В некоторых обстоятельствах общие методы генерации случайных чисел недостаточны для получения желаемых выборок. Statistics and Machine Learning Toolbox™ предлагает несколько альтернативных методов для генерации псевдослучайных и квазирандомных чисел. Квазирандомные числа, также известные как последовательности с низким расхождением, генерируют каждое последующее число как можно дальше от существующих чисел в наборе. Этот подход избегает кластеризации и может ускорить сходимость, но квазирандомные числа, как правило, являются слишком равномерными, чтобы пройти тесты на случайность. Псевдослучайные числа менее однородны, чем квазирандомные числа, и могут быть более подходящими для приложений, которые требуют большей случайности. Используйте срез sampler, гамильтоновский sampler Монте-Карло или Metropolis-Hastings цепи sampler, чтобы сгенерировать псевдослучайные выборки с помощью статистического распределения.

Если доступные параметрические распределения вероятностей недостаточно описывают ваши данные, можно использовать гибкое семейство распределений. Гибкие семейства распределения Пирсона и Джонсона подбирают модель, основанную на местоположении, шкале, перекосе и куртозе выборочных данных. Если вы подбираете распределение к вашим данным, можно сгенерировать псевдослучайные числа из этого распределения.