Willekeurig getal genereren
Genereer willekeurige getallen binnen een bereik. Perfect voor spellen, beslissingen en statistiek. Probeer deze gratis online wiskundecalculator voor directe, nauwkeurige resultaten.
Wat is een willekeurige getalgenerator?
Een willekeurige getalgenerator (RNG) is een tool of algoritme dat getallen produceert zonder enige herkenbare patroon — elk resultaat is statistisch onafhankelijk van eerdere resultaten, met elk waarde in het bereik even waarschijnlijk om te verschijnen. Willekeurige getallen zijn fundamenteel voor statistiek, gaming, cryptografie, wetenschappelijke simulatie en computerprogrammeren.
Waardevolle willekeurigheid komt uit fysieke fenomenen die inherent onvoorspelbaar zijn: radioactief verval, atmosferische ruis, thermische ruis in elektronische circuits of kwantumtunnelingsevenementen. Hardware-RNG's meten deze fenomenen om echt willekeurige bitstromen te produceren. Diensten zoals random.org plukken atmosferische ruis uit radioontvangers om waardevolle willekeurige getallen te bieden.
Computer gegenereerde willekeurige getallen zijn technisch pseudowillekeurig — ze zijn deterministische sequenties die willekeurig lijken maar volledig bepaald worden door een initiële waarde genaamd de kiem. Gegeven dezelfde kiem produceert een pseudowillekeurige getalgenerator (PRNG) het exacte zelfde sequentie. Dit is eigenlijk handig voor herhaalbaarheid in wetenschappelijke simulaties: stel de kiem in, noteer het en je kunt je resultaten later herhalen.
Hoe werken pseudowillekeurige getalgeneratoren?
Moderne PRNG's gebruiken wiskundige algoritmen om sequenties met uitstekende statistische eigenschappen te genereren. Het meest gebruikte algoritme is de Mersenne Twister (MT19937), ontwikkeld door Matsumoto en Nishimura in 1997. Het heeft een periode van 2^19937 − 1 (een getal met bijna 6.000 cijfers) voordat het herhaalt, voldoet aan alle standaardstatistische tests voor willekeurigheid en is het standaard-RNG in Python, PHP, Ruby, R en vele andere talen.
Nieuwere algoritmen zijn xoshiro/xoroshiro (extreem snel, klein staat) en PCG (Permuted Congruential Generator) (uitstekende statistische kwaliteit met klein staat). Voor cryptografische toepassingen zijn deze standaard PRNG's onvoldoende — cryptografisch veilige PRNG's (CSPRNG's) zijn vereist omdat standaard PRNG's voorspelbaar zijn als een aanvaller genoeg uitvoer weet.
Webbrowsers bieden toegang tot een CSPRNG via de crypto.getRandomValues()-API, die deze calculator gebruikt voor het genereren van willekeurige getallen. Dit is aanzienlijk veiliger dan Math.random(), die een eenvoudige PRNG gebruikt en nooit voor beveiligingsgevoelige toepassingen moet worden gebruikt.
| Algoritme | Periode | Snelheid | Cryptografisch? | Gebruikt in |
|---|---|---|---|---|
| Math.random() | Implementatieafhankelijk | Extreem snel | Nee | Browser JS (niet-crypto) |
| Mersenne Twister | 2^19937 − 1 | Snel | Nee | Python, R, MATLAB |
| xoshiro256** | 2^256 − 1 | Extreem snel | Nee | Rust, .NET, Julia |
| PCG-64 | 2^128 | Snel | Nee | NumPy, veel talen |
| ChaCha20 | — | Snel | Ja | Linux /dev/urandom, TLS |
| Fortuna | — | Midden | Ja | macOS, iOS, Windows |
Algemene toepassingen voor willekeurige getallen
Games en Entertainment: Doordraaien van dobbelstenen, kaartschudden, procedurale levelgeneratie, lootdrop-systemen, NPC-gedrag randomiseren. De hele ervaring van roguelike-spellen (Nethack, Spelunky, Hades) hangt af van hoge kwaliteit willekeurigheid die eerlijk en onvoorspelbaar aanvoelt.
Lotterijen en Raffles: Willekeurige selectie voor prijzen, loterijen, juryselectie, draftpicks en elke eerlijke toewijzing van een beperkte bron onder concurrenten. Echt willekeurige selectie zorgt voor geen bias.
