Génération de nombres pseudo- et quasi-aléatoires

Dans certaines circonstances, les méthodes usuelles de génération de nombres aléatoires ne produisent pas les échantillons souhaités. Statistics and Machine Learning Toolbox™ propose plusieurs autres méthodes permettant de générer des nombres pseudo- et quasi-aléatoires. Les nombres quasi-aléatoires, également appelés suite à discrépance faible, génèrent des nombres successifs aussi éloignés que possible des nombres existants de la suite. Cette approche évite le clustering et peut accélérer la convergence, mais les nombres quasi-aléatoires sont généralement trop uniformes pour réussir les tests de stochasticité. Les nombres pseudo-aléatoires sont moins uniformes que les nombres quasi-aléatoires et peuvent mieux convenir aux applications nécessitant une plus grande stochasticité. Utilisez l’échantillonneur par tranches, l’échantillonneur de Monte-Carlo hamiltonien ou l’échantillonneur de Metropolis-Hastings par chaîne de Markov pour générer des échantillons pseudo-aléatoires à partir d’une distribution statistique.

Si les lois de probabilité paramétriques disponibles ne décrivent pas vos données de manière satisfaisante, vous pouvez utiliser une famille de distributions flexibles à la place. Les familles de distributions flexibles de Pearson et Johnson ajustent un modèle en fonction de la position, de l’échelle, de l’asymétrie et du kurtosis de l’échantillon de données. Une fois que vous avez ajusté une distribution à vos données, vous pouvez générer des nombres pseudo-aléatoires à partir de celle-ci.