🎲

Random

Sources

Génère des nombres pseudo-aléatoires à l'aide d'un PRNG déterministe (xorshift64). Prend en charge les lois uniforme et gaussienne (normale). Une graine (seed) identique génère des séquences rigoureusement identiques.

Modèle Mathématique

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

Implémenté via le générateur congruentiel rapide xorshift64 avec graine configurable. Des graines identiques produisent toujours les mêmes suites numériques.

Entrées & Sorties

Direction	ID	Label	Type	Status
← Out	`out`	Out	number	Output

Paramètres

Paramètres	Label	Type	Défaut
`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`

Exemples d'Utilisation

Simulation de bruit de mesure : additionner un bloc RandomNumber (Gaussian, moyenne 0, écart-type 0.05) à la sortie d'un modèle de procédé.
Évaluation de robustesse statistique par tirages répétés.

Remarques & Bonnes Pratiques

Déterministe : La même graine produit toujours une suite strictement identique — essentiel pour la reproductibilité des simulations.
Graine à 0 : Utilise l'entropie du système pour l'initialisation (démarrage véritablement non déterministe).
Distribution gaussienne : À utiliser pour modéliser le bruit de capteur, l'incertitude de mesure et les études Monte-Carlo.
Distribution uniforme : À utiliser pour le dithering, l'échantillonnage de conditions initiales et les perturbations stochastiques.
Performance : xorshift64 est extrêmement rapide ; des milliers d'instances indépendantes peuvent tourner simultanément.

Composants Associés

SignalGenerator : Signaux périodiques déterministes (sinus, carré, etc.)
Constant : Valeur constante fixe