Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Generación de números pseudoaleatorio y cuasialeatorio

Generar datos de muestra pseudoaleatorios y cuasialeatorios

En determinadas circunstancias, los métodos comunes de generación de números aleatorios son inadecuados para producir las muestras deseadas. ofrece varios métodos alternativos para generar números pseudoaleatorios y cuasialeatorios. , también conocido como , generar cada número sucesivo lo más lejos posible de los números existentes en el conjunto.Statistics and Machine Learning Toolbox™Números cuasialeatoriossecuencias de baja discrepancia Este enfoque evita la agrupación en clústeres y puede acelerar la convergencia, pero los números cuasialeatorios son generalmente demasiado uniformes para pasar las pruebas de aleatoriedad. son menos uniformes que los números cuasialeatorios y pueden ser más apropiados para aplicaciones que requieren una mayor aleatoriedad.Números pseudoaleatorios Utilice el muestreador de rebanadas, el muestreador Hamiltoniano Monte Carlo o el muestreador de cadenas Metropolis-Hastings Markov para generar muestras pseudoaleatorias extrayendo de una distribución estadística.

Si las distribuciones de probabilidad paramétrica 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 basado en la ubicación, la escala, la asimetría y la curtosis de los datos de muestra. Una vez que ajuste una distribución a sus datos, puede generar números pseudoaleatorios a partir de esa 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.

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.