Wetenschappelijke simulatie (Monte Carlo-methoden): Willekeurige getallen drijven Monte Carlo-simulaties, die willekeurige steekproeven gebruiken om complexe wiskundige resultaten te benaderen. Toepassingen omvatten het schatten van π, de prijs van financiële derivaten, het modelleren van kernreacties, weersvoorspellingen en onderzoeken naar interacties tussen geneesmiddelen.
Statistiek en Onderzoek: Willekeurige steekproeven voor enquêtes, willekeurige toewijzing in klinische proeven (randomized controlled trials), het genereren van bootstrap-samples voor vertrouwbaarheidsintervallen en cross-validatie in machine learning vereisen willekeurige getallen.
Cryptografie en Beveiliging: Sleutelgeneratie voor encryptie, het genereren van sessietokens, CAPTCHA-uitdagingen, éénmalige wachtwoorden (OTP/2FA), zoutwaarden voor wachtwoordhashing en nonces in cryptografische protocollen vereisen hoge kwaliteit willekeurigheid. Zwakke willekeurigheid in cryptografische toepassingen kan catastrofaal zijn — het heeft tot echte beveiligingsbreuken geleid.
Computerprogrammeren: Testgegevensgeneratie, belastingstesten, fuzzing (bugs vinden door willekeurige invoer te voeren in software), A/B-testen toewijzing, shuffle-algoritmen (zoals de "shuffle"-functie van Spotify) en simulatietesten.
Billijkheid en Statistische Verwachtingen
Een eerlijke willekeurige getalgenerator geeft elk waarde in het bereik een gelijke kans. Voor een bereik 1–6 (zoals een dobbelsteen), moet elk nummer ongeveer 1/6 ≈ 16,67% van de tijd verschijnen over veel rollen. Maar over korte runs zijn afwijkingen normaal en verwacht — dit is wat kansberekening ons eigenlijk vertelt.
De Wet van de Grote Getallen stelt dat wanneer het aantal proeven toeneemt, de waargenomen frequenties convergeren naar de theoretische waarschijnlijkheden. Rol een dobbelsteen 12 keer en je ziet {1,3,5,6,2,1,4,3,2,6,5,4} — niet exact 2 van elk nummer. Rol het 60.000 keer en je ziet heel dicht bij 10.000 van elk nummer. Deze convergentie is gegarandeerd door de wet, maar korte-run patronen zijn niet.
De Weddenmaker's Val is de verkeerde overtuiging dat de resultaten uit het verleden invloed hebben op toekomstige resultaten in onafhankelijke willekeurige gebeurtenissen. Vijf koppen op rij maken de kans op staart niet "nabij". Elke flip is onafhankelijk; de munt heeft geen geheugen. Zoals een willekeurige getalgenerator die net 7 heeft geproduceerd, is niet minder waarschijnlijk 7 opnieuw te produceren bij de volgende oproep.
| Bereik | Waarschijnlijkheid per Waarde | Verwacht Frequentie (per 1000) | Typische Toepassing |
|---|---|---|---|
| 1–2 | 50% | 500 | Simulatie van een muntgooien |
| 1–6 | 16,67% | 167 | Simulatie van een dobbelsteen gooien |
| 1–10 | 10% | 100 | Selectie van een deciel |
| 1–52 | 1,92% | 19 | Speelkaart |
| 1–100 | 1% | 10 | Percentiel/algemene toepassing |
| 1–1.000.000 | 0,0001% | 0,001 | Simulatie van een loterijkaart |
Willekeurige Getalgeneratie in de Wetenschap: Monte Carlo Methoden
Monte Carlo methoden gebruiken willekeurige sampling om problemen op te lossen die analytisch moeilijk of onmogelijk zijn. Naar de naam van de Monacocasino (om duidelijke redenen), transformeren deze methoden moeilijke deterministische problemen in probabilistische problemen die oplosbaar zijn door simulatie.
π schatten: Willekeurig genereren van punten in een eenheidssquare (x,y elk uniform in [0,1]). Tellen hoeveel vallen binnen het eenheidscirkel (x² + y² ≤ 1). Het verhoudingsgetal is π/4. Met 1 miljoen willekeurige punten kun je π schatten tot ongeveer 3–4 decimale cijfers. Dit is niet een efficiënte manier om π te berekenen, maar het demonstreert mooi de kracht van willekeur.
