Exponenta Banner

random

Случайные числа

свернуть все на странице

Синтаксис

R = random('name',A)
R = random('name',A,B)
R = random('name',A,B,C)
R = random('name',A,B,C,D)
R = random(pd)
R = random(___,sz1,...,szN)
R = random(___,sz)

Описание

пример

R = random('name',A) возвращает случайное число в семейство распределений с одним параметром, заданное 'name' и параметр распределения A.

пример

R = random('name',A,B) возвращает случайное число в семейство распределений 2D параметра, заданное 'name' и параметры распределения A и B.

R = random('name',A,B,C) возвращает случайное число в семейство распределений с тремя параметрами, заданное 'name' и параметры распределения AB, и C.

R = random('name',A,B,C,D) возвращает случайное число в семейство распределений с четырьмя параметрами, заданное 'name' и параметры распределения ABC, и D.

пример

R = random(pd) возвращает случайное число в объект pd вероятностного распределения.

пример

R = random(___,sz1,...,szN) генерирует массив случайных чисел от заданного вероятностного распределения с помощью входных параметров от любого из предыдущих синтаксисов, где sz1,...,szN указывает на размер каждой размерности.

пример

R = random(___,sz) генерирует массив случайных чисел от заданного вероятностного распределения с помощью входных параметров от любого из предыдущих синтаксисов, где векторный sz задает size(r).

Примеры

свернуть все

Скрипт Open Live Script

Создайте стандартный объект нормального распределения вероятностей. 

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Сгенерируйте одно случайное число от распределения. 

rng('default') % For reproducibility
r1 = random(pd)
r1 = 0.5377

В качестве альтернативы можно сгенерировать стандартное нормальное случайное число путем определения его имени и параметров.

r2 = random('Normal',0,1)
r2 = 1.8339
Скрипт Open Live Script

Сохраните текущее состояние генератора случайных чисел. Затем сгенерируйте случайное число от распределения Пуассона параметром уровня 5.

s = rng;
r = random('Poisson',5)
r = 5

Восстановите состояние генератора случайных чисел к s, и затем создайте новое случайное число. Значение эквивалентно прежде.

rng(s);
r1 = random('Poisson',5)
r1 = 5
Скрипт Open Live Script

Создайте матрицу случайных чисел с тем же размером как существующий массив. Используйте устойчивое распределение параметрами формы 2 и 0, масштабный коэффициент 1, и параметр положения 0.

A = [3 2; -2 1];
sz = size(A);
R = random('Stable',2,0,1,0,sz)
R = 2×2

    0.7604   -3.1945
    2.5935    1.2193

Можно объединить предыдущие две строки кода в одну строку.

R = random('Stable',2,0,1,0,size(A))
R = 2×2

    0.4508   -0.6132
   -1.8494    0.4845
Скрипт Open Live Script

Создайте объект вероятностного распределения Weibull использование значений параметров по умолчанию. 

pd = makedist('Weibull')
pd = 
  WeibullDistribution

  Weibull distribution
    A = 1
    B = 1

Сгенерируйте случайные числа от распределения. 

rng('default')  % For reproducibility
r = random(pd,10000,1);

Создайте гистограмму с помощью 100 интервалов с подгонкой распределения Weibull.

histfit(r,100,'weibull')

Скрипт Open Live Script

Создайте стандартный объект нормального распределения вероятностей. 

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Сгенерируйте 2 3 2 массивами случайных чисел от распределения. 

r = random(pd,[2,3,2])
r = 
r(:,:,1) =

    0.5377   -2.2588    0.3188
    1.8339    0.8622   -1.3077


r(:,:,2) =

   -0.4336    3.5784   -1.3499
    0.3426    2.7694    3.0349

Входные параметры

свернуть все

Имя вероятностного распределения в виде одного из вероятностного распределения называет в этой таблице.

