Exponenta Banner
exponenta event 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 из семейства распределений с одним параметром, заданное как 'name' и параметр распределения A.

пример

R = random('name',A,B) возвращает случайное число из семейства распределений с двумя параметрами, заданное как 'name' и параметры распределения A и B.

R = random('name',A,B,C) возвращает случайное число из семейства распределений с тремя параметрами, заданное как 'name' и параметры распределения A, B, и C.

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

пример

R = random(pd) возвращает случайное число из объекта распределения вероятностей pd.

пример

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

пример

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

Примеры

свернуть все

Открыть Live Script

Создайте стандартный нормальный объект распределения вероятностей. 

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Сгенерируйте одно случайное число из распределения. 

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

Также можно сгенерировать стандартное нормальное случайное число путем определения его имени и параметров.

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

Сохраните текущее состояние генератора случайных чисел. Затем сгенерируйте случайное число из распределения Пуассона с параметром скорости 5.

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

Восстановите состояние генератора случайных чисел на s, а затем создайте новое случайное число. Значение то же, что и прежде.

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

Создайте матрицу случайных чисел с таким же размером, как и существующий массив. Используйте стабильное распределение с параметрами формы 2 и 0, параметром шкалой 1 и параметром местоположения 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 линию.

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

    0.4508   -0.6132
   -1.8494    0.4845
Открыть Live Script

Создайте объект распределения вероятностей Weibull с помощью значений параметров по умолчанию. 

pd = makedist('Weibull')
pd = 
  WeibullDistribution

  Weibull distribution
    A = 1
    B = 1

Сгенерируйте случайные числа из распределения. 

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

Создайте гистограмму, используя 100 интервалов с распределительной подгонкой Вейбула.

histfit(r,100,'weibull')

Figure contains an axes. The axes contains 2 objects of type bar, line.

Открыть Live Script

Создайте стандартный нормальный объект распределения вероятностей. 

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Сгенерируйте массив случайных чисел 2 на 3 на 2 из 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 распределения вероятностей, заданное как одно из имен распределения вероятностей в этой таблице.

'name'РаспределениеВходной параметр AВходной параметр BВходной параметр CВходной параметр D
'Beta'Бета- Распределениеa первый параметр формыb второго параметра формы——
'Binomial'Биномиальное Распределениеn количество испытанийp вероятность успеха для каждого испытания——
'BirnbaumSaunders'Распределение Бирнбаум-Сондерсβ параметр шкалыγ параметра формы——
'Burr'Распределение Burr Type XIIα параметр шкалыc первый параметр формыk второго параметра формы—
'Chisquare'Распределение Хи-квадратν степени свободы———
'Exponential'Экспоненциальное Распределениеμ среднее———
'Extreme Value'Распределение экстремальных значенийμ параметра местоположенияσ параметр шкалы——
'F'Распределение Fν1 числитель степеней свободыν2 знаменательные степени свободы——
'Gamma'Гамма- Распределениеa параметра формыb параметр шкалы——
'Generalized Extreme Value'Обобщенное распределение экстремальных значенийk параметра формыσ параметр шкалыμ параметра местоположения—
'Generalized Pareto'Обобщенное распределение Паретоk параметр tail index (shape)σ параметр шкалыμ параметр порога (местоположения)—
'Geometric'Геометрическое распределениеp параметра вероятности———
'HalfNormal'Полунормальное Распределениеμ параметра местоположенияσ параметр шкалы——
'Hypergeometric'Гипергеометрическое распределениеm численность населенияk количество элементов с желаемой характеристикой в совокупностиn количество нарисованных выборок—
'InverseGaussian'Обратное Гауссово Распределениеμ параметр шкалыλ параметра формы——
'Logistic'Логистическое распределениеμ среднееσ параметр шкалы——
'LogLogistic'Логистическое распределениеμ среднее из логарифмических значенийσ масштабный параметр логарифмических значений——
'Lognormal'Логнормальное распределениеμ среднее из логарифмических значенийσ стандартное отклонение логарифмических значений——
'Nakagami'Распределение Накагамиμ параметра формыω параметр шкалы——
'Negative Binomial'Отрицательное биномиальное распределениеr число успеховp вероятность успеха в одном испытании——
'Noncentral F'Нецентральное распределение Fν1 числитель степеней свободыν2 знаменательные степени свободыδ нецентрализованность параметра—
'Noncentral t'Нецентральное распределение tν степени свободыδ нецентрализованность параметра——
'Noncentral Chi-square'Нецентральное распределение Хи-квадратν степени свободыδ нецентрализованность параметра——
'Normal'Нормальное Распределениеμ среднее σ стандартное отклонение——
'Poisson'Распределение Пуассонаλ среднее———
'Rayleigh'Распределение Релеяb параметр шкалы———
'Rician'Распределение Райсаs нецентрализованность параметраσ параметр шкалы——
'Stable'Стабильное Распределениеα первый параметр формыβ второго параметра формыγ параметр шкалыδ параметра местоположения
'T'Распределение студентаν степени свободы———
'tLocationScale't Распределение по шкале местоположенияμ параметра местоположенияσ параметр шкалыν параметра формы—
'Uniform'Равномерное распределение (непрерывное)a нижнюю конечную точку (минимум)b верхнюю конечную точку (максимум)——
'Discrete Uniform'Равномерное распределение (дискретное)n максимальное наблюдаемое значение———
'Weibull'Распределение Вейбулаa параметр шкалыb параметра формы——

