Generator rozkładów losowych

Generator rozkładów losowych tworzy liczby losowe pochodzące z szerokiej gamy statystycznych rozkładów prawdopodobieństwa, w tym rozkładu normalnego (Gaussa), jednostajnego, wykładniczego, Poissona, dwumianowego, logarytmiczno-normalnego oraz beta. Każdy rozkład ma konfigurowalne parametry, takie jak średnia i odchylenie standardowe dla rozkładu normalnego, parametr intensywności lambda dla rozkładu wykładniczego, czy liczba prób i prawdopodobieństwo sukcesu dla rozkładu dwumianowego. Generator jest niezbędny do symulacji Monte Carlo, modelowania statystycznego, generowania danych testowych dla uczenia maszynowego oraz interaktywnego nauczania teorii prawdopodobieństwa. Rozmiary próby mogą wynosić od kilku wartości do tysięcy, a wynik opcjonalnie zawiera wizualizację w postaci histogramu.

Przeglądaj wszystkie narzędzia Konwerter

Jak używać

Wybierz rozkład prawdopodobieństwa z listy rozwijanej rozkładów, a następnie skonfiguruj jego parametry definiujące, na przykład średnią i odchylenie standardowe dla rozkładu normalnego lub lambda dla rozkładu Poissona. Ustaw rozmiar próby (liczbę losowych wartości do wygenerowania) i kliknij Generuj. Narzędzie zwraca liczby losowe w postaci listy gotowej do skopiowania i opcjonalnie renderuje histogram pokazujący empiryczny rozkład próby. Skopiuj wartości jako listę rozdzieloną przecinkami lub tablicę JSON do użycia w narzędziach analizy statystycznej, arkuszach kalkulacyjnych lub kodzie symulacji.

Typowe przypadki użycia

• •Generowanie próbek losowych o rozkładzie normalnym z określoną średnią i odchyleniem standardowym do ćwiczeń ze statystycznego testowania hipotez
• •Symulowanie odstępów czasu między przybyciami klientów przy użyciu rozkładu wykładniczego w modelach teorii kolejek i badań operacyjnych
• •Tworzenie realistycznych syntetycznych zbiorów danych z określonych rozkładów do trenowania i testowania modeli klasyfikacji uczenia maszynowego
• •Przeprowadzanie symulacji Monte Carlo z określonymi rozkładami prawdopodobieństwa w celu szacowania wyników w modelowaniu ryzyka finansowego
• •Interaktywne demonstrowanie centralnego twierdzenia granicznego poprzez generowanie próbek z rozkładów nienormalnych i agregowanie ich średnich