ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

疑似乱数と準乱数の生成

疑似乱数および準乱数標本データの生成

特定の状況では、通常の乱数発生手法は、必要な標本の生成に向いていません。Statistics and Machine Learning Toolbox™ には、疑似乱数と準乱数を生成するための代替方法が用意されています。"準乱数" は "超一様分布列" とも呼ばれ、可能な限り集合内の既存の数値から離れた値になるように連続する数値を生成します。このアプローチではクラスタリングが回避され、収束が高速になりますが、通常、準乱数は一様すぎるので無作為性の検定にパスしません。"疑似乱数" は準乱数ほど一様ではないので、大きい無作為性が必要な用途にはより適切な場合があります。スライス サンプラー、ハミルトニアン モンテカルロ サンプラーまたはメトロポリス・ヘイスティングス マルコフ連鎖サンプラーを使用して、統計分布からの抽出により疑似乱数標本が生成されます。

利用可能なパラメトリック確率分布ではデータを適切に記述することができない場合は、代わりにフレキシブル分布群を使用できます。ピアソンとジョンソンの柔軟な分布族では、標本データの位置、スケール、歪度および尖度に基づいてモデルを当てはめます。分布をデータにあてはめると、その分布から疑似乱数を生成できるようになります。

関数

すべて展開する

slicesampleスライス サンプラー
mhsampleメトロポリス・ヘイスティングス標本
hmcSamplerハミルトニアン モンテカルロ (HMC) サンプラー
pearsrndピアソン システムの乱数
johnsrndジョンソン システム乱数

クラス

すべて展開する

haltonsetハルトン準乱数点集合の作成
qrandstream準乱数ストリームの構築
sobolsetソボル準乱数点集合の作成
HamiltonianSamplerハミルトニアン モンテカルロ (HMC) サンプラー

トピック

マルコフ連鎖サンプラーを使用する標本分布の表現

マルコフ連鎖サンプラーは、直接表すことが困難である標本分布から数値を生成できます。

ハミルトニアン モンテカルロの使用によるベイズ線形回帰

ハミルトニアン モンテカルロ サンプラーを使用する方法を学びます。

柔軟な分布族を使用してデータを生成

ピアソンおよびジョンソンのシステムは、広範囲のデータ形状に対して良好に一致する柔軟なパラメトリック分布族です。

乱数発生

Statistics and Machine Learning Toolbox では、さまざまな分布からの乱数の発生がサポートされています。

疑似乱数の生成

疑似乱数は決定性アルゴリズムによって生成されます。

準乱数の生成

準乱数発生器 (QRNG) は、単位超立方体のきわめて一様な標本を生成します。