Financiële Modellering: Black-Scholes optieprijzen en Value at Risk berekeningen simuleren duizenden mogelijke toekomstige prijsroutes met willekeurige getallen. Elke simulatie route vertegenwoordigt één mogelijke toekomst. De verdeling van uitkomsten over miljoenen simulaties geeft de waarschijnlijkheidsverdeling van portefeuille-teruggaven.
Geneesmiddelenontwikkeling: Monte Carlo-simulaties modelleren de interacties van geneesmiddelenmoleculen, voorspellend hoe waarschijnlijk een kandidaatgeneesmiddel is om te binden aan een doelproteïne. Dit vermindert het aantal laboratoriumproeven nodig, besparend miljarden dollars in geneesmiddelenontwikkeling.
Genereren van unieke Willekeurige Getallen (Zonder Herhaling)
Soms heb je willekeurige getallen nodig die niet herhaald worden — bijvoorbeeld, een kaartspel schudden, deelnemers toewijzen aan groepen of loterijwinnaars selecteren. Dit wordt genoemd zonder vervanging (in tegenstelling tot met vervanging, waarbij dezelfde waarde meerdere keren kan verschijnen).
De standaardalgoritme voor dit is de Fisher-Yates shuffle (ook bekend als de Knuth shuffle). Voor een array van n elementen: begin bij het laatste element, wissel het met een willekeurig gekozen element uit de hele array (inclusief zichzelf), ga dan naar het tweede laatste element, wissel met een willekeurig element uit de overgebleven, en ga door. Het resultaat is een uniform willekeurige permutatie in O(n) tijd.
Om k unieke willekeurige getallen te genereren uit een bereik [min, max]: maak een array van alle waarden in het bereik, toepassen Fisher-Yates, neem de eerste k elementen. Dit zorgt ervoor dat elke combinatie van k waarden even waarschijnlijk is — een echt uniforme steekproef zonder vervanging.
Willekeurige Getallen in Dagelijks Besluitvorming
Willekeurige getalgeneratoren zijn verrassend nuttig voor praktische dagelijkse beslissingen:
Breaking Ties: Wanneer twee even goede opties bestaan, kan een willekeurig getal de beslissing maken zonder te lang na te denken. Onderzoek suggereert dat wanneer mensen te lang nadenken over echt equivalentie keuzes, ze vooroordelen introduceren die hen minder gelukkig maken met het resultaat dan als ze willekeurig hadden gekozen.
Scheduling en Planning: Willekeurige rotatieschema's zorgen voor eerlijkheid over tijd. Wie kiest als eerste in een fantasy-draft, wie krijgt de voorkeursshift, welk onderwerp wordt het eerst besproken in een vergadering — willekeurige toewijzing elimineert gunstelingen en percepties van ongelijkheid.
Leer- en Oefening: Studenten die flashcards gebruiken, profiteren van willekeurige volgorde — het voorkomt het leren van "contextuele hints" (het antwoord op kaart 15 weten omdat je net kaart 14 hebt beantwoord). Willekeurige afwisseling van oefenopdrachten is een bewezen techniek (interleaved practice) die de lange-termijn-retentie versterkt vergeleken met geblokkeerde oefening.
Creëven Inspiratie: Schrijvers, kunstenaars en muzikanten gebruiken willekeurige woordgeneratoren, promptgeneratoren en willekeurige beperkingstools om creatieve blokkades te overwinnen. Beperkingen die willekeurig worden opgelegd, dwingen vaak onverwachte en interessante creatieve oplossingen.
Veelgestelde Vragen
Is deze generatieur echt willekeurig?
Het maakt gebruik van de crypto.getRandomValues() API van uw browser, die een cryptografisch veilige pseudowillekeurige getalgenerator (CSPRNG) is. Voor spellen, beslissingen, statistieken en loterijen is dit onmerkbaar van echte willekeur. Voor absolute echte willekeur (van fysieke fenomenen) gebruikt u hardware-RNGs of diensten zoals random.org.
Kan ik willekeurige getallen genereren zonder herhaling?
Ja — dit wordt sampling zonder vervanging genoemd. De calculator gebruikt de Fisher-Yates-schudde-algoritme: maak alle waarden in het bereik aan, schud ze willekeurig, retourneer de eerste N. Dit garandeert dat elk waarde hoogstens één keer voorkomt en elke combinatie even waarschijnlijk is.
Wat is de kans op het krijgen van hetzelfde getal tweemaal?
