用matlab生成各种分布的随机数并做直方图
MATLAB产生各种分布的随机数
M A T L A B产生各种分布的随机数The final revision was on November 23, 2020MATLAB产生各种分布的随机数1，均匀分布U（a,b）：产生m*n阶［a，b］均匀分布U（a，b）的随机数矩阵：unifrnd (a,b,m, n) 产生一个［a，b］均匀分布的随机数：unifrnd (a,b)2，0-1分布U（0,1）产生m*n阶［０，1］均匀分布的随机数矩阵：rand (m, n)产生一个［０，１］均匀分布的随机数：rand4，二类分布binornd(N,P,mm,nn)如binornd(10,,mm,nn)即产生mm*nn均值为N*P的矩阵binornd(N,p)则产生一个。
而binornd(10,,mm)则产生mm*mm的方阵，军阵为N*p。
5，产生m*n阶离散均匀分布的随机数矩阵：unidrnd(N,mm,nn)产生一个数值在1-N区间的mm*nn矩阵6，产生mm nn阶期望值为的指数分布的随机数矩阵：exprnd( ,mm, nn)此外，常用逆累积分布函数表函数名调用格式函数注释norminv X=norminv(P,mu,sigma) 正态逆累积分布函数expinv X=expinv(P,mu) 指数逆累积分布函数weibinv X=weibinv(P,A,B) 威布尔逆累积分布函数logninv X=logninv(P,mu,sigma) 对数正态逆累积分布函数Chi2inv X=chi2inv(P,A,B) 卡方逆累积分布函数Betainv X=betainv(P,A,B) β分布逆累积分布函数随机数的产生4.1.1 二项分布的随机数据的产生命令参数为N，P的二项随机数据函数 binornd格式 R = binornd(N,P) %N、P为二项分布的两个参数，返回服从参数为N、P的二项分布的随机数，N、P大小相同。
R = binornd(N,P,m) %m指定随机数的个数，与R同维数。
matlab 正态分布随机数
matlab 正态分布随机数正态分布是统计学中最为常见的连续型随机变量分布之一，也被称为高斯分布或钟形曲线。
在Matlab 中生成正态分布随机数可以使用randn 函数，该函数用于生成满足标准正态分布的随机数。
函数语法如下：r = randn(sz1,...,szN)其中，sz1,...,szN 为生成的随机数矩阵的维度大小，r 为生成的随机数矩阵。
在使用randn 函数时，我们可以使用mu 和sigma 参数来控制生成随机数的均值和标准差。
具体语法如下：r = mu + sigma.*randn(sz1,...,szN)其中，mu 为均值，sigma 为标准差。
下面我们来看一个简单的例子：%生成均值为2，标准差为0.5 的正态分布随机数矩阵mu = 2;sigma = 0.5;r = mu + sigma.*randn(1000,1);%绘制随机数的概率密度函数图像histogram(r,'Normalization','pdf');hold on;x = linspace(min(r),max(r),100);y = normpdf(x,mu,sigma);plot(x,y);hold off;运行代码后，我们可以得到一个均值为2，标准差为0.5 的正态分布随机数矩阵，并画出了随机数的概率密度函数图像，如下图所示：
Matlab中的随机数生成方法随机数在计算机科学中扮演着重要的角色，它们被广泛应用于模拟、统计分析和算法设计等领域。
Matlab作为一种强大的数值计算工具，也提供了多种随机数生成方法。
本文将深入探讨Matlab中的随机数生成方法，并介绍其特点和使用场景。
1. 基本的随机数生成函数Matlab提供了基本的随机数生成函数，如rand、randn和randi等。
其中，rand 函数生成0到1之间的均匀分布随机数，randn函数生成符合标准正态分布的随机数，而randi函数则用于生成整数随机数。
这些函数具有简单易用的特点，适用于一般的随机数生成需求。
2. 自定义随机数生成器除了基本的随机数生成函数，Matlab还允许用户自定义随机数生成器。
用户可以通过设定随机数生成器的种子(seed)和算法来实现特定的随机数分布。
例如，可以使用randstream函数创建一个自定义的随机数流，并通过reset函数设置种子，以确保每次运行获得相同的随机数序列。
这使得Matlab的随机数生成更具可控性和重复性。
3. 高级随机数生成方法除了基本的随机数生成函数和自定义随机数生成器，Matlab还提供了一些高级的随机数生成方法。
这些方法包括蒙特卡洛方法、随机游走和马尔可夫链等。
蒙特卡洛方法是一种基于随机采样和统计模型的数值计算方法，常用于模拟、优化和概率分析等领域。
Matlab中的随机游走函数可以模拟随机漫步的过程，用于研究股票市场、物理传输和随机搜索等问题。
马尔可夫链是一种随机过程，具有记忆性和状态转移的特点，Matlab提供了马尔可夫链模拟函数，可用于模拟信道传输、语音识别和图像处理等应用。
4. 随机数的应用场景随机数在科学研究和工程实践中有着广泛的应用场景。
在模拟领域，随机数常用于生成真实世界的随机样本，用于测试和验证模型。
在统计分析中，随机数可用于生成随机样本和蒙特卡洛模拟，用于估计参数和检验假设。
在算法设计中，随机数常用于生成随机初始值、打破平衡和优化搜索空间等。
matlab产生随机数的方法
matlab产生随机数的方法第一种方法是用random语句，其一般形式为y=random('分布的英文名',A1,A2,A3,m,n)，表示生成m行n列的m×n个参数为(A1,A2,A3)的该分布的随机数。
