम्नलिखित समीकरण द्वारा दिया गया है। $$P(k \text{ events in interval}) = \frac{\lambda^k e^{-\lambda}}{k!}$$ परिभाषित $$N(t)$$ समय अंतराल में होने वाली घटनाओं की संख्या के रूप में $$t$$ $$P(N(t) = k) = \frac{(t\lambda)^{k}}{k!}e^{-t\lambda}$$ यह दिखाया जा सकता है कि घटनाओं के लिए अंतर-आगमन समय एक संचयी वितरण समारोह (सीडीएफ) के साथ घातीय वितरण है $$F(t) = 1 - e^{-t\lambda}$$. घातीय CDF का व्युत्क्रम किसके द्वारा दिया जाता है $$t = -\frac{1}{\lambda}\ln(u)$$ कहाँ $$u$$ एक $$U(0,1)$$ समान रूप से वितरित यादृच्छिक चर। <रेफरी नाम = अलंकार, एफ.एम. फ्रेडरिक मिशेल, 1946–2005 />

एक स्थिर दर के साथ पॉसों प्रक्रिया का अनुकरण करना $$\lambda$$ घटनाओं की संख्या के लिए $$N$$ जो अन्तराल में होता है $$[t_\text{start},t_\text{end}]$$ निम्नलिखित एल्गोरिथम के साथ किया जा सकता है।
 * 1) के साथ शुरू $$N = 0$$ और $$t = t_\text{start}$$
 * 2) यादृच्छिक चर उत्पन्न करें $$u$$ से $$U(0,1)$$ वर्दी वितरण
 * 3) के साथ समय अपडेट करें $$t = t - \ln(u) / \lambda$$
 * 4) अगर $$t > t_\text{end}$$, फिर रुको। अन्यथा चरण 5 जारी रखें।
 * 5) $$N = N + 1$$
 * 6) चरण 2 जारी रखें

प्रत्यक्ष और पहली प्रतिक्रिया के तरीके
1977 में और गिलेस्पी द्वारा प्रकाशित, और संचयी सरणी पर एक रेखीय खोज है। गिलेस्पी एल्गोरिथम देखें।

गिलेस्पी का स्टोचैस्टिक सिमुलेशन एल्गोरिथम (एसएसए) अनिवार्य रूप से ऐसी प्रणाली में निहित यादृच्छिकता का उचित लेखा-जोखा लेकर एक अच्छी तरह से उत्तेजित रासायनिक प्रतिक्रिया प्रणाली के समय विकास को संख्यात्मक रूप से अनुकरण करने के लिए एक सटीक प्रक्रिया है। यह सख्ती से उसी माइक्रोफिजिकल आधार पर आधारित है जो रासायनिक मास्टर समीकरण को रेखांकित करता है और ओडीई द्वारा गणितीय रूप से प्रस्तुत नियतात्मक प्रतिक्रिया दर समीकरण (आरआरई) की तुलना में सिस्टम के विकास का अधिक यथार्थवादी प्रतिनिधित्व देता है।

जैसा कि रासायनिक मास्टर समीकरण के साथ होता है, एसएसए अभिकारकों की बड़ी संख्या की सीमा में, बड़े पैमाने पर कार्रवाई के कानून के समान समाधान के लिए अभिसरण करता है।

अगली प्रतिक्रिया विधि
गिब्सन और ब्रुक द्वारा 2000 में प्रकाशित। यह पहली प्रतिक्रिया पद्धति पर एक सुधार है जहां अप्रयुक्त प्रतिक्रिया समय का पुन: उपयोग किया जाता है। प्रतिक्रियाओं के नमूने को और अधिक कुशल बनाने के लिए, प्रतिक्रिया समय को संग्रहीत करने के लिए अनुक्रमित प्राथमिकता कतार का उपयोग किया जाता है। दूसरी ओर, प्रवृत्तियों की पुनर्गणना को और अधिक कुशल बनाने के लिए, एक निर्भरता ग्राफ का उपयोग किया जाता है। यह निर्भरता ग्राफ बताता है कि किसी विशेष प्रतिक्रिया के बाद कौन सी प्रतिक्रिया की प्रवृत्ति को अपडेट करना है।

अनुकूलित और छँटाई प्रत्यक्ष तरीके
प्रकाशित 2004 और 2005। एल्गोरिथम की औसत खोज गहराई को कम करने के लिए ये विधियाँ संचयी सरणी को सॉर्ट करती हैं। पूर्व प्रतिक्रियाओं की फायरिंग आवृत्ति का अनुमान लगाने के लिए एक अनुमान लगाता है, जबकि बाद वाला संचयी सरणी ऑन-द-फ्लाई को सॉर्ट करता है।

