Генерация псевдослучайных и квазирандомных чисел

Сгенерируйте псевдослучайные и квазирандомные выборочные данные

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.

Функции

расширить все

slicesampleПробоотборник среза
mhsampleВыборка Митрополиса-Гастингса
hmcSamplerГамильтониан Монте-Карло (HMC) семплер
pearsrndСлучайные числа системы Пирсона
johnsrndСистема Джонсона случайных чисел

Классы

расширить все

haltonsetНабор точек Halton quasirandom
qrandstreamСоздайте квазислучайное число
sobolsetНабор точек Соболь квазирандом
HamiltonianSamplerГамильтониан Монте-Карло (HMC) семплер

Темы

Представление выборочных распределений с использованием марковских Цепей селекторов

Марковские цепи селекторы могут сгенерировать числа из дискретизирующего распределения, которое трудно представить непосредственно.

Байесовская линейная регрессия с использованием гамильтонового Монте-Карло

Узнайте, как использовать гамильтоновый семплер Монте-Карло.

Байесовский анализ для модели логистической регрессии

Сделайте байесовские выводы для логистической регрессионой модели используя slicesample.

Генерация данных с использованием гибких семейств распределений

Системы Пирсона и Джонсона являются гибкими параметрическими семействами распределений, которые обеспечивают хорошие соответствия для широкой области значений форм данных.

Генерация случайных чисел

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

Генерация псевдослучайных чисел

Псевдослучайные числа сгенерированы детерминированными алгоритмами.

Генерация квазислучайных чисел

Генераторы квазислучайных чисел (QRNGs) производят высоко равномерные выборки единичного гиперкуба.

Для просмотра документации необходимо авторизоваться на сайте