统计上,随机数没有可预测的模式或规律性。统计随机数序列用于模拟复杂的数学和物理系统。
随机数产生器可用于从均匀分布中逼近随机整数。当由机器生成时,这些数字是伪随机的,这意味着它们是确定的,可以按相同的顺序复制。这允许使用可重复的结果来重新创建实验或模拟,通常通过指定算法和启动种子来实现。
许多类型的蒙特卡罗模拟需要序列近似其他参数或非参数分布。一些常见的概率分布包括:
- 正态(或高斯)分布
- 威布尔分布:用于可靠性和生存性分析
- 广义极值(GEV)分布:用于金融风险和保险建模
- 物流配送:用于建立逻辑回归中分类反应变量的模型
- 内核分配:用于对未知的数据生成过程进行建模
- 连系动词(多元分布):用于对变量之间的依赖结构建模
当常见的随机生成方法不足时,如贝叶斯数据分析,那么使用大都会黑斯廷斯和切片采样算法的马尔科夫链蒙特卡罗(MCMC)模拟是生成后验分布的首选方法。
准随机数可由产生均匀空间填充数的solbol或halton序列生成。这对于蒙特卡罗模拟和实验设计是有用的,因为在这些设计中,空间填充特性比统计随机性更令人满意。
有关更多信息,请参阅统计和机器学习工具箱™。