Пример: 'Normal'

Первый параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входные параметры A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, random расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

Второй параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входные параметры A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, random расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

Третий параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входные параметры A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, random расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

Четвертый параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входные параметры A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, random расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

Распределение вероятностей, заданное как объект распределения вероятностей, созданный функцией или приложением в этой таблице.

Функция или приложениеОписание
makedistСоздайте объект распределения вероятностей с использованием заданных значений параметров.
fitdistПодбор объекта распределения вероятностей к выборочным данным.
Distribution FitterПодгонка распределения вероятностей к выборочным данным с помощью интерактивного приложения Distribution Fitter и экспорт подгоняемого объекта в рабочую область.
paretotailsСоздайте кусочно-распределительный объект, который обобщил распределения Парето в хвостах.

Размер каждой размерности, заданный в виде целочисленных значений. Для примера укажите 5,3,2 генерирует массив случайных чисел 5 на 3 на 2 из заданного распределения вероятностей.

Если один или несколько входные параметры A, B, C, и D являются массивами, затем заданные измерения sz1,...,szN должен совпадать с общими размерностями A, B, C, и D после любого необходимого скалярного расширения. Значения по умолчанию sz1,...,szN являются общими размерностями.

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

  • Если размер любой размерности 0 или отрицательное, затем R - пустой массив.

  • За пределами второго измерения, random игнорирует последующие измерения с размером 1. Для примера укажите 3,1,1,1 производит вектор 3 на 1 случайных чисел.

Пример: 5,3,2

Типы данных: single | double

Размер каждой размерности, заданный как вектор-строка из целых чисел. Для примера укажите [5 3 2] генерирует массив случайных чисел 5 на 3 на 2 из заданного распределения вероятностей.

Если один или несколько входные параметры A, B, C, и D являются массивами, затем заданные измерения sz должен совпадать с общими размерностями A, B, C, и D после любого необходимого скалярного расширения. Значения по умолчанию sz являются общими размерностями.

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

  • Если размер любой размерности 0 или отрицательное, затем R - пустой массив.

  • За пределами второго измерения, random игнорирует последующие измерения с размером 1. Для примера укажите [3 1 1 1] производит вектор 3 на 1 случайных чисел.

Пример: [5 3 2]

Типы данных: single | double

Выходные аргументы

свернуть все

Случайное число, сгенерированное из заданного распределения вероятностей, возвращаемое в виде скалярного значения или массива скалярных значений с размерностями, заданными sz1,...,szN или sz.

Если вы задаете параметры распределения A, B, C, или D, затем каждый элемент в R - случайное число, сгенерированное из распределения, заданного соответствующими элементами в A, B, C, и D.

Альтернативная функциональность

  • random является типовой функцией, которая принимает либо распределение по его имени 'name' или объект распределения вероятностей pd. Быстрее использовать специфичную для распределения функцию, такую как randn и normrnd для нормального распределения и binornd для биномиального распределения. Список функций для распределения см. в Поддерживаемые дистрибутивы.

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

Расширенные возможности

.

См. также

| | | | | | |

Темы

Представлено до R2006a

Statistics and Machine Learning Toolbox документация

Поддержка