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

Pseudorandom y la generación de números Quasirandom

Genere seudoaleatorios y datos de muestra quasirandom

En determinadas circunstancias, los métodos comunes de generación aleatoria de números son inadecuados para producir las muestras deseadas. ofrece varios métodos alternativos para generar magnitudes pseudoaleatorias y números quasirandom. , también conocido como, generar cada número sucesivo lo más lejos posible de los números existentes en el conjunto.Statistics and Machine Learning Toolbox™Quasirandom numberslow discrepancy sequences Este enfoque evita la agrupación en clústeres y puede acelerar la convergencia, pero los números quasirandom son generalmente demasiado uniformes para pasar las pruebas de aleatoriedad. son menos uniformes que los números quasirandom y pueden ser más apropiados para aplicaciones que requieren una mayor aleatoriedad.Pseudorandom numbers Utilice el sampler de rebanada, el sampler Hamiltonian Monte Carlo o el muestreador de cadenas Metropolis-Hastings Markov para generar muestras pseudoaleatorias dibujando a partir de una distribución estadística.

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

Funciones

expandir todo

slicesampleSlice Sampler
mhsampleMetropolis-Hastings muestra
hmcSamplerSampler de hamiltonian Monte Carlo (HMC)
pearsrndLos números aleatorios del sistema Pearson
johnsrndNúmeros aleatorios del sistema Johnson

Clases

expandir todo

haltonsetHalton quasirandom Point set
qrandstreamConstruya un flujo de números casi aleatorios
sobolsetSobol quasirandom Point set
HamiltonianSamplerSampler de hamiltonian Monte Carlo (HMC)

Temas

Representación de distribuciones de muestreo mediante muestreadores de cadenas de Markov

Los muestreadores de cadena de Markov pueden generar números a partir de una distribución de muestreo que es difícil de representar directamente.

Regresión lineal bayesiana usando Hamiltonian Monte Carlo

Aprenda a usar el sampler Hamiltonian Monte Carlo.

Generación de datos mediante familias flexibles de distribuciones

Los sistemas Pearson y Johnson son familias paramétricas flexibles de distribuciones que proporcionan buenas coincidencias para una amplia gama de formas de datos.

Generación aleatoria de números

admite la generación de números aleatorios de varias distribuciones.Statistics and Machine Learning Toolbox Cada generador de números aleatorios (RNG) representa una familia paramétrica de distribuciones.

Generar números pseudoaleatorios

Los números Pseudorandom son generados por algoritmos deterministas.

Generar números cuasi aleatorios

Los generadores de números cuasi aleatorios (QRNGs) producen muestras altamente uniformes del hipercubo de la unidad.