'name'РаспределениеВведите параметр AВведите параметр BВведите параметр CВведите параметр D
'Beta'Бета распределениеa сначала формирует параметрb второй параметр формы——
'Binomial'Биномиальное распределениеКоличество n испытанийВероятность p успеха для каждого испытания——
'BirnbaumSaunders'Распределение Бирнбаума-СондерсаМасштабный коэффициент βПараметр формы γ——
'Burr'Подпилите распределение типа XIIМасштабный коэффициент αc сначала формирует параметрk второй параметр формы—
'Chisquare'Распределение хи-квадратСтепени свободы ν———
'Exponential'Экспоненциальное распределениеСреднее значение μ———
'Extreme Value'Распределение экстремумаПараметр положения μМасштабный коэффициент σ——
'F'F распределениеСтепени свободы числителя ν1Степени свободы знаменателя ν2——
'Gamma'Гамма распределениеПараметр формы aМасштабный коэффициент b——
'Generalized Extreme Value'Обобщенное распределение экстремумаПараметр формы kМасштабный коэффициент σПараметр положения μ—
'Generalized Pareto'Обобщенное распределение ПаретоИндекс хвоста k (форма) параметрМасштабный коэффициент σПорог μ (местоположение) параметр—
'Geometric'Геометрическое распределениеПараметр вероятности p———
'HalfNormal'Полунормальное распределениеПараметр положения μМасштабный коэффициент σ——
'Hypergeometric'Геометрическое распределениеРазмер m населенияКоличество k элементов с желаемой характеристикой в населенииКоличество n выборок чертится—
'InverseGaussian'Обратное распределение ГауссаМасштабный коэффициент μПараметр формы λ——
'Logistic'Логистическое распределениеСреднее значение μМасштабный коэффициент σ——
'LogLogistic'Распределение LoglogisticСреднее значение μ логарифмических значенийМасштабный коэффициент σ логарифмических значений——
'Lognormal'Логарифмически нормальное распределениеСреднее значение μ логарифмических значенийСтандартное отклонение σ логарифмических значений——
'Nakagami'Распределение NakagamiПараметр формы μМасштабный коэффициент ω——
'Negative Binomial'Отрицательное биномиальное распределениеКоличество r успеховВероятность p успеха в одном испытании——
'Noncentral F'Нецентральное распределение FСтепени свободы числителя ν1Степени свободы знаменателя ν2Параметр нецентрированности δ—
'Noncentral t'Нецентральное t РаспределениеСтепени свободы νПараметр нецентрированности δ——
'Noncentral Chi-square'Нецентральное распределение хи-квадратСтепени свободы νПараметр нецентрированности δ——
'Normal'Нормальное распределениеСреднее значение μ Стандартное отклонение σ——
'Poisson'Распределение ПуассонаСреднее значение λ———
'Rayleigh'Распределение РелеяМасштабный коэффициент b———
'Rician'Распределение RicianПараметр нецентрированности sМасштабный коэффициент σ——
'Stable'Устойчивое распределениеα сначала формирует параметрβ второй параметр формыМасштабный коэффициент γПараметр положения δ
'T'T Распределение студентаСтепени свободы ν———
'tLocationScale't Распределение Шкалы МестоположенияПараметр положения μМасштабный коэффициент σПараметр формы ν—
'Uniform'(Непрерывное) равномерное распределениеa более низкая конечная точка (минимум)b верхняя конечная точка (максимум)——
'Discrete Uniform'(Дискретное) равномерное распределениеМаксимум n заметное значение———
'Weibull'Распределение WeibullМасштабный коэффициент aПараметр формы b——

Пример: 'Normal'

Первый параметр вероятностного распределения в виде скалярного значения или массива скалярных значений.

Если один или несколько входных параметров ABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, random расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

Второй параметр вероятностного распределения в виде скалярного значения или массива скалярных значений.

Если один или несколько входных параметров ABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, random расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

Третий параметр вероятностного распределения в виде скалярного значения или массива скалярных значений.

Если один или несколько входных параметров ABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, random расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

Четвертый параметр вероятностного распределения в виде скалярного значения или массива скалярных значений.

Если один или несколько входных параметров ABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, random расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

Вероятностное распределение в виде объекта вероятностного распределения, созданного с функцией или приложением в этой таблице.

Функция или приложениеОписание
makedistСоздайте объект вероятностного распределения использование заданных значений параметров.
fitdistСоответствуйте объекту вероятностного распределения к выборочным данным.
Distribution FitterСтройте распределение вероятности к выборочным данным с помощью интерактивного приложения Distribution Fitter и экспортируйте подходящий объект в рабочую область.
paretotailsСоздайте кусочный объект распределения, который обобщил распределения Парето в хвостах.

Размер каждой размерности в виде целочисленных значений. Например, определение 5,3,2 генерирует 5 3 2 массивами случайных чисел от заданного вероятностного распределения.

Если один или несколько входных параметров ABC, и D массивы, затем заданные измерения sz1,...,szN должен совпадать с общими размерностями ABC, и D после любого необходимого скалярного расширения. Значения по умолчанию sz1,...,szN общие размерности.

  • Если вы задаете одно значение sz1, затем R квадратная матрица размера sz1- sz1.

  • Если размером какой-либо размерности является 0 или отрицательный, затем R пустой массив.

  • После второго измерения, random игнорирует последующие измерения с размером 1. Например, определение 3,1,1,1 дает вектор 3 на 1 случайных чисел.

Пример: 5,3,2

Типы данных: single | double

Размер каждой размерности в виде вектора-строки из целых чисел. Например, определение [5 3 2] генерирует 5 3 2 массивами случайных чисел от заданного вероятностного распределения.

Если один или несколько входных параметров ABC, и D массивы, затем заданные измерения sz должен совпадать с общими размерностями ABC, и D после любого необходимого скалярного расширения. Значения по умолчанию sz общие размерности.

  • Если вы задаете одно значение [sz1], затем R квадратная матрица размера sz1- sz1.

  • Если размером какой-либо размерности является 0 или отрицательный, затем R пустой массив.

  • После второго измерения, random игнорирует последующие измерения с размером 1. Например, определение [3 1 1 1] дает вектор 3 на 1 случайных чисел.

Пример: [5 3 2]

Типы данных: single | double

Выходные аргументы

свернуть все

Случайное число сгенерировано от заданного вероятностного распределения, возвращенного как скалярное значение или массив скалярных значений с размерностями, заданными sz1,...,szN или sz.

Если вы задаете параметры распределения ABC, или D, затем каждый элемент в R случайное число, сгенерированное от распределения, заданного соответствующими элементами в ABC, и D.

Альтернативная функциональность

  • random родовая функция, которая принимает любого распределение его именем 'name' или объект pd вероятностного распределения. Это быстрее, чтобы использовать специфичную для распределения функцию, такой как randn и normrnd для нормального распределения и binornd для биномиального распределения. Для списка специфичных для распределения функций смотрите Поддерживаемые Распределения.

  • Чтобы сгенерировать случайные числа в интерактивном режиме, использовать randtool, пользовательский интерфейс для генерации случайных чисел.

Расширенные возможности

Смотрите также

| | | | | | |

Темы

Представлено до R2006a

Документация Statistics and Machine Learning Toolbox

Поддержка