В определенных обстоятельствах общие способы генерации случайных чисел недостаточны для получения требуемых выборок. Toolbox™ статистики и машинного обучения предлагает несколько альтернативных методов генерации псевдослучайных и квазирандомных чисел. Квазирандомные числа, также известные как последовательности низких расхождений, генерируют каждое последовательное число как можно дальше от существующих чисел в множестве. Этот подход избегает кластеризации и может ускорить сходимость, но квазирандомные числа, как правило, слишком однородны, чтобы пройти тесты случайности. Псевдослучайные числа менее однородны, чем квазирандомные числа, и могут быть более подходящими для приложений, которые требуют большей случайности. Используйте пробоотборник среза, гамильтоновский пробоотборник Монте-Карло или цепной пробоотборник Метрополиса-Гастингса Маркова для генерации псевдослучайных выборок, используя статистическое распределение.

Если доступные параметрические распределения вероятностей неадекватно описывают данные, можно использовать гибкое семейство распределения. Семейства гибких распределителей Пирсона и Джонсона подходят под модель на основе местоположения, масштаба, перекоса и куртоза данных выборки. После подгонки распределения к данным можно создать псевдослучайные номера из этого распределения.