應用matlab實現幾種常見概率分布隨機數的產生

2020-12-08 單調巷子

隨機數：是專門的隨機試驗的結果。在統計學的不同技術中需要使用隨機數，比如在從統計總體中抽取有代表性的樣本的時候，或者在將實驗動物分配到不同的試驗組的過程中，或者在進行蒙特卡羅模擬法計算的時候等等。

1.二項分布隨機數的產生

程序如下：

clear all;

clc

r=binornd(10,0.5) %在二項分布中n=10,p=0.5

R=binornd(10,0.5,3,4) %產生一個3*4的矩陣

運行結果：

R =

7 5 6 8

4 1 4 3

7 5 5 5

2.泊松分布隨機數的產生

程序如下：

clear all;

clc;

r=poissrnd(8) %泊松分布lamda=8

R=poissrnd(8,4,4) %產生一個4*4的矩陣

運行結果：

R =

11 7 11 8

4 3 4 5

11 13 5 9

9 11 8 11

3.指數分布隨機數的產生

程序如下：

clear all;

clc;

r=exprnd(10) %指數分布mu=8

R=exprnd(8,4,4) %產生一個4*4的矩陣

運行結果：

R =

2.2490 8.1904 2.8073 6.8583

11.3246 2.4485 6.5260 10.4667

6.5243 7.4369 31.4669 12.9942

2.9941 3.0452 8.8485 1.5708

4.連續型均勻分布隨機數的產生

程序如下：

clear all;

clc;

r=unifrnd(1,3) %連續型均勻分布

R1=unifrnd(1,3,[4 4]) %產生一個4*4的矩陣

R2=unifrnd(1,3,4,4)

運行結果：

r =2.1950

R1 =

1.6706 1.7192 1.8587 1.6350

1.5985 2.1166 1.2497 2.3074

1.9052 2.4851 1.0489 2.9139

1.8453 1.8487 1.5804 2.8715

R2 =

1.9158 2.4813 1.9265 1.3500

1.4810 2.4874 1.4243 1.3271

2.5278 1.2118 1.1970 2.3320

2.5187 2.3631 2.6471 2.7888

5.離散型均勻分布隨機數的產生

程序如下：

clear all;

clc;

r=unidrnd(10) %離散型均勻分布

R1=unidrnd(8,4,4) %產生一個4*4的矩陣

R2=unidrnd(8,[4,4])

運行結果：

r =1

R1 =

5 8 1 2

3 6 6 5

2 4 6 3

2 8 5 2

R2 =

2 1 2 1

8 4 1 8

1 1 3 3

2 8 4 36.正態分布隨機數的產生

程序如下：

clear all;

clc;

r=normrnd(0,1) %正態分布mu=0,sigma=1

R1=normrnd(0,1,[3,5]) %產生一個3*5的矩陣

R2=normrnd(2,4,[3,5])