लघुगणक प्रत्यक्ष विधि
2006 में प्रकाशित। यह संचयी सरणी पर एक द्विआधारी खोज है, इस प्रकार ओ (लॉग एम) के लिए प्रतिक्रिया नमूनाकरण की सबसे खराब समय जटिलता को कम करता है।

आंशिक-प्रवृत्ति विधियाँ
2009, 2010 और 2011 में प्रकाशित (रामास्वामी 2009, 2010, 2011)। प्रतिक्रियाओं की (बड़ी) संख्या के बजाय, नेटवर्क में प्रजातियों की संख्या के साथ कम्प्यूटेशनल लागत को कम करने के लिए फैक्टर-आउट, आंशिक प्रतिक्रिया प्रवृत्तियों का उपयोग करें। चार प्रकार मौजूद हैं:


 * पीडीएम, आंशिक-प्रवृत्ति प्रत्यक्ष विधि। एक कम्प्यूटेशनल लागत है जो प्रतिक्रिया नेटवर्क में विभिन्न प्रजातियों की संख्या के साथ रैखिक रूप से मापती है, नेटवर्क के युग्मन वर्ग से स्वतंत्र (रामास्वामी 2009)।
 * एसपीडीएम, सॉर्टिंग आंशिक-प्रवृत्ति प्रत्यक्ष विधि। मल्टी-स्केल रिएक्शन नेटवर्क में कम्प्यूटेशनल लागत के पूर्व-कारक को कम करने के लिए डायनेमिक बबल सॉर्ट का उपयोग करता है, जहां प्रतिक्रिया दर परिमाण के कई आदेशों (रामास्वामी 2009) तक फैली हुई है।
 * PSSA-CR, रचना-अस्वीकृति नमूनाकरण के साथ आंशिक-प्रवृत्ति SSA। संरचना-अस्वीकृति नमूनाकरण (स्लीपॉय 2008) का उपयोग करके कमजोर युग्मित नेटवर्क (रामास्वामी 2010) के लिए निरंतर समय (यानी, नेटवर्क आकार से स्वतंत्र) के लिए कम्प्यूटेशनल लागत को कम करता है।
 * dPDM, विलंब आंशिक-प्रवृत्ति प्रत्यक्ष विधि। देरी-एसएसए विधि (ब्रैटसन 2005, कै 2007) का आंशिक-प्रवृत्ति संस्करण प्रदान करके समय में देरी (रामास्वामी 2011) करने वाले प्रतिक्रिया नेटवर्क के लिए पीडीएम का विस्तार करता है।

आंशिक-प्रवृत्ति विधियों का उपयोग प्राथमिक रासायनिक प्रतिक्रियाओं तक सीमित है, अर्थात, अधिकतम दो अलग-अलग अभिकारकों के साथ प्रतिक्रियाएँ। नेटवर्क आकार में एक रेखीय (प्रतिक्रिया के क्रम में) वृद्धि की कीमत पर, प्रत्येक गैर-प्राथमिक रासायनिक प्रतिक्रिया को समान रूप से प्राथमिक के एक सेट में विघटित किया जा सकता है।

अनुमानित तरीके
स्टोचैस्टिक सिमुलेशन का एक सामान्य दोष यह है कि बड़ी प्रणालियों के लिए, बहुत सी घटनाएं होती हैं, जिन्हें एक सिमुलेशन में ध्यान में नहीं रखा जा सकता है। निम्नलिखित विधियाँ कुछ सन्निकटन द्वारा नाटकीय रूप से सिमुलेशन गति में सुधार कर सकती हैं।

