---
title: "Rastgelelikten Yapıya: Bir Rastgele Sayı Üretecinin Kalbine Yolculuk"
description: "Yazılım dünyasında \"rastgelelik\" kelimesini duyduğunuzda, çoğu zaman ya büyük bir zafer ya da çözülmemiş bir bilinmezlik çağrıştırılır. Ancak iyi bir mühendis…"
date: 2026-11-17T13:50:45Z
updated: 2026-11-17T13:50:45Z
author: "Selim Arık"
site: "Kodun Anatomisi"
language: "tr"
tags: ["algoritmalar", "rastgelelik", "bilgisayarbilimleri", "simülasyon"]
url: "https://silicon-sokak.nasilalinir.com/rastgelelikten-yapiya-bir-rastgele-sayi-uretecinin-kalbine-yolculuk"
---

# Rastgelelikten Yapıya: Bir Rastgele Sayı Üretecinin Kalbine Yolculuk

Yazılım dünyasında "rastgelelik" kelimesini duyduğunuzda, çoğu zaman ya büyük bir zafer ya da çözülmemiş bir bilinmezlik çağrıştırılır. Ancak iyi bir mühendis için, rastgelelik ancak derinlemesine incelendiğinde, tasarlanabilir bir mekanizma haline gelir. Gerçek anlamda saf rastlantı yoktur; her şey, kontrol edilebilir bir determinizmin bir tezahürüdür. Ve bu yazıda, kaotik görünen bu oluşumu, bilgisayarın en temel yapı taşlarından biri olan **Rastgele Sayı Üreteci (RNG)** üzerinden ele alacağız.

Birçok kişi, bilgisayarın "rastgele" bir sayı üretmesini bekler. Ancak iyi bilmeliyiz ki, bilgisayarlar doğası gereği deterministiktir. Eğer girdi aynıysa, çıktı her zaman aynı olacaktır. Bu, bize bizi her zaman bir sonraki tahmini yapabilecek bir sistemin önünde durur. Buradaki görevimiz ise, bu deterministik döngüyü o kadar uzun ve karmaşık bir süreç içine gömmektir ki, bizim için gözlemlenen çıktı, pratik olarak rastgele görünür.

## Algoritmik Tohum: Her Şey Bir Başlangıçla Başlar

Bir pseudo-random number generator (PRNG) kullanıyorsak, tüm macera bir tohum (seed) ile başlar. Bu tohum, algoritmanın sonraki tüm değerlerini belirleyen başlangıç durumudur. Bir analog olarak düşünün: bir satranç oyununun ilk hamlesi, oyunun tüm gidişatını belirler. Eğer aynı başlangıç konumunu verirseniz, her iki oyun da aynı sonucu verecektir.

Kullanılan algoritmaya göre bu süreç basittir. Basit bir **Linear Congruential Generator (LCG)** örneğinde, matematiksel olarak şu formül kullanılır:

$$X_{n+1} = (aX_n + c) \pmod{m}$$

Burada $X_n$ mevcut sayımız, $X_{n+1}$ ise bir sonraki üretilecek sayıdır. $a$, $c$ ve $m$ sabit parametrelerdir. Bu parametrelerin seçimi kritiktir. Kötü seçilmiş bir $a$ veya $c$, çok erken döngüye girmemize neden olur ve bu da üretilen dizinin "önceden tahmin edilebilir" olmasına yol açar.

## Kaliteyi Belirleyen Parametreler

Bir simülasyonda veya oyun motorunda kullandığımız bir PRNG'den beklediğimiz şey, sadece bir sayı dizisi değil, aynı zamanda bu dizinin istatistiksel olarak anlamlı olmasıdır. İşte bu noktada, uygulamanın amacına uygun bir PRNG seçimi devreye girer.

Eğer basit bir simülasyon yapıyorsak ve sadece "rastgele" bir kullanıcı deneyimi yeterliyse, LCG gibi basit bir yapı yeterli olabilir. Ancak, yüksek kaliteli simülasyonlar, kriptografik anahtar üretimi veya karmaşık fizik motorları gibi yerlerde, bu basit modeller yetersiz kalır.

Bu ileri düzey senaryolarda, genellikle **Mersenne Twister** gibi algoritmalar kullanılır. Mersenne Twister, devasa bir durum vektörüne sahiptir ve döngü sayısı, çoğu uygulamanın ömrünü aşacak kadar uzundur. Bu, bizim için gözlemlenebilir süreçte *gerçek* rastgelelik yanılsaması yaratmasını sağlar.

Özetle, bilgisayarlar bize kaosu değil, **yoğun bir entropiyi** sunar. Bizim görevimiz ise, o entropiyi alıp, onları anlamlı bir yapının parçası haline getirmektir. Rastgelelik, bir girdi mekanizmasından ziyade, dikkatle ayarlanmış bir sürecin kaçınılmaz çıktısıdır. Bir sonraki incelemelerde, bu üretilen sayıların istatistiksel dağılımlarını inceleyeceğiz.
