Pseudo- und quasi-zufällige Zahlengenerierung

Unter bestimmten Umständen sind die üblichen Methoden zur Generierung von Zufallszahlen für die gewünschten Stichproben nicht ausreichend. Statistics and Machine Learning Toolbox™ umfasst mehrere alternative Methoden zur Generierung pseudo- und quasi-zufälliger Zahlen. Quasi-zufällige Zahlen, auch als Sequenzen mit niedriger Diskrepanz bezeichnet, generieren die jeweils nächste Zahl so weit wie möglich von den bestehenden Zahlen der Menge entfernt. Dieser Ansatz vermeidet Clusterbildung und kann die Konvergenz beschleunigen, quasi-zufällige Zahlen sind jedoch im Allgemeinen zu gleichmäßig für Zufälligkeitstests. Pseudo-zufällige Zahlen sind weniger gleichmäßig als quasi-zufällige Zahlen und sind unter Umständen für Anwendungen, die eine höhere Zufälligkeit erfordern, besser geeignet. Mit dem Slice-Sampler, dem Hamiltonian Monte Carlo Sampler oder dem Metropolis-Hastings Markovketten-Sampler können Sie pseudo-zufällige Stichproben generieren, indem eine statistische Verteilung abgerufen wird.

Wenn die verfügbaren parametrischen Wahrscheinlichkeitsverteilungen die Daten nicht angemessen beschreiben, können Sie stattdessen eine flexible Verteilungsfamilie verwenden. Die flexiblen Verteilungsfamilien nach Pearson und Johnson passen ein Modell gemäß Position, Skala, Schiefe und Kurtosis der Stichprobendaten an. Haben Sie eine Verteilung an Ihre Daten angepasst, können Sie aus dieser Verteilung pseudo-zufällige Zahlen generieren.