Сгенерируйте матрицу 5 на 5 нормально распределенных случайных чисел.

r = randn(5)

r = 5×5

    0.5377   -1.3077   -1.3499   -0.2050    0.6715
    1.8339   -0.4336    3.0349   -0.1241   -1.2075
   -2.2588    0.3426    0.7254    1.4897    0.7172
    0.8622    3.5784   -0.0631    1.4090    1.6302
    0.3188    2.7694    0.7147    1.4172    0.4889

Сгенерируйте значения из двухмерного нормального распределения с заданными вектором средних значений и ковариационной матрицей.

mu = [1 2];
sigma = [1 0.5; 0.5 2];
R = chol(sigma);
z = repmat(mu,10,1) + randn(10,2)*R

z = 10×2

    1.5377    0.4831
    2.8339    6.9318
   -1.2588    1.8302
    1.8622    2.3477
    1.3188    3.1049
   -0.3077    1.0750
    0.5664    1.6190
    1.3426    4.1420
    4.5784    5.6532
    3.7694    5.2595

Сгенерируйте одно случайное комплексное число с нормально распределенными вещественными и мнимыми частями.

a = randn + 1i*randn

a = 0.5377 + 1.8339i

Сохраните текущее состояние генератора случайных чисел и создайте вектор случайных чисел 1 на 5.

s = rng;
r = randn(1,5)

r = 1×5

    0.5377    1.8339   -2.2588    0.8622    0.3188

Восстановите состояние генератора случайных чисел в s, а затем создайте новый вектор 1 на 5 случайных чисел. Значения те же, что и прежде.

rng(s);
r1 = randn(1,5)

r1 = 1×5

    0.5377    1.8339   -2.2588    0.8622    0.3188

Всегда используйте rng функция (а не rand или randn functions), чтобы задать настройки генератора случайных чисел. Для получения дополнительной информации смотрите Заменить обескураженные синтаксисы rand и randn.

Создайте массив случайных чисел 3 на 2 на 3.

X = randn([3,2,3])

X = 
X(:,:,1) =

    0.5377    0.8622
    1.8339    0.3188
   -2.2588   -1.3077


X(:,:,2) =

   -0.4336    2.7694
    0.3426   -1.3499
    3.5784    3.0349


X(:,:,3) =

    0.7254   -0.2050
   -0.0631   -0.1241
    0.7147    1.4897

Создайте вектор 1 на 4 случайных чисел, элементы которого являются одинарной точностью.

r = randn(1,4,'single')

r = 1x4 single row vector

    0.5377    1.8339   -2.2588    0.8622

class(r)

ans = 
'single'

Создайте матрицу нормально распределенных случайных чисел с таким же размером, как и существующий массив.

A = [3 2; -2 1];
sz = size(A);
X = randn(sz)

X = 2×2

    0.5377   -2.2588
    1.8339    0.8622

Обычным шаблоном является объединение двух предыдущих строк кода в одну линию:

X = randn(size(A));

Создайте матрицу 2 на 2 с одной точностью случайных чисел.

p = single([3 2; -2 1]);

Создайте массив случайных чисел того же размера и данных типа, что и p.

X = randn(size(p),'like',p)

X = 2x2 single matrix

    0.5377   -2.2588
    1.8339    0.8622

class(X)

ans = 
'single'

Если у вас есть Parallel Computing Toolbox™, создайте распределенный массив случайных чисел 1000 на 1000 с базовым типом данных single. Для distributed тип данных, 'like' синтаксис клонирует базовый тип данных в дополнение к типу первичных данных.

p = randn(1000,'single','distributed');

Starting parallel pool (parpool) using the 'local' profile ...
connected to 6 workers.

X = randn(size(p),'like',p);

class(X)

ans =

    'distributed'

underlyingType(X)

ans =

    'single'