MATLAB随机函数比较

最新推荐文章于 2022-06-03 11:22:13 发布

Kasen's experience

最新推荐文章于 2022-06-03 11:22:13 发布

阅读量2.4k

点赞数 4

分类专栏： MATLAB 文章标签： matlab 随机数随机函数随机数生成随机函数用法

本文为博主原创文章，为扩散知识不需授权随意转载，转载请注明出处，但转载不得用于商业用途且不得违反法律法规道德义务与准则。

本文链接：https://blog.csdn.net/jh1513/article/details/70224984

版权

MATLAB 专栏收录该内容

49 篇文章 9 订阅

订阅专栏

rand

rand生成均匀分布的伪随机数。分布在（0~1）之间
主要语法：

rand(m,n)生成m行n列的均匀分布的伪随机数
rand(m,n,’double’)生成指定精度的均匀分布的伪随机数，参数还可以是’single’
rand(RandStream,m,n)利用指定的RandStream(我理解为随机种子)生成伪随机数

如果需要产生随机数值不是介于[0,1]区间，可以采用以下步骤将随机数值从[0,1]区间转换到其它区间。假设要得到一组随机数值是介于[2,4]区间，我们先产生一组随机数介于[0,1]区间，再将其值乘以2，因为2等于区间上下限的差值(4-2)。接著再加上下限值(2)，即可得到随机数值是介于[2,4]区间。例如区间为[a,b]，a为下限值，b为上限值。则算式如下

x=(b-a)*r+a,

其中x代表转换后的随机数值的阵列

randn

randn生成标准正态分布的伪随机数（均值为0，方差为1）
主要语法：和上面一样

如果需要产生常态随机数值的平均值和方差并非0和1，可以采用以下步骤将平均值和方差做转换。假设要得到一组常态随机数值的平均值为b和方差为a，我们先产生一组随机数r，再将其值乘以方差a。接著再加平均值b。算式如下：

x=a*r+b

其中x代表转换后的随机数值的阵列

randi

randi生成均匀分布的伪随机整数
主要语法：

randi（iMax）在开区间（0，iMax）生成均匀分布的伪随机整数
randi（iMax，m，n）在开区间（0，iMax）生成mXn型随机矩阵
randi([iMin,iMax],m,n)在开区间（iMin，iMax）生成mXn型随机矩阵

randperm

randperm(n)
产生一个1到n之间自然数的随机排列

randint

randint(m,n,[1 N])
生成m×n的在1到N之间的随机整数矩阵，其效果与randint(m,n,N+1)相同。

连续型分布随机数

如果你安装了统计工具箱（Statistic Toolbox)，除了这两种基本分布外，还可以用Matlab内部函数生成符合下面这些分布的随机数

unifrnd()

和rand()类似，这个函数生成某个区间内均匀分布的随机数。基本语法
unifrnd(a,b,[M,N,P,…])
生成的随机数区间在(a,b)内，排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

unifrnd(-2,3,5,1)%生成5个随机数排列的列向量，一般用这种格式
unifrnd(-2,3,5)%生成5行5列的随机数矩阵
unifrnd(-2,3,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数都在(-2,3)区间内.
生成的随机数大致的分布。
x=unifrnd(-2,3,100000,1);
hist(x,50);
由图可以看到生成的随机数很符合区间(-2,3)上面的均匀分布。

normrnd()

和randn()类似，此函数生成指定均值、标准差的正态分布的随机数。基本语法

normrnd(mu,sigma,[M,N,P,…])

生成的随机数服从均值为mu，标准差为sigma（注意标准差是正数）正态分布，这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

normrnd(2,3,5,1)%生成5个随机数排列的列向量，一般用这种格式
normrnd(2,3,5)%生成5行5列的随机数矩阵
normrnd(2,3,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的正态分布都是均值为2，标准差为3.
生成的随机数大致的分布。
x=normrnd(2,3,100000,1);

chi2rnd()

此函数生成服从卡方（Chi-square)分布的随机数。卡方分布只有一个参数：自由度v。基本语法

chi2rnd(v,[M,N,P,…])

生成的随机数服从自由度为v的卡方分布，这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

chi2rnd(5,5,1)%生成5个随机数排列的列向量，一般用这种格式
chi2rnd(5,5)%生成5行5列的随机数矩阵
chi2rnd(5,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的卡方分布的自由度都是5
生成的随机数大致的分布。
x=chi2rnd(5,100000,1);
hist(x,50);

frnd()

此函数生成服从F分布的随机数。F分布有2个参数：v1,v2。基本语法

frnd(v1,v2,[M,N,P,…])

生成的随机数服从参数为(v1,v2)的卡方分布，这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

frnd(3,5,5,1)%生成5个随机数排列的列向量，一般用这种格式
frnd(3,5,5)%生成5行5列的随机数矩阵
frnd(3,5,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的参数为(v1=3,v2=5)的F分布
生成的随机数大致的分布。
x=frnd(3,5,100000,1);
hist(x,50);
从结果可以看出来，F分布集中在x正半轴的左侧，但是它在极端值处也很可能有一些取值。

trnd()