Met vervanging (standaardmodus), voor een bereik van N waarden, is de kans op het krijgen van hetzelfde waarde bij twee opeenvolgende trekkingen 1/N. Voor bereik 1–100: 1% per paar. Bij veel trekkingen zijn herhalingen te verwachten en normaal. Met "geen herhalingen" modus zijn opeenvolgende dubbele waarden onmogelijk door ontwerp.
Kan ik deze gebruiken voor loterijnummers?
Ja. Stel het bereik in op het aantal loterij (bijv. 1–49) en schakel "geen herhalingen" in om unieke nummers te kiezen. Elke combinatie is even waarschijnlijk — geen nummer of combinatie is meer of minder waarschijnlijk om te winnen. De loterij zelf is willekeurig, dus elke selectiemethode is even geldig.
Wat is een zaad in willekeurige getalgeneratie?
Een zaad is de startwaarde voor een pseudowillekeurige getalgenerator. Hetzelfde zaad produceert altijd dezelfde sequentie. Dit is handig voor herhaalbare simulaties — stel het zaad in, voer uw simulatie uit, noteer het zaad, en u kunt de zelfde willekeurige sequentie later reproduceren voor verificatie of debuggen.
Hoe kies ik een willekeurig item uit een lijst?
Nummereer uw items 1 tot N, en genereren een willekeurig geheel getal van 1 tot N. Het corresponderende item is uw willekeurige selectie. Bijvoorbeeld, om willekeurig te selecteren uit 7 teamleden, genereren een willekeurig geheel getal van 1 tot 7. Elk lid heeft een gelijke kans van 1/7 ≈ 14,3% om geselecteerd te worden.
Is Math.random() in JavaScript echt willekeurig?
Nee. Math.random() is een eenvoudige PRNG met geen beveiligingsgaranties. Het is prima voor spellen en niet-sensitieve toepassingen, maar moet nooit gebruikt worden voor cryptografische doeleinden (sleutelgeneratie, tokens, wachtwoorden). Voor beveiligingsdoeleinden gebruikt u altijd crypto.getRandomValues() of een serverside CSPRNG.
Wat is het verschil tussen een PRNG en een CSPRNG?
Een PRNG (Pseudorandom Number Generator) is deterministisch en snel maar voorspelbaar als u genoeg over zijn staat weet. Een CSPRNG (Cryptografisch Veilige PRNG) voegt het eigenschap toe dat uitvoer computationally onderscheidbaar is van echte willekeurigheid zelfs als een aanvaller enkele uitvoer observeert. CSPRNGs zijn vereist voor wachtwoorden, sleutels en tokens.
Wat is een Monte Carlo-simulatie?
Een Monte Carlo-simulatie gebruikt grote aantallen willekeurige samples om complexe grootheden te schatten. Voorbeeld: schat π door willekeurige punten in een vierkant te plaatsen dat een cirkel bevat — het verhoudingsgetal van punten binnen de cirkel tot totale punten convergeert naar π/4. Monte Carlo-methode worden gebruikt in financiën, fysica, ingenieurswetenschappen en statistiek.
Kunnen willekeurige getalgeneratoren gebiast zijn?
Arme kwaliteit-RNGs kunnen bias vertonen — sommige waarden verschijnen vaker dan anderen, of correlaties tussen opeenvolgende waarden. Kwaliteit wordt gemeten door statistische tests (NIST Test Suite, TestU01 BigCrush). Moderne algoritmes zoals Mersenne Twister, PCG en xoshiro passen allemaal standaardtests en zijn onbiassig voor praktische doeleinden.
