Псевдослучайная и квазигенерация случайных чисел

Сгенерируйте данные о псевдослучайной и квазислучайной выборке

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 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 вероятностные распределения 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.

Функции

развернуть все

slicesampleСэмплер среза
mhsampleВыборка Гастингса столицы
hmcSamplerСэмплер Гамильтонова Монте-Карло (HMC)
pearsrndСистемные случайные числа Пирсона
johnsrndСистемные случайные числа Джонсона

Классы

развернуть все

haltonsetКвазислучайная точка Холтона установлена
qrandstreamСоздайте поток квазислучайных чисел
sobolsetКвазислучайная точка Sobol установлена
HamiltonianSamplerСэмплер Гамильтонова Монте-Карло (HMC)

Темы

Представление выборки распределений Используя сэмплеры цепи Маркова

Сэмплеры цепи Маркова могут сгенерировать числа от распределения выборки, которое затрудняет, чтобы представлять непосредственно.

Байесова линейная регрессия Используя гамильтонов Монте-Карло

Узнать, как использовать гамильтонов сэмплер Монте-Карло.

Байесов анализ для модели логистической регрессии

Сделайте Байесовы выводы для использования модели логистической регрессии slicesample.

Генерация данных Используя гибкие семейства распределений

Системы Пирсона и Джонсона являются гибкими параметрическими семействами распределений, которые обеспечивают хорошие соответствия для широкого спектра форм данных.

Генерация случайных чисел

Statistics and Machine Learning Toolbox поддерживает генерацию случайных чисел от различных распределений.

Генерация псевдослучайных чисел

Псевдослучайные числа сгенерированы детерминированными алгоритмами.

Генерация квазислучайных чисел

Квазигенераторы случайных чисел (QRNGs) производят очень универсальные выборки единичного гиперкуба.

Для просмотра документации необходимо авторизоваться на сайте