随机数

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一个随机整数。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，可以以相同的顺序复制。这允许重新创建具有可重复结果的实验或模拟的能力，通常通过指定算法和启动种子。

许多类型的蒙特卡洛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:用于逻辑回归中分类反应变量的建模
• 内核分配:用于在数据生成过程未知的情况下建模
• 连系动词(多元分布):用于建模变量之间的依赖结构

当常见的随机生成方法不充分时，例如在贝叶斯数据分析中，那么使用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。

准随机数可以由产生均匀空间填充数的solbol或halton序列生成。这对于蒙特卡洛模拟和实验设计是很有用的，其中空间填充特性比统计随机性更可取。

有关更多信息，请参见统计和机器学习工具箱™．