運行結果：

r =-0.3712

R1 =

-0.7578 -0.5568 -0.1609 0.3173 -0.2132

-0.5640 -0.8951 0.4093 0.0780 -0.1345

0.5551 -0.4093 -0.9526 1.3244 -1.1714

R2 =

-3.5411 4.0150 2.4889 1.3500 -2.4810

3.2420 -1.5706 6.1881 4.7602 -4.1308

1.0020 9.6340 1.0923 4.2230 -2.3915

相關焦點

  • stats | 概率分布與隨機數生成(一)——離散型分布
    隨機變量的分布模式是統計模型的基礎，R的基礎包stats提供了許多關於概率分布的函數。本篇主要介紹離散型分布，包括兩點分布、二項分布、帕斯卡分布、負二項分布、幾何分布、超幾何分布和泊松分布。1 stats中關於概率分布的函數stats工具包針對每種分布模式提供了4個函數，分別用於計算概率密度函數、概率分布函數、概率分位數的取值以及生成符合該分布的隨機序列。概率密度函數主要對於連續型變量而言。
  • 幾種常見的隨機事件概率模型
    隨機事件的概率問題是近幾年高考中重點考查的內容之一，掌握這一問題的求法，有助於同學們對概率這一章的學習，下面從常見的幾種模型出發來探討一下此類題目的求法。二、分配問題模型解答與分配問題有關的概率試題的關鍵在於：利用分配問題知識正確地求出基本事件的總和A所包含的基本事件數，通常採用先分組後分配的方法。
  • 隨機數生成及其在統計模擬中的應用
    下面關於隨機數生成的效率和後面的統計檢驗，都以生成224224個為基準，是1600多萬個，取這麼多，一方面為了比較程式語言實現的發生器產生隨機數的效率，另一方面是後面的遊程檢驗需要比較大的樣本量。Matlab內置的發生器及大部分的函數，底層實現都是C或者Fortran，MathWorks創始人Cleve B.
  • Matlab中的數據分析之概率分布與檢驗實例講解
    data.txt 存放在 matlab\work 子目錄下，在 Matlab 中用 load 命令讀入數據，具體作法是： load data.txt 這樣在內存中建立了一個變量 data，它是一個包含有20×10 個數據的矩陣。
  • 數理統計與概率論及Python實現(3)——隨機變量概述
    數理統計與概率論及Python實現（1）——概率論中基本概念數理統計與概率論及Python實現（2）——隨機變量隨機變量與事件隨機變量的本質是一種函數（映射關係），在古典概率模型中，「事件和事件的概率」是核心概念；但是在現代概率論中，「隨機變量及其取值規律」是核心概念。
  • 必考知識點,CFA一級數量分析-常見概率分布-上
    在了解了概率的相關概念之後，我們這篇文章，將會來說說那些非常重要或者常見（很大程度上，因為常見所以重要）的概率分布，他們實際上代表了很多前輩為我們總結的客觀規律。有了前輩們的總結，我們想要造車，就不用去做炫酷的PPT了，哦不，是就不需要去重新造輪子了。那下面，我們就直接去把前輩們的輪子搬回自己家吧。
  • Excel生成隨機數的技巧,隨機數發生器,你用過嗎
    商業分析中的很多應用要求從特定的概率分布中隨機抽樣。例如，在財務模型中，當銷售額、銷量增長幅度、運營支出和通貨膨脹因子等全都不確定時，我們可能對累積的貼現現金流的分布感興趣，而這一分布可以用概率分布來描述。那些決策模型的結果變量，是隨機輸入變量的複雜函數。要理解這些變量的概率分布，只有藉助所謂蒙特-卡羅方法的抽樣流程才能實現這一抽樣流程。
  • Java 生成隨機數的 5 種方式,你知道幾種?
    方法是 的，因此在多線程情況下，只有一個線程會負責創建偽隨機數生成器（使用當前時間作為種子），其他線程則利用該偽隨機數生成器產生隨機數。Java生成隨機數的幾種高級用法，這篇推薦看一下。 因此 方法是線程安全的。
  • matlab生成隨機數函數的20多個命令,你知道多少?「肥波貓」
    matlab生成隨機數函數的20多個命令，你知道多少？chi2rnd 卡方分布的隨機數生成器exprnd 指數分布的隨機數生成器frnd f分布的隨機數生成器gamrnd 伽瑪分布的隨機數生成器geornd 幾何分布的隨機數生成器hygernd
  • 11種概率分布,你了解幾個?
    了解常見的概率分布十分必要，它是概率統計的基石。
  • numpy產生隨機數匯總
    random()產生的隨機數的分布非均勻分布，numpy.random.rand()產生的隨機數的分布為均勻分布。np.random.random((3,3))  ##產生一個[0,1)之間的形狀為(3, 3)的數組。
  • 常見概率模型在金融市場中的應用
    概率模型簡介　　概率模型是一大類模型的統稱，是常規金融模型的概率化表達。通常概率模型會把常規金融模型中的某些參數看作是一個未知的概率分布，這個未知的分布通常會預先給定一個基本假設，即先驗概率，然後再根據具體的觀測數據去推斷或者逐步修正這些假設。一種比較常見的概率模型就是貝葉斯線性回歸模型，這類模型把線性回歸中的係數 和截距等參數作為未知的概率分布。
  • Scipy_常見隨機分布
    pdf：概率密度函數pmf：離散變量質量函數cdf：累積分布函數sf：生存功能（1-CDF）ppf：百分比點函數（CDF的逆）isf：逆生存函數（SF的逆）統計信息：返回均值，方差，（費舍爾）偏度或（費舍爾）峰度矩：分布的非中心矩常見連續變量
  • 概率的意義:隨機世界與大數法則
    ◆ ◆ ◆概率的意義一骰子有6個面，一擲之下，會得到偶數之概率為何？骰子看起來沒有異樣，就假設每個面出現的概率皆相同，即均為1/6。而偶數面有2，4，及6等3個。因此所求之概率為3/6。這就是所謂古典的概率，基本假設是「相同的可能性」。
  • Java隨機數的幾種有趣用法
    眾所周知，隨機數是任何一種程式語言最基本的特徵之一。而生成隨機數的基本方式也是相同的：產生一個0到1之間的隨機數。
  • Matlab概率統計工具箱(1)
    4.1 隨機數的產生4.1.1 二項分布的隨機數據的產生命令 參數為N,P的二項隨機數據函數 binornd格式 R = binornd(N,P) %N,P為二項分布的兩個參數,返回服從參數為N,P的二項分布的隨機數,N,P大小相同.R = binornd(N,P,m) %m指定隨機數的個數,與R同維數.
  • 淺談Java中的幾種隨機數
    眾所周知，隨機數是任何一種程式語言最基本的特徵之一。而生成隨機數的基本方式也是相同的：產生一個0到1之間的隨機數。看似簡單，但有時我們也會忽略了一些有趣的功能。我們從書本上學到什麼？進階通過閱讀Math.random()的源碼，或者乾脆利用IDE的自動完成功能，開發人員可以很容易發現，java.lang.Math.random()使用一個內部的隨機生成對象 - 一個很強大的對象可以靈活的隨機產生：布爾值、所有數字類型，甚至是高斯分布。
  • 常見概率分布
    超幾何分布 對某批N 件產品進行不放回抽樣檢查,若這批產品中有M件次品，現從整批產品中隨機抽出n件產品，則在這n件產品中出現的次品數x是隨機變量，它取值0，1, 2，..n，其概率分布為超幾何分布.幾何分布 在事件A發生的概率為p的伯努利試驗中，若以η記A首次出現時的試驗次數，則η為隨機變量，它可能取的值為1，2，3，…其概率分布為幾何分布:
  • 2018考研數學概率論各章重點總結:隨機變量及分布
    下面就為大家盤點概率論這塊出現的常規考點及題型，希望對大家有所幫助。 　　第二章 隨機變量及其分布 　　本章重點掌握分布函數的性質;離散型隨機變量的分布律與分布函數及連續型隨機變量的密度函數與分布函數;常見離散型及連續型隨機變量的分布;一維隨機變量函數的分布。
  • 單片機C語言如何產生隨機數?
    隨機數在單片機的應用中也是很多的，當然產生隨機數的方法有很多，當中有一個就是利用單片機定時器，取出未知的定時器KEIL裡面產生隨機數的函數確實是rand()，但頭文件是stdlib.h，不是time.h。C語言提供了一些庫函數來實現隨機數的產生。