Qué hace esta herramienta
Este generador crea una lista de números pseudoaleatorios que siguen una distribución normal (gaussiana) con la media y la desviación estándar que tú elijas. Para ello emplea la clásica transformación de Box-Muller, un método sencillo y exacto que convierte números aleatorios con distribución uniforme en números con distribución normal. El resultado principal es justo eso: una lista de valores separados por comas, cada uno extraído de N(μ, σ²).
Cómo usarlo
Introduce la media (μ) — el centro de la distribución — y la desviación estándar (σ) — cuánto se dispersan los valores. Indica cuántos números quieres generar (de 1 a 1000) y elige la precisión de visualización en cifras significativas. Cada ejecución es estocástica, así que obtendrás un conjunto de números distinto cada vez que pulses generar.
La fórmula explicada
Se extraen dos números uniformes e independientes, U1 y U2, en el intervalo abierto (0,1). La transformación de Box-Muller los convierte en dos variables normales estándar independientes: Z1 = √(−2·ln U1)·cos(2πU2) y Z2 = √(−2·ln U1)·sin(2πU2). Por tanto, cada pasada genera dos valores normales a la vez. Después reescalamos cada normal estándar con X = μ + σ·Z. Para evitar que ln(0) = −∞, se protege U1 de modo que nunca sea exactamente cero.
Ejemplo resuelto
Tomemos μ = 100, σ = 15, y supongamos que U1 = 0,5 y U2 = 0,25. Entonces √(−2·ln 0,5) = √1,386294 = 1,177410. Como cos(π/2) = 0 y sin(π/2) = 1, obtenemos Z1 = 0 y Z2 = 1,177410. Así, X1 = 100 + 15·0 = 100 y X2 = 100 + 15·1,177410 = 117,66115. A lo largo de muchos pares, la media muestral del conjunto se aproxima a 100 y su desviación estándar muestral se aproxima a 15.
La Regla 68-95-99.7 (Regla Empírica)
Para cualquier distribución normal \(N(\mu, \sigma^2)\), una proporción predecible de valores cae dentro de un número fijo de desviaciones estándar de la media. Esta es la regla empírica, y es una comprobación de coherencia útil para los números que generas: con una muestra lo suficientemente grande, las proporciones a continuación deben emerger automáticamente.
| Intervalo | Rango de valores | Proporción dentro | Proporción en las colas |
|---|---|---|---|
| \(\pm 1\sigma\) | \(\mu - \sigma\) a \(\mu + \sigma\) | 68,27% | 31,73% |
| \(\pm 2\sigma\) | \(\mu - 2\sigma\) a \(\mu + 2\sigma\) | 95,45% | 4,55% |
| \(\pm 3\sigma\) | \(\mu - 3\sigma\) a \(\mu + 3\sigma\) | 99,73% | 0,27% |
Ejemplo: si generas números con \(\mu = 100\) y \(\sigma = 15\), entonces aproximadamente el 68% de los valores deberían caer entre 85 y 115, aproximadamente el 95% entre 70 y 130, y aproximadamente el 99,7% entre 55 y 145. Los valores fuera de \(\pm 3\sigma\) (por debajo de 55 o por encima de 145 aquí) se esperan solo aproximadamente 3 veces en 1.000 extracciones.
Interpretación de Tus Números Generados
La transformación de Box-Muller produce valores que siguen una distribución normal (gaussiana) centrada en tu media elegida \(\mu\) con dispersión establecida por tu desviación estándar \(\sigma\). Léelos con estos hechos en mente:
- La mayoría de los valores se agrupan cerca de la media. La forma de campana es más densa en \(\mu\), por lo que un valor típico está cerca de \(\mu\); aproximadamente dos tercios de los valores caen dentro de una \(\sigma\) de ella.
- Los valores extremos son raros pero posibles. Un valor muy alejado en una cola (digamos más allá de \(3\sigma\)) es inusual, no imposible — ocurre aproximadamente el 0,27% de las veces. Ver un valor atípico ocasional es un comportamiento normal, no un error.
- Las estadísticas de la muestra convergen a medida que \(n\) crece. Para un conteo pequeño, la media de la muestra y la desviación estándar de la muestra pueden diferir notablemente de \(\mu\) y \(\sigma\) por azar. A medida que aumentas
count, la media de la muestra se acerca a \(\mu\) y la DE de la muestra se acerca a \(\sigma\) (ley de los grandes números). Puedes pegar un lote en una Calculadora de Media Muestral o una Calculadora de Desviación Estándar Poblacional para confirmar que los valores se acercan a tus objetivos. - Esto es para simulación y pruebas. Estos son extracciones pseudo-aleatorias destinadas a experimentos de Montecarlo, pruebas de carga/estrés, enseñanza y modelado — no mediciones reales de ninguna cantidad del mundo real. Los números no tienen significado empírico más allá de la distribución que especificaste.
Definiciones y Glosario
- Media (\(\mu\))
- El centro, o valor esperado, de la distribución — el promedio alrededor del cual los valores generados están equilibrados.
- Desviación estándar (\(\sigma\))
- Una medida de dispersión en las mismas unidades que los datos. Un \(\sigma\) más grande produce valores dispersos más ampliamente desde la media.
- Varianza (\(\sigma^2\))
- El cuadrado de la desviación estándar, \(\sigma^2\). Cuantifica la dispersión en unidades al cuadrado y es el parámetro que aparece en la notación de distribución \(N(\mu, \sigma^2)\).
- Normal estándar, \(N(0,1)\)
- La distribución normal especial con media 0 y desviación estándar 1. Cualquier valor \(Z\) extraído de ella se reescala a tu distribución mediante \(X = \mu + \sigma Z\).
- Distribución uniforme
- Una distribución en la cual cada valor en un intervalo (aquí, \((0,1)\)) es igualmente probable. El método de Box-Muller comienza con dos extracciones uniformes independientes \(U_1\) y \(U_2\).
- Puntuación Z
- El número con signo de desviaciones estándar a las que un valor se encuentra de la media, \(Z = (X - \mu)/\sigma\). Una puntuación Z de 0 está exactamente en la media; \(\pm 2\) marca el borde del 95,45% central.
- Pseudo-aleatorio
- Generado por un algoritmo determinista que produce secuencias con las propiedades estadísticas de la aleatoriedad. La salida parece aleatoria y pasa pruebas estadísticas pero es totalmente reproducible a partir de la misma semilla.
- Transformación de Box-Muller
- Un método que convierte dos números aleatorios uniformes independientes \(U_1, U_2\) en un valor normal estándar usando \(Z = \sqrt{-2\ln U_1}\,\cos(2\pi U_2)\), que luego se desplaza y se escala a la media y desviación estándar solicitadas.
Preguntas frecuentes
¿Por qué cambian los números cada vez? El generador toma muestras uniformes nuevas sin una semilla fija, así que el resultado es aleatorio por diseño.
¿Qué ocurre si fijo σ = 0? La distribución es degenerada y todos los valores generados son iguales a la media.
¿Por qué mi media muestral no coincide exactamente con μ? El muestreo aleatorio produce un error de muestreo; cuantos más números generes, más se acercarán la media y la desviación estándar muestrales a μ y σ.
