Genera numeri casuali che seguono una distribuzione normale (gaussiana). Questa è la famosa "curva a campana" usata in statistica, scienze naturali, economia e machine learning. Imposta media (μ) e deviazione standard (σ) per i tuoi esperimenti e simulazioni.
La distribuzione normale descrive gran parte dei fenomeni misurabili, dalle altezze di una popolazione agli errori di una bilancia da laboratorio. Questo generatore produce numeri che seguono proprio quella campana: fissi la media (il centro) e la deviazione standard (quanto i valori si disperdono) e ottieni una sequenza pronta per simulazioni, modelli statistici o esercitazioni. È lo strumento giusto quando i numeri uniformi non bastano e serve replicare la variabilità reale di un dato che tende ad addensarsi attorno a un valore tipico.
Il cuore del generatore è la trasformazione di Box-Muller: da due numeri casuali uniformi tra 0 e 1 si ricava una coppia di valori con distribuzione normale standard, cioè media 0 e deviazione standard 1. Il risultato viene poi riscalato con la formula valore = media + z · deviazione, così da spostare il centro e allargare o stringere la campana secondo i parametri che imposti.
La qualità dell'estrazione dipende dalla fonte di casualità sottostante. Quando la generazione avviene lato server i valori uniformi di partenza derivano da un generatore crittografico (CSPRNG, come random_int in PHP o os.urandom): questo evita i pattern periodici dei vecchi generatori lineari e rende ogni sequenza indipendente e non prevedibile.
In pratica indichi media e deviazione standard, scegli quanti numeri vuoi e li ottieni subito. Con media 100 e deviazione 15 riproduci la scala classica del quoziente intellettivo; con media 0 e deviazione 1 lavori direttamente in punteggi z, pronti per il confronto con una tavola della normale.
Alimenti un modello finanziario o fisico con rumore gaussiano, ad esempio rendimenti giornalieri con media 0,03% e deviazione 1,2%, e ripeti migliaia di estrazioni per stimare la distribuzione degli scenari futuri.
Crei un campione fittizio di pressione sistolica con media 120 mmHg e deviazione 10 per collaudare uno script di analisi prima di avere i dati reali dei pazienti.
Generi due gruppi normali con medie diverse per mostrare in aula come un t-test rileva una differenza, oppure per far toccare con mano il teorema del limite centrale.
Modelli la quota di un pezzo meccanico con nominale 50 mm e deviazione 0,05 mm per stimare quante unità cadrebbero fuori da una specifica di collaudo.
Assegni statistiche o danni ai personaggi centrati su un valore tipico invece che uniformi, così i risultati estremi restano rari ma sempre possibili.
Aggiungi rumore gaussiano a un dataset di addestramento (data augmentation) o inizializzi i pesi di una rete neurale con piccoli valori normali attorno allo zero.
La curva porta il nome di Carl Friedrich Gauss, che all'inizio dell'Ottocento la usò per descrivere gli errori nelle osservazioni astronomiche, anche se Abraham de Moivre ne aveva intuito la forma già nel 1733. Il motivo per cui ricompare ovunque è il teorema del limite centrale: la somma di tante piccole cause indipendenti tende a distribuirsi normalmente, quale che sia la forma delle singole cause.
La distribuzione è definita da due soli parametri, media e deviazione standard, ed è perfettamente simmetrica attorno al centro. Vale la comoda regola empirica 68-95-99,7: circa il 68% dei valori sta entro una deviazione standard dalla media, il 95% entro due e il 99,7% entro tre. Basta questo per capire a colpo d'occhio quanto è raro un valore estremo.
Prima dei computer, statistici e studenti leggevano i valori sulle tavole della normale standard, quella con media 0 e deviazione 1. Standardizzare un dato in punteggio z, cioè sottrarre la media e dividere per la deviazione, permetteva di confrontare grandezze eterogenee sulla stessa scala: è ancora la logica dietro molti test di significatività.
Nessuna: gaussiana e normale sono due nomi della stessa distribuzione a campana. Si contrappone alla distribuzione uniforme, dove ogni valore in un intervallo è ugualmente probabile, mentre qui i valori vicini alla media sono molto più frequenti di quelli lontani.
La media è il valore attorno a cui vuoi che si concentrino i numeri, la deviazione standard è quanto ti aspetti che si disperdano. Senza vincoli particolari, media 0 e deviazione 1 danno la normale standard; per replicare un fenomeno reale usa i suoi valori tipici, ad esempio media 100 e deviazione 15 per il QI.
Sì. In teoria la normale si estende da meno infinito a più infinito, quindi con media bassa e deviazione ampia compaiono anche valori negativi. Se il fenomeno non può esserlo, come un tempo o una lunghezza, tieni la media alta rispetto alla deviazione oppure scarta i valori fuori scala.
Impiega la trasformazione di Box-Muller, che converte numeri uniformi in numeri con distribuzione normale, poi li riscala secondo la media e la deviazione che imposti. La casualità di partenza proviene da una fonte crittografica, così le sequenze non seguono schemi ripetitivi prevedibili.
Sì, per simulazioni, dati sintetici di prova ed esercitazioni statistiche vanno benissimo. Servono a testare metodi e modelli, non a sostituire dati sperimentali reali: se il lavoro richiede osservazioni empiriche, questi valori aiutano al più a validare la procedura di analisi.
Per la forma stessa della campana: circa il 68% delle estrazioni cade entro una deviazione standard dalla media e il 95% entro due. I valori oltre le tre deviazioni sono rarissimi, sotto lo 0,3%, perciò servono molte estrazioni prima di vederne comparire uno.