Generazione di numeri pseudo-casuali e quasi casuali

In determinate circostanze, i metodi comunemente utilizzati per la generazione di numeri casuali non sono sufficienti a produrre i campioni desiderati. Statistics and Machine Learning Toolbox™ offre diversi metodi alternativi per generare numeri pseudo-casuali e quasi casuali. I numeri quasi casuali, noti anche come sequenze a bassa discrepanza, generano ogni numero successivo il più lontano possibile dai numeri già presenti nell'insieme. Questo approccio evita la formazione di cluster e può accelerare la convergenza; tuttavia, i numeri quasi casuali sono generalmente troppo uniformi per superare i test di casualità. I numeri pseudo-casuali sono meno uniformi dei numeri quasi casuali e possono risultare più adatti per applicazioni che richiedono una maggiore casualità. Utilizzare il campionatore a sezioni, il campionatore Monte Carlo hamiltoniano o il campionatore Metropolis-Hastings a catena di Markov per generare campioni pseudo-casuali attingendo da una distribuzione statistica.

Se le distribuzioni di probabilità parametriche disponibili non descrivono adeguatamente i dati, è possibile utilizzare invece una famiglia di distribuzioni flessibili. Le famiglie di distribuzioni flessibili di Pearson e Johnson adattano un modello basato sulla posizione, la scala, l'asimmetria e la curtosi dei dati di campionamento. Una volta effettuato l'adattamento di una distribuzione ai dati, è possibile generare numeri pseudo-casuali a partire da tale distribuzione.