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 Quasirandom

Generar datos de ejemplo pseudoaleatorio y quasirandom

En ciertas circunstancias, los métodos comunes de generación de números aleatorios son inadecuados para producir las muestras deseadas. Statistics and Machine Learning Toolbox™ ofrece varios métodos alternativos para generar números pseudoaleatorio y quasirandom. Números Quasirandom, también conocido como secuencias de discrepancias bajas, genera cada número sucesivo lo más lejos posible de los números existentes en el conjunto. Este enfoque evita la agrupación y puede acelerar la convergencia, pero los números quasirandom son generalmente demasiado uniformes para pasar pruebas de aleatoriedad. Números pseudoaleatorio son menos uniformes que los números quasirandom y pueden ser más apropiados para las aplicaciones que requieren mayor aleatoriedad. Utilice el sampler de rebanadas, el sampler de Monte Carlo de hamiltoniano, o el sampler de cadena Metropolis-Hastings Markov para generar muestras de pseudoaleatorio a partir de una distribución estadística.

Si las distribuciones de probabilidad paramétrica disponibles no describen adecuadamente sus datos, puede utilizar una familia de distribución flexible en su lugar. Las familias de distribución flexibles de Pearson y Johnson se ajustan a un modelo basado en la ubicación, escala, inclinación y curtosis de los datos de la muestra. Una vez que encajas una distribución a tus datos, puedes generar números de pseudoaleatorio 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

haltonsetConstruct Halton quasi-random point set
qrandstreamConstruct quasi-random number stream
sobolsetConstruct Sobol quasi-random 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.