При определенных обстоятельствах общепринятые методики генерации случайных чисел являются несоответствующими, чтобы произвести желаемые выборки. Statistics and Machine Learning Toolbox™ предлагает несколько альтернативных методов, чтобы сгенерировать псевдослучайные числа и квазислучайные числа. Квазислучайные числа, также известные как низкие последовательности несоответствия, генерируют каждый последовательный номер подальше от существующих чисел в наборе. Этот подход старается не кластеризироваться и может ускорить сходимость, но квазислучайные числа обычно слишком универсальны, чтобы пройти тесты случайности. Псевдослучайные числа менее универсальны, чем квазислучайные числа и могут более подходить для приложений, которые требуют большей случайности. Используйте сэмплер среза, гамильтонов сэмплер Монте-Карло или сэмплер Цепи Маркова Гастингса Столицы, чтобы сгенерировать псевдослучайные выборки путем рисования от статистического распределения.

Если доступные параметрические распределения вероятностей не соответственно описывают ваши данные, можно использовать гибкое семейство распределений вместо этого. Пирсон и Джонсон гибкие семейства распределений соответствуют основанному на модели на местоположении, шкале, скошенности и эксцессе выборочных данных. Если вы соответствуете распределению к своим данным, можно сгенерировать псевдослучайные числа от того распределения.