Main Content

La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.

Generación de números pseudoaleatorios y cuasialeatorios

Genere datos de muestra pseudoaleatorios y cuasialeatorios

En determinadas circunstancias, los métodos habituales de generación de números aleatorios son inadecuados para producir las muestras deseadas. Statistics and Machine Learning Toolbox™ ofrece varios métodos alternativos para generar números pseudoaleatorios y cuasialeatorios. Los números cuasialeatorios, que también se conocen como secuencias de baja discrepancia, generan cada número sucesivo lo más alejado posible de los números existentes en el conjunto. Este enfoque evita la formación de clusters y puede acelerar la convergencia, aunque, por lo general, los números cuasialeatorios son demasiado uniformes para superar las pruebas de aleatoriedad. Los números pseudoaleatorios son menos uniformes que los números cuasialeatorios y pueden ser más adecuados en aplicaciones que exijan una mayor aleatoriedad. Utilice el muestreador por cortes, el muestreador de Hamilton Montecarlo o el muestreador de cadena de Markov Metropolis-Hastings para generar muestras pseudoaleatorias a partir de una distribución estadística.

Si las distribuciones de probabilidad paramétricas disponibles no describen adecuadamente los datos, puede utilizar una familia de distribución flexible en su lugar. Las familias de distribución flexible de Pearson y Johnson se ajustan a un modelo en función de la localización, la escala, la asimetría y la curtosis de los datos de muestra. Una vez que ajuste una distribución a los datos, puede generar números pseudoaleatorios a partir de dicha distribución.

Funciones

expandir todo

slicesampleSlice sampler
mhsampleMetropolis-Hastings sample
hmcSamplerHamiltonian Monte Carlo (HMC) sampler
pearsrndPearson system random numbers
johnsrndJohnson system random numbers

Clases

expandir todo

haltonsetHalton quasirandom point set
qrandstreamConstruct quasi-random number stream
sobolsetSobol quasirandom point set
HamiltonianSamplerHamiltonian Monte Carlo (HMC) sampler

Temas

Representing Sampling Distributions Using Markov Chain Samplers

Markov chain samplers can generate numbers from a sampling distribution that is difficult to represent directly.

Bayesian Linear Regression Using Hamiltonian Monte Carlo

Learn how to use the Hamiltonian Monte Carlo sampler.

Bayesian Analysis for a Logistic Regression Model

Make Bayesian inferences for a logistic regression model using slicesample.

Generating Data Using Flexible Families of Distributions

The Pearson and Johnson systems are flexible parametric families of distributions that provide good matches for a wide range of data shapes.

Random Number Generation

Statistics and Machine Learning Toolbox supports the generation of random numbers from various distributions.

Generating Pseudorandom Numbers

Pseudorandom numbers are generated by deterministic algorithms.

Generating Quasi-Random Numbers

Quasi-random number generators (QRNGs) produce highly uniform samples of the unit hypercube.