τ छलांग लगाने की विधि
चूंकि एसएसए विधि प्रत्येक संक्रमण का ट्रैक रखती है, उच्च समय जटिलता के कारण कुछ अनुप्रयोगों के लिए इसे लागू करना अव्यावहारिक होगा। गिलेस्पी ने एक सन्निकटन प्रक्रिया, छलांग लगाने वाले वर्ष | ताऊ-लीपिंग विधि प्रस्तावित की, जो सटीकता के न्यूनतम नुकसान के साथ कम्प्यूटेशनल समय को कम करती है। समय में वृद्धिशील कदम उठाने के बजाय, एसएसए विधि के रूप में प्रत्येक समय कदम पर एक्स (टी) का ट्रैक रखने के बजाय, ताऊ-लीपिंग | ताऊ-लीपिंग विधि एक सबइंटरवल से अगले तक छलांग लगाती है, अनुमान लगाती है कि एक के दौरान कितने संक्रमण होते हैं। उपअंतराल दिया। यह माना जाता है कि छलांग का मान, τ, इतना छोटा है कि उपअंतराल [t, t + τ] के साथ संक्रमण दरों के मूल्य में कोई महत्वपूर्ण परिवर्तन नहीं होता है। इस स्थिति को छलांग की स्थिति के रूप में जाना जाता है। ताऊ-लीपिंग|ताऊ-लीपिंग विधि इस प्रकार महत्वपूर्ण सटीकता खोए बिना एक छलांग में कई बदलावों का अनुकरण करने का लाभ उठाती है, जिसके परिणामस्वरूप कम्प्यूटेशनल समय में गति बढ़ जाती है।

सशर्त अंतर विधि
यह विधि प्रतिवर्ती प्रक्रिया की विरोधी घटनाओं की केवल शुद्ध दरों को ध्यान में रखते हुए प्रतिवर्ती प्रक्रियाओं (जिसमें यादृच्छिक चलना/प्रसार प्रक्रियाएं शामिल हैं) का अनुमान लगाती है। इस पद्धति का मुख्य लाभ यह है कि इसे मॉडल की पिछली संक्रमण दरों को नई, प्रभावी दरों के साथ बदलकर एक सरल if-स्टेटमेंट के साथ लागू किया जा सकता है। इस प्रकार बदली हुई संक्रमण दर वाले मॉडल को हल किया जा सकता है, उदाहरण के लिए, पारंपरिक एसएसए के साथ।

निरंतर अनुकरण
जबकि डिस्क्रीट राज्य अंतरिक्ष  में यह निरंतर स्पेस में विशेष स्टेट्स (मानों) के बीच स्पष्ट रूप से अलग होता है, यह निश्चित निरंतरता के कारण संभव नहीं है। सिस्टम आमतौर पर समय के साथ बदलता है, मॉडल के चर, फिर भी लगातार बदलते रहते हैं। निरंतर अनुकरण इस प्रकार समय के साथ प्रणाली का अनुकरण करता है, राज्य चर के परिवर्तन की दरों को निर्धारित करने वाले अंतर समीकरण दिए गए हैं। सतत प्रणाली का उदाहरण शिकारी/शिकार मॉडल है या कार्ट-पोल संतुलन

सामान्य वितरण
यादृच्छिक चर $X$ को मापदंडों के साथ सामान्य वितरण कहा जाता है $μ$ और $σ$, द्वारा संक्षिप्त किया गया $X ∈ N(μ, σ^{2})$, यदि यादृच्छिक चर का घनत्व सूत्र द्वारा दिया गया है $$f_X(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} }, \quad x \in \Reals.$$ कई चीजें वास्तव में सामान्य वितरण हैं, या इसके बहुत करीब हैं। उदाहरण के लिए, ऊंचाई और बुद्धि लगभग सामान्य वितरण हैं; माप त्रुटियों का भी अक्सर सामान्य वितरण होता है।

घातीय वितरण
घातीय वितरण एक पोइसन प्रक्रिया में घटनाओं के बीच के समय का वर्णन करता है, अर्थात एक ऐसी प्रक्रिया जिसमें घटनाएं लगातार और स्वतंत्र रूप से एक स्थिर औसत दर पर होती हैं।

घातीय वितरण लोकप्रिय है, उदाहरण के लिए, कतार सिद्धांत  में जब हम उस समय का मॉडल बनाना चाहते हैं जब तक हमें एक निश्चित घटना होने तक इंतजार करना पड़ता है। उदाहरणों में वह समय शामिल है जब तक कि अगला ग्राहक स्टोर में प्रवेश नहीं करता, वह समय जब तक कि एक निश्चित कंपनी डिफॉल्ट नहीं करती या किसी मशीन में खराबी आने तक का समय।