此函数生成服从t(Student’stDistribution，这里Student不是学生的意思，而是Cosset.W.S.的笔名)分布的随机数。t分布有1个参数：自由度v。基本语法

trnd(v,[M,N,P,…])

生成的随机数服从参数为v的t分布，这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

trnd(7,5,1)%生成5个随机数排列的列向量，一般用这种格式
trnd(7,5)%生成5行5列的随机数矩阵
trnd(7,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的参数为(v=7)的t分布
生成的随机数大致的分布。
x=trnd(7,100000,1);
hist(x,50);
可以发现t分布比标准正太分布要“瘦”，不过随着自由度v的增大，t分布会逐渐变胖，当自由度为正无穷时，它就变成标准正态分布了。
接下来的分布相对没有这么常用，同时这些函数的语法和前面函数语法相同，所以写得就简略一些——在视频中也不会讲述，你只需按照前面那几个分布的语法套用即可，应该不会有任何困难——时间足够的话这是一个不错的练习机会。

betarnd()

此函数生成服从Beta分布的随机数。Beta分布有两个参数分别是A和B。下图是A=2,B=5的beta分布的PDF图形。
生成beta分布随机数的语法是：

betarnd(A,B,[M,N,P,…])

exprnd()

此函数生成服从指数分布的随机数。指数分布只有一个参数:mu,下图是mu=3时指数分布的PDF图形
生成指数分布随机数的语法是：

betarnd(mu,[M,N,P,…])

gamrnd()

生成服从Gamma分布的随机数。Gamma分布有两个参数：A和B。下图是A=2,B=5Gamma分布的PDF图形
生成Gamma分布随机数的语法是：

gamrnd(A,B,[M,N,P,…])

lognrnd()

生成服从对数正态分布的随机数。其有两个参数：mu和sigma，服从这个这样的随机数取对数后就服从均值为mu，标准差为sigma的正态分布。下图是mu=-1,sigma=1/1.2的对数正态分布的PDF图形。
生成对数正态分布随机数的语法是：

lognrnd(mu,sigma,[M,N,P,…])

raylrnd()

生成服从瑞利（Rayleigh）分布的随机数。其分布有1个参数：B。下图是B=2的瑞利分布的PDF图形。
生成瑞利分布随机数的语法是：

raylrnd(B,[M,N,P,…])

wblrnd()

生成服从威布尔（Weibull）分布的随机数。其分布有2个参数：scale参数A和shape参数B。下图是A=3，B=2的Weibull分布的PDF图形。
生成Weibull分布随机数的语法是：

wblrnd(A,B,[M,N,P,…])

还有非中心卡方分布(ncx2rnd)，非中心F分布(ncfrnd)，非中心t分布（nctrnd)，括号中是生成服从这些分布的函数，具体用法用：
help函数名
查找。
c.离散型分布随机数
离散分布的随机数可能的取值是离散的，一般是整数。

unidrnd()

此函数生成服从离散均匀分布的随机数。Unifrnd是在某个区间内均匀选取实数（可为小数或整数），Unidrnd是均匀选取整数随机数。离散均匀分布随机数有1个参数：n,表示从{1,2,3,…N}这n个整数中以相同的概率抽样。基本语法：

unidrnd(n,[M,N,P,…])

这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

unidrnd(5,5,1)%生成5个随机数排列的列向量，一般用这种格式
unidrnd(5,5)%生成5行5列的随机数矩阵
unidrnd(5,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的参数为(10,0.3)的二项分布
生成的随机数大致的分布。
x=unidrnd(9,100000,1);
hist(x,9);
可见，每个整数的取值可能性基本相同。

binornd()

此函数生成服从二项分布的随机数。二项分布有2个参数：n,p。考虑一个打靶的例子，每枪命中率为p，共射击N枪，那么一共击中的次数就服从参数为（N,p）的二项分布。注意p要小于等于1且非负，N要为整数。基本语法：

binornd(n,p,[M,N,P,…])

生成的随机数服从参数为(N,p)的二项分布，这些随机数排列成M*N*P…多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：

binornd(10,0.3,5,1)%生成5个随机数排列的列向量，一般用这种格式
binornd(10,0.3,5)%生成5行5列的随机数矩阵
binornd(10,0.3,[5,4])%生成一个5行4列的随机数矩阵

%注：上述语句生成的随机数所服从的参数为(10,0.3)的二项分布
生成的随机数大致的分布。
x=binornd(10,0.45,100000,1);
hist(x,11);
我们可以将此直方图解释为，假设每枪射击命中率为0.45，每论射击10次，共进行10万轮，这个图就表示这10万轮每轮命中成绩可能的一种情况。