数学建模——产生随机数的Matlab命令

在MATLAB软件中，可以直接产生满足各种分布的随机数，命令如下：

---

$rand\left(m,n\right)$

产生一个$\left[0,1\right]$均匀分布的随机数

产生$m\times n$阶的$\left[0,1\right]$均匀分布的随机数矩阵
例如：产生一个$2\times 3$阶的$\left[0,1\right]$均匀分布的随机数矩阵

产生$m\times n$阶的$\left[a,b\right]$均匀分布的随机数矩阵
例如：产生一个$2\times 3$阶的$\left[6,7\right]$均匀分布的随机数矩阵

---

$unifrnd\left(a,b,m,n\right)$

产生一个$\left[a,b\right]$上均匀分布$U\left(a,b\right)$的随机数
例如：产生一个$\left[6,7\right]$均匀分布的随机数

产生$m\times n$阶$\left[a,b\right]$上均匀分布$U\left(a,b\right)$的随机数矩阵
例如：产生一个$2\times 3$阶的$\left[6,7\right]$均匀分布的随机数矩阵

注：与unifrnd(6,7,2,3)与6 + rand(2,3)*(7-6)等价

---

$randsrc\left(\mu ,\sigma ,m,n\right)$

生成一个 m×n 矩阵，每个条目独立地从行向量字母表中的条目中选择。 字母表中的每个条目以相同的概率出现。 忽略字母表中的重复值

生成一个 m×n 矩阵，每个条目独立地从行向量字母表中的条目中选择。 字母表中的重复值将被忽略。 行向量 prob 列出了相应的概率，因此符号alphabet(k) 以概率prob(k) 出现，其中k 是1 和字母表列数之间的任意整数。 prob 的元素必须加起来为 1

---

$normrnd\left(\mu ,\sigma ,m,n\right)$

产生一个均值为$\mu$，标准差为$\sigma$的正态分布的随机数
例如：产生一个均值为10，标准差为2的正态分布的随机数

产生$m\times n$阶均值为$\mu$，标准差为$\sigma$的正态分布的随机数矩阵
例如：产生$2\times 3$阶均值为10，标准差为2的正态分布的随机数矩阵

---

  当研究对象视为大量相互独立的随机变量之和，且其中每一种变量对总和的影响都很小时，可以认为该对象服从正态分布。
  机械加工得到的零件尺寸的偏差、射击命中点与目标的偏差、各种测量误差、人的身高、体重等，都可近似看成服从正态分布。

---

$\text{exprnd}\left(\mu ,m,n\right)$

产生一个期望值为10的指数分布的随机数

产生$m\times n$阶期望值为$\mu$的指数分布的随机数矩阵
例如：产生$2\times 3$阶期望值为10的指数分布的随机数矩阵

---

1. 若连续型随机变量$X$的概率密度函数为$f\left(x\right)=\{\begin{array}{l}\lambda e^{-\lambda t}x⩾0\\ 0x<0\end{array}$ 其中$\lambda$为常数，则称$X$服从参数为$\lambda$的指数分布。

2. 指数分布的期望值为 $\frac{1}{\lambda }$

3. 排队服务系统中顾客到达率为常数时的达到间隔、故障率为常数时零件的寿命都服从指数分布。

4. 指数分布在排队论、可靠性分析中有广泛应用。

5. 注意：$Matlab$中，产生参数为$\lambda$的指数分布的命令为$\text{exprnd}\left(\frac{1}{\lambda }\right)$

---

$\text{poissrnd}\left(\lambda ,m,n\right)$

产生一个参数为$\lambda$的泊松分布的随机数

产生$m\times n$阶参数为$\lambda$的泊松分布的随机数矩阵
例如：产生$2\times 3$阶参数为10的泊松分布的随机数矩阵

---

1. 设离散型随机变量$X$的所有可能取值为$0,1,2,\cdots ,$且取各个值得概率为$P\left(X=k\right)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,2,\cdots ,$其中$\lambda >0$为常数，则称$X$服从参数为$\lambda$的泊松分布。
2. 泊松分布的期望值为$\lambda$
3. 泊松分布在排队系统、产品检验、天文、物理等领域有广泛应用。

---

指数分布与泊松分布的关系

  如相继两个事件出现的间隔时间服从参数为$\lambda$的指数分布，则在单位时间间隔内时间出现的次数服从参数为$\lambda$的泊松分布。即单位时间内该事件出现$k$次的概率为：$$P\left(X=k\right)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,2,\cdots ,$$

详细https://blog.csdn.net/lyl771857509/article/details/79003585

---