BlockWerk Dokumentation
ENNLDEFRESZH
App starten
🎲

Random

Sources

Erzeugt Pseudozufallszahlen mittels eines deterministischen Pseudozufallszahlengenerators (PRNG: xorshift64). Unterstützt Gleichverteilung (uniform) und Normalverteilung (gaussian). Derselbe Seed erzeugt identische Zahlenfolgen.

In BlockWerk simulieren

Interaktive Sandbox direkt im Browser — keine Installation, WebAssembly-Engine.

In BlockWerk simulieren →

Mathematisches Modell

Uniform:y∼U(min,max)Gaussian:y∼N(μ,σ)\begin{aligned} &\text{Uniform:} && y \sim \mathcal{U}(\text{min}, \text{max}) \\ &\text{Gaussian:} && y \sim \mathcal{N}(\mu, \sigma) \end{aligned}

Implementiert über den xorshift64-Pseudozufallszahlengenerator mit konfigurierbarem Seed. Identische Seeds erzeugen stets identische Zahlenfolgen.

Ein- & Ausgänge

Direction ID Label Typ Status
← Out out Out number Output

Parameter

Parameter Label Typ Standardwert Beschreibung
distribution Distribution select uniform
minimum Minimum number 0
maximum Maximum number 1
mean Mean number 0
stdDev Std Dev number 1
seed Seed number 12345

Anwendungsbeispiele

  • Sensorrauschen simulieren: Addieren Sie das Ausgangssignal eines RandomNumber-Blocks (Gaussian, Mittelwert 0, Standardabweichung 0.1) zu einem Messsignal.
  • Monte-Carlo-Studien mit festgelegten Seeds zur exakten Reproduzierbarkeit.

Hinweise & Best Practices

  • Deterministisch: Der gleiche Seed erzeugt stets die identische Sequenz — unverzichtbar für reproduzierbare Simulationsläufe.
  • Seed 0: Verwendet Systementropie zur Initialisierung (echt nicht-deterministischer Start).
  • Gauß-Verteilung: Ideal für Sensorrauschen, Messunsicherheiten und Monte-Carlo-Analysen.
  • Gleichverteilung: Ideal für Dithering, stochastische Anfangsbedingungen und Rundungen.
  • Performance: xorshift64 ist extrem schnell; tausende unabhängige RNG-Blöcke können problemlos parallel ausgeführt werden.

Verwandte Blöcke