Generador de Distribución Aleatoria

El Generador de Distribuciones Aleatorias produce números aleatorios extraídos de una amplia gama de distribuciones de probabilidad estadísticas, incluyendo distribuciones normal (Gaussiana), uniforme, exponencial, Poisson, binomial, log-normal y beta. Cada distribución tiene parámetros configurables como la media y la desviación estándar para la normal, el parámetro de tasa lambda para la exponencial, o el recuento de ensayos y la probabilidad de éxito para la binomial. El generador es esencial para simulaciones Monte Carlo, modelado estadístico, generación de datos de prueba para machine learning y enseñanza interactiva de la teoría de la probabilidad. Los tamaños de muestra pueden variar desde unos pocos valores hasta miles, y la salida opcionalmente incluye una visualización de histograma.

Explorar todas las herramientas de Convertidor

Cómo Usar

Seleccione una distribución de probabilidad del menú desplegable de distribución, luego configure sus parámetros definitorios, por ejemplo, media y desviación estándar para la distribución normal o lambda para Poisson. Establezca el tamaño de la muestra (número de valores aleatorios a generar) y haga clic en Generate. La herramienta muestra los números aleatorios en una lista copiable y, opcionalmente, renderiza un histograma que muestra la distribución empírica de la muestra. Copie los valores como una lista separada por comas o un array JSON para usar en herramientas de análisis estadístico, hojas de cálculo o código de simulación.

Casos de Uso Comunes

• •Generación de muestras aleatorias con distribución normal con media y desviación estándar especificadas para ejercicios de prueba de hipótesis estadísticas
• •Simulación de tiempos entre llegadas de clientes utilizando una distribución exponencial para modelos de teoría de colas e investigación de operaciones
• •Creación de conjuntos de datos sintéticos realistas a partir de distribuciones especificadas para entrenar y probar modelos de clasificación de machine learning
• •Ejecución de simulaciones Monte Carlo con distribuciones de probabilidad específicas para estimar resultados en el modelado de riesgos financieros
• •Demostración interactiva del Teorema del Límite Central generando muestras de distribuciones no normales y agregando medias