Rastgele dağılımlar

Dağılım, simülasyon ve örneklem çalışmaları için güvenli Türkçe rotayı seçin.

Beta, Dirichlet, üçgen, kırpılmış normal ve Weibull üreticileri artık Türkçe arayüzle açılabilir. Her araç tarayıcıda çalışır ve örnekleri sunucuya yüklemez.

Diğer diller 日本語 | English | 简体中文 | 繁體中文 | Español | Español (México) | Português (Brasil) | Português (Portugal) | Bahasa Indonesia | 한국어 | Français | Deutsch | हिन्दी | العربية | বাংলা | Türkçe | ไทย | فارسی

Dağılım üreticisini seçin

Beta

0 ile 1 arasındaki oran, olasılık ve paylar için.

Beta üreticisini aç

Dirichlet

Toplamı 1 olan olasılık vektörleri ve ağırlıklar için.

Dirichlet üreticisini aç

Üçgen

Minimum, en olası değer ve maksimumla hızlı tahmin modeli kurmak için.

Üçgen üreticisini aç

Kırpılmış normal

Normal modelin yalnız belirli sınırlar içinde geçerli olduğu durumlar için.

Kırpılmış normal üreticisini aç

Weibull

Ömür, bekleme süresi ve arıza zamanı senaryoları için.

Weibull üreticisini aç

Hesaplayıcılar

Örnek üretmeden önce kesin CDF, yüzdelik veya olasılık değerlerini kontrol edin.

Dağılım hesaplayıcısını aç

Kısa dağılım haritası

Önerilen akış

Önce problemin kısıtını seçin: kapalı aralık, toplamı 1 olan değerler, minimum ve maksimum sınırlar ya da arızaya kadar süre. Ardından uygun üreticiyi açın, parametreleri hesaplayıcıyla doğrulayın ve seedli modu yalnız tekrarlanabilirlik gerektiğinde kullanın.

Sık sorulan sorular

Hangi üreticiyi önce açmalıyım?

0-1 aralığındaki oranlar için Beta, toplamı 1 olan çoklu ağırlıklar için Dirichlet, minimum-mod-maksimum tahminleri için üçgen, sınırlı normal değerler için kırpılmış normal, süre veya arıza senaryoları için Weibull kullanın.

Ne zaman dağılım hesaplayıcısı, ne zaman rastgele üretici kullanmalıyım?

Birikimli olasılık, yüzdelik, kesin olasılık veya adım gerektiğinde hesaplayıcıyı kullanın. Ders, test veya yapay veri için simüle örnek gerektiğinde üretici kullanılır.

Başlangıç değeri örneği istatistiksel olarak iyileştirir mi?

Hayır. Başlangıç değeri daha çok tekrarlanabilirlik içindir. Kalite model, parametreler ve örneklem büyüklüğüne bağlıdır.