छात्र का टी-वितरण
छात्र के टी-वितरण का उपयोग वित्त में परिसंपत्ति रिटर्न के संभाव्य मॉडल के रूप में किया जाता है। टी-वितरण का घनत्व कार्य निम्नलिखित समीकरण द्वारा दिया गया है: $$f(t) = \frac{\Gamma(\frac{\nu+1}{2})} {\sqrt{\nu\pi}\,\Gamma(\frac{\nu}{2})} \left(1+\frac{t^2}{\nu} \right)^{-\frac{\nu+1}{2}},$$ कहाँ $$\nu$$ स्वतंत्रता की डिग्री (सांख्यिकी) की संख्या है और $$\Gamma$$ गामा समारोह है।

एन के बड़े मूल्यों के लिए, छात्र का टी-वितरण|टी-वितरण मानक सामान्य वितरण से महत्वपूर्ण रूप से भिन्न नहीं होता है। आमतौर पर, मान n > 30 के लिए, छात्र का t-वितरण|t-वितरण मानक सामान्य वितरण के बराबर माना जाता है।

अन्य वितरण

 * सामान्यीकृत चरम मूल्य वितरण

संयुक्त सिमुलेशन
पूरी तरह से अलग दुनिया के विचारों के उपयोग से अक्सर एक और एक ही प्रणाली का मॉडल बनाना संभव होता है। किसी समस्या के असतत घटना अनुकरण के साथ-साथ इसके निरंतर घटना अनुकरण (निरंतर प्रवाह को बाधित करने वाली असतत घटनाओं के साथ निरंतर अनुकरण) अंततः एक ही उत्तर की ओर ले जा सकते हैं। हालांकि कभी-कभी, तकनीकें एक प्रणाली के बारे में विभिन्न सवालों के जवाब दे सकती हैं। यदि हमें आवश्यक रूप से सभी प्रश्नों का उत्तर देने की आवश्यकता है, या यदि हमें यह नहीं पता है कि मॉडल का उपयोग किस उद्देश्य के लिए किया जा रहा है, तो संयुक्त सतत/विच्छेद पद्धति को लागू करना सुविधाजनक है। इसी तरह की तकनीकें समय और स्थान पर निर्भर तरीके से एक असतत, स्टोकेस्टिक विवरण से नियतात्मक, सातत्य विवरण में बदल सकती हैं। इस तकनीक का उपयोग पारंपरिक गिलेस्पी एल्गोरिथम की तुलना में अनुकरण करने के लिए बहुत तेज होने के साथ-साथ छोटी प्रतिलिपि संख्याओं के कारण शोर को पकड़ने में सक्षम बनाता है। इसके अलावा, नियतात्मक सातत्य विवरण का उपयोग मनमाने ढंग से बड़े सिस्टम के सिमुलेशन को सक्षम बनाता है।

मोंटे कार्लो सिमुलेशन
मोंटे कार्लो विधि एक आकलन प्रक्रिया है। मुख्य विचार यह है कि यदि किसी यादृच्छिक चर के औसत मूल्य को जानना आवश्यक है और इसका वितरण नहीं बताया जा सकता है, और यदि वितरण से नमूने लेना संभव है, तो हम स्वतंत्र रूप से और औसत से नमूने लेकर इसका अनुमान लगा सकते हैं। उन्हें। यदि पर्याप्त नमूने हैं, तो बड़ी संख्या का कानून कहता है कि औसत सही मूल्य के करीब होना चाहिए। केंद्रीय सीमा प्रमेय कहता है कि औसत का वास्तविक मूल्य के आसपास गॉसियन वितरण है। एक सरल उदाहरण के रूप में, मान लीजिए कि हमें एक जटिल, अनियमित रूपरेखा वाली आकृति का क्षेत्रफल मापने की आवश्यकता है। मोंटे कार्लो दृष्टिकोण आकार के चारों ओर एक वर्ग बनाना और वर्ग को मापना है। फिर हम वर्ग में डार्ट्स को यथासंभव समान रूप से फेंकते हैं। आकार पर गिरने वाले डार्ट्स का अंश वर्ग के क्षेत्रफल के आकार के क्षेत्रफल का अनुपात देता है। वास्तव में, इस रूप में लगभग किसी भी अभिन्न समस्या, या किसी भी औसत समस्या को डालना संभव है। यह बताने के लिए एक अच्छा तरीका होना आवश्यक है कि क्या आप रूपरेखा के अंदर हैं, और यह पता लगाने का एक अच्छा तरीका है कि कितने डार्ट फेंके जाएं। अंतिम लेकिन कम से कम, हमें डार्ट्स को समान रूप से फेंकने की आवश्यकता है, अर्थात, एक अच्छे यादृच्छिक संख्या जनरेटर का उपयोग करके।

