从统计学上讲,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。
随机数生成器可用于从均匀分布近似随机整数。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性的,可以在相同的序列中复制。这允许使用可重复的结果重新创建实验或模拟,通常通过指定算法以及启动种子。
许多类型的蒙特卡罗模拟需要近似于其他参数或非参数分布的序列。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:用于在逻辑回归中建模分类响应变量
- 内核分发:用于在数据生成过程未知时建模
- 连接函数(多元分布):用于为变量之间的依赖关系结构建模
当常用的随机生成方法不足时,如在贝叶斯数据分析中,则使用Metropolis Hastings和切片采样算法的马尔可夫链蒙特卡罗(MCMC)模拟是生成后验分布的首选方法。
准随机数可以从产生均匀空间填充数的solbol或halton序列生成。这些对于蒙特卡罗模拟和实验设计非常有用,因为空间填充特性比统计随机性更理想。
有关更多信息,请参阅统计和机器学习工具箱™.