{ “@context”: “https://schema.org”, “@type”: “FAQPage”, “mainEntity”: [ { “name”: “Is this generator truly random?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “It uses your browser’s crypto.getRandomValues() API, which is a cryptographically secure pseudorandom number generator (CSPRNG). For games, decisions, statistics, and raffles, this is indistinguishable from true randomness. For absolute true randomness (from physical phenomena), use hardware RNGs or services like random.org.” } }, { “name”: “Can I generate random numbers without repeats?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Yes — this is called sampling without replacement. The calculator uses the Fisher-Yates shuffle algorithm: generate all values in the range, shuffle them randomly, return the first N. This guarantees each value appears at most once and every combination is equally likely.” } }, { “name”: “What is the probability of getting the same number twice?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “With replacement (standard mode), for a range of N values, the probability of getting the same value on two consecutive draws is 1/N. For range 1–100: 1% per pair. Over many draws, repetitions are expected and normal. With "no repeats" mode, consecutive duplicates are impossible by design.” } }, { “name”: “Can I use this for lottery number picks?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Absolutely. Set the range to match your lottery (e.g., 1–49) and enable "no repeats" to pick unique numbers. Each combination is equally likely — no number or combination is more or less likely to win. The lottery itself is random, so any selection method is equally valid.” } }, { “name”: “What is a seed in random number generation?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “A seed is the starting value for a pseudorandom number generator. The same seed always produces the same sequence. This is useful for reproducible simulations — set the seed, run your simulation, record the seed, and you can reproduce the same random sequence later for verification or debugging.” } }, { “name”: “How do I pick a random item from a list?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Number your items 1 through N, then generate a random integer from 1 to N. The corresponding item is your random selection. For example, to randomly select from 7 team members, generate a random integer from 1 to 7. Each person has an equal 1/7 ≈ 14.3% chance of selection.” } }, { “name”: “Is Math.random() in JavaScript truly random?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “No. Math.random() is a simple PRNG with no security guarantees. It is fine for games and non-sensitive applications but should never be used for cryptographic purposes (key generation, tokens, passwords). For security applications, always use crypto.getRandomValues() or a server-side CSPRNG.” } }, { “name”: “What is the difference between a PRNG and a CSPRNG?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “A PRNG (Pseudorandom Number Generator) is deterministic and fast but predictable if you know enough about its state. A CSPRNG (Cryptographically Secure PRNG) adds the property that outputs are computationally indistinguishable from true randomness even if an attacker observes some outputs. CSPRNGs are required for passwords, keys, and tokens.” } }, { “name”: “What is a Monte Carlo simulation?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “A Monte Carlo simulation uses large numbers of random samples to estimate complex quantities. Example: estimate π by randomly placing points in a square containing a circle — the ratio of points inside the circle to total points converges to π/4. Monte Carlo methods are used in finance, physics, engineering, and statistics.” } }, { “name”: “Can random number generators be biased?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Poor-quality RNGs can exhibit bias — some values appearing more frequently than others, or correlations between consecutive values. Quality is measured by statistical tests (NIST Test Suite, TestU01 BigCrush). Modern algorithms like Mersenne Twister, PCG, and xoshiro pass all standard tests and are unbiased for practical purposes.” } } ] }
Willekeurige Getallen in Games en Procedurale Generatie
Video games zijn gebouwd op willekeur. Van de willekeurige tile generatie in Minecraft's wereldcreatie tot de shuffle van vijand AI gedrag, hoogwaardige willekeur creëert herhaalbare, onvoorspelbare ervaringen. Procedurale inhoudsgeneratie (PCG) gebruikt willekeurige getallen met wiskundige beperkingen om enorme inhoud te creëren met minimale handmatige inspanning — de 18 kwintiljoen planeten in No Man's Sky werden allemaal procedurale gegenereerd vanuit willekeurige zaden.
Roguelike games zoals Nethack, Spelunky en Hades definiëren het genre door procedurale levelgeneratie. Elke run genereert een verschillende ondergrond, vijand plaatsing en itemverdeling. Het spel zaait deze willekeur zo in dat runs eerlijk voelen (de RNG besluit niet willekeurig dat je direct dood gaat) terwijl ze onvoorspelbaar blijven. Veel roguelikes tonen de zaaier zodat spelers een identieke run kunnen herhalen of interessante zaden met anderen kunnen delen.
Tabletop games hebben fysieke willekeur (dozen, geschudde kaarten, draaiers) al eeuwen gebruikt. Digitale equivalenten moeten deze verdelingen exact emuleren. Een standaard d6 dobbelsteen gooi gebruikt een uniforme verdeling over {1,2,3,4,5,6}. Een trekken uit een geschudde kaartverdeling gebruikt een willekeurige permutatie. Sommige games gebruiken dobbelstenenpoelen (gooien meerdere dobbelstenen, neem de hoogste) of dobbelstenen met voordeel/nadeel — vereist zorgvuldige statistische ontwerp om de bedoelde waarschijnlijkheidsverdelingen te bereiken.
Andere Verdelingen Genereren vanuit Uniforme Willekeurige Getallen
De meeste RNGs produceren getallen uniform verdeeld tussen 0 en 1 (of gehele getallen in een range). Vaak hebben we willekeurige getallen nodig die andere verdelingen volgen — normaal, exponentieel, Poisson, etc. Deze kunnen worden afgeleid van uniforme willekeurige getallen met transformatiemethoden.