आवेदन
मोंटे कार्लो पद्धति के उपयोग की व्यापक संभावनाएँ हैं: * यादृच्छिक चर (जैसे पासा) की पीढ़ी का उपयोग करते हुए सांख्यिकीय प्रयोग
 * नमूनाकरण विधि
 * गणित (जैसे संख्यात्मक एकीकरण, एकाधिक इंटीग्रल)
 * स्थिरता अभियांत्रिकी
 * परियोजना प्रबंधन (सिक्ससिग्मा)
 * प्रायोगिक कण भौतिकी
 * सिमुलेशन
 * जोखिम मापन/जोखिम प्रबंधन (जैसे पोर्टफोलियो मूल्य अनुमान)
 * अर्थशास्त्र (उदाहरण के लिए सबसे उपयुक्त मांग वक्र खोजना)
 * प्रक्रिया सिमुलेशन
 * गतिविधि अनुसंधान

यादृच्छिक संख्या जनरेटर
सिमुलेशन प्रयोगों (मोंटे कार्लो सहित) के लिए यादृच्छिक संख्या (चर के मान के रूप में) उत्पन्न करना आवश्यक है। समस्या यह है कि कंप्यूटर अत्यधिक नियतत्ववाद मशीन है - मूल रूप से, प्रत्येक प्रक्रिया के पीछे हमेशा एक एल्गोरिथ्म होता है, एक नियतत्ववाद संगणना इनपुट को आउटपुट में बदलती है; इसलिए परिभाषित अंतराल या सेट पर समान रूप से फैली हुई यादृच्छिक संख्या उत्पन्न करना आसान नहीं है।

एक रैंडम नंबर जनरेशन एक ऐसा उपकरण है जो संख्याओं के अनुक्रम को उत्पन्न करने में सक्षम है जिसे निर्धारणवाद गुणों के साथ आसानी से पहचाना नहीं जा सकता है। इस क्रम को तब स्टोकेस्टिक संख्याओं का अनुक्रम कहा जाता है। एल्गोरिदम आम तौर पर छद्म यादृच्छिक संख्याओं पर भरोसा करते हैं, कंप्यूटर जनित संख्याएं वास्तविक यादृच्छिक संख्याओं की नकल करती हैं, एक अहसास उत्पन्न करने के लिए, एक प्रक्रिया का एक संभावित परिणाम। यादृच्छिक संख्या प्राप्त करने के तरीके लंबे समय से मौजूद हैं और कई अलग-अलग क्षेत्रों (जैसे वीडियो गेम) में उपयोग किए जाते हैं। हालाँकि, ये संख्याएँ एक निश्चित पूर्वाग्रह से ग्रस्त हैं। वर्तमान में वास्तव में यादृच्छिक अनुक्रम उत्पन्न करने के लिए अपेक्षित सर्वोत्तम विधियाँ प्राकृतिक विधियाँ हैं जो क्वांटम यांत्रिकी की यादृच्छिक प्रकृति का लाभ उठाती हैं।

यह भी देखें

 * नियतात्मक अनुकरण
 * गिलेस्पी एल्गोरिथम
 * नेटवर्क सिमुलेशन
 * नेटवर्क ट्रैफ़िक सिमुलेशन
 * सिमुलेशन भाषा
 * कतार सिद्धांत
 * विवेक
 * हाइब्रिड स्टोकेस्टिक सिमुलेशन

संदर्भ

 * (Slepoy 2008):
 * (Bratsun 2005):
 * (Cai 2007):
 * (Ramaswamy 2009):
 * (Ramaswamy 2010):
 * (Ramaswamy 2011):
 * (Ramaswamy 2010):
 * (Ramaswamy 2011):

बाहरी संबंध

 * Software
 * cayenne - Fast, easy to use Python package for stochastic simulations. Implementations of direct, tau-leaping, and tau-adaptive algorithms.
 * StochSS - StochSS: Stochastic Simulation Service - A Cloud Computing Framework for Modeling and Simulation of Stochastic Biochemical Systems.
 * ResAssure - Stochastic reservoir simulation software - solves fully implicit, dynamic three-phase fluid flow equations for every geological realisation.
 * Cain - Stochastic simulation of chemical kinetics. Direct, next reaction, tau-leaping, hybrid, etc.
 * pSSAlib - C++ implementations of all partial-propensity methods.
 * StochPy - Stochastic modelling in Python
 * STEPS - STochastic Engine for Pathway Simulation using swig to create Python interface to C/C++ code