De Box-Muller Transform genereert normaal verdeelde willekeurige getallen uit twee uniform willekeurige getallen U₁ en U₂: Z₁ = √(−2ln(U₁)) × cos(2πU₂) en Z₂ = √(−2ln(U₁)) × sin(2πU₂). Beide Z₁ en Z₂ volgen de standaard normale verdeling N(0,1). Schaal met Z × σ + μ om N(μ,σ²) te krijgen.
De Inverse Transform Method gebruikt de omgekeerde van de cumulatieve verdelingsfunctie (CDF). Voor een exponentiële verdeling met frequentie λ: X = −ln(1−U)/λ waarbij U uniform is in [0,1]. Dit transformeert direct een uniform willekeurige variabele in een exponentieel verdeelde een. De methode werkt voor elke verdeling met een analytisch omkeerbare CDF.
Statistische tests voor willekeurigheid
Hoe controleren we of een willekeurig getalgenerator echt willekeurig is? Statistische tests controleren of een reeks getallen patronen vertoont die onwaarschijnlijk zijn in een echt willekeurige reeks. Het NIST-statistische testpakket bevat 15 tests die gebruikt worden om RNG's voor cryptografische toepassingen te evalueren. Sleuteltests zijn:
Frequentietest (Monobit): Controleert of 0's en 1's even vaak voorkomen in de binair vertegenwoordiging van de gegenereerde getallen. Een onevenwichtige munt die 60% van de keren kop oplevert, zou deze test niet doorstaan.
Runs Test: Controleert het aantal opeenvolgende identieke bits (runs). Te veel lange runs van hetzelfde bit duidt op een niet-willekeurig patroon. Een echt willekeurige reeks heeft een voorspelbare verdeling van runlengtes.
Seriële test: Controleert of paren, drippels of kwatrijnen van waarden even vaak voorkomen. Als de generatormachine de reeks 1,2,3,4,5,6,1,2,3,4,5,6... produceert, slaagt de frequentietest, maar faalt de seriële test — de paren zijn niet-willekeurig.
| Statistische test | Wat het detecteert | NIST-testpakket? |
|---|---|---|
| Frequentietest (Monobit) | Ongelijke 0/1 frequentie | Ja |
| Runs Test | Te veel/few opeenvolgende identieke waarden | Ja |
| Autocorrelatie | Waarden gekoppeld aan voorgaande waarden | Ja |
| Chi-Square | On-uniforme verdeling | Ja (frequentietest) |
| Geboortedagruimte | Te-regelmatige afstand tussen waarden | Via TestU01 |
| Diehard | Meerdere patronentests | Separaat pakket |
De TestU01 "BigCrush"-testpakket wordt beschouwd als de meest strikte praktische test — het loopt 106 tests en verwijdert veel algoritmen die kleinere testpakketten doorstaan. Moderne algoritmen zoals PCG en xoshiro slagen BigCrush; oude algoritmen zoals de lineaire congruente generatormachine die in vroege C-bibliotheken werd gebruikt, falen meerdere tests en moeten niet worden gebruikt voor kwaliteitsapplicaties.
Het gebruiken van deze willekeurige getalgenerator
Stel de minimum- en maximumwaarden in om uw bereik te definiëren. Stel "hoeveel" in om meerdere getallen tegelijk te genereren. Schakel de optie "geen herhalingen" in om een lijst met unieke getallen te genereren (selectie zonder vervanging) — ideaal voor loterijpicks, kaarttrekkingen of deelnemers toewijzen aan groepen zonder herhaling. De gegenereerde reeks maakt gebruik van uw browser's cryptografische willekeurige API voor hoge kwaliteitresultaten geschikt voor elk niet-beveiligingsdoeleinde. Voor loterijgebruik, genereren getallen gelijk aan het vereiste aantal keuzes binnen uw loterijbereik. Voor raffelgebruik, toewijzen sequentiële nummers aan inzendingen en trekken het corresponderende nummer. Resultaten worden elke keer dat u op de knop klikt opnieuw gegenereerd — voorgaande resultaten worden niet opgeslagen of bijgehouden.
Gerelateerde Rekenhulpen
- Percentage Rekenhulp
- Deelgetal Rekenhulp
- Wortel Rekenhulp
- Standaarddeviatie Rekenhulp
- Wetenschappelijke Notatie Rekenhulp