例如:(1)R=random('Normal',0,1,2,4):生成期望为0,标准差为1的(2行4列)2×4个正态随机数(2)R=random('Poisson',1:6,1,6):依次生成参数为1到6的(1行6列)6个Poisson随机数第二种方法是针对特殊的分布的语句：一．几何分布随机数（下面的P，m都可以是矩阵）R=geornd(P)（生成参数为P的几何随机数）R=geornd(P,m)（生成参数为P的×m个几何随机数）１R=geornd(P,m,n)（生成参数为P的m行n列的m×n个几何随机数）例如(1)R=geornd(1./2.^(1:6))(生成参数依次为1/2,1/2^2,到1/2^6的6个几何随机数)(2)R=geornd(0.01,[15])(生成参数为0.01的（１行５列）5个几何随机数).二．Beta分布随机数R=betarnd(A,B)（生成参数为A,B的Beta随机数）R=betarnd(A,B,m)（生成×m个数为A,B的Beta随机数）１R=betarnd(A,B,m,n)（生成m行n列的m×n个数为A,B的Beta随机数）.三．正态随机数R=normrnd(MU，SIGMA)（生成均值为MU，标准差为SIGMA的正态随机数）R=normrnd(MU，SIGMA,m)（生成1×m个正态随机数）R=normrnd(MU，SIGMA,m,n)（生成m行n列的m×n个正态随机数）例如(1)R=normrnd(0,1,[15])生成5个正态(0,1)随机数(2)R=normrnd([123;456],0.1,2,3)生成期望依次为[1,2,3;4,5,6],方差为0.1的2×3个正态随机数．四．二项随机数：类似地有R=binornd(N,P)R=binornd(N,P,m)R=binornd(N,p,m,n)例如n=10:10:60;r1=binornd(n,1./n)或r2=binornd(n,1./n,[1 6])（都生成参数分别为11),L,(60,)的６个二项随机数．(10,1060五．自由度为V的χ2随机数：R=chi2rnd(V)R=chi2rnd(V R=chi2rnd(V,m),m,n)六．期望为MU的指数随机数（即Exp随机数）：1MUR=exprnd(MU)R=exprnd(MU,m)R=exprnd(MU,m,n)七．自由度为V1，V2的F分布随机数：R=frnd(V1，V2)R=frnd(V1，V2,m)R=frnd(V1，V2,m,n)八．Γ(A,λ)随机数：R=gamrnd（A,lambda）R=gamrnd（A,lambda,m)R=gamrnd （A,lambda,m,n)九．超几何分布随机数：R=hygernd(N,K,M)R=hygernd(N,K,M,m)R=hygernd(N,K,M,m,n)十．对数正态分布随机数R=lognrnd(MU，SIGMA)R=lognrnd(MU，SIGMA,m)R=lognrnd(MU，SIGMA,m,n)十一．负二项随机数：R=nbinrnd(r,p)R=nbinrnd(r,p,m)R=nbinrnd(r,p,m,n)十二．Poisson随机数：R=poissrnd(lambda)R=poissrnd(lambda,m)R=poissrnd(lambda,m,n)例如，以下3种表达有相同的含义：lambda=2;R=poissrnd(lambda,1,10)（或R=poissrnd(lambda,[110])或R=poissrnd(lambda(ones(1,10)))十三．Rayleigh随机数：R=raylrnd(B)R=raylrnd(B,m)R=raylrnd(B,m,n)十四．V个自由度的t分布的随机数：R=trnd(V)R=trnd(V,m)R=trnd(V,m,n)42十五．离散的均匀随机数：R=unidrnd(N)R=unidrnd(N,m)R=unidrnd(N,m,n)十六．[A,B]上均匀随机数R=unifrnd(A,B)R=unifrnd(A,B,m)R=unifrnd(A,B,m,n)例如unifrnd(0,1:6)与unifrnd(0,1:6,[16])都依次生成[0,1]到[0,6]的６个均匀随机数．:十七．Weibull随机数R=weibrnd(A,B)R=weibrnd(A,B,m)R=weibrnd(A,B,m,n)MATLAB中产生高斯白噪声的两个函数MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。
matlab中随机数生成
matlab中随机数生成无题在MATLAB中，我们可以使用随机数生成函数来生成各种类型的随机数。
这些随机数可以用于模拟实验、数据分析、算法测试等方面。
在这篇文章中，我将介绍一些常用的随机数生成函数，并给出一些实际应用的例子。
一、rand函数rand函数用于生成0到1之间均匀分布的随机数。
例如，我们可以使用rand函数来模拟抛硬币的结果，生成0或1的随机数，其中0表示正面，1表示反面。
下面是一个示例代码：```matlabresult = rand(1, 100); % 生成100个0到1之间的随机数heads = sum(result < 0.5); % 统计正面的次数tails = sum(result >= 0.5); % 统计反面的次数fprintf('正面的次数：%d\n', heads);fprintf('反面的次数：%d\n', tails);```二、randn函数randn函数用于生成服从标准正态分布（均值为0，方差为1）的随机数。
这在统计学中经常用到。
我们可以使用randn函数来模拟一组身高数据，然后计算平均身高和标准差。
下面是一个示例代码：```matlabheights = randn(1, 1000) * 10 + 170; % 生成1000个身高数据，均值为170，标准差为10average_height = mean(heights); % 计算平均身高std_height = std(heights); % 计算标准差fprintf('平均身高：%f\n', average_height);fprintf('身高标准差：%f\n', std_height);```三、randi函数randi函数用于生成指定范围内的整数随机数。
例如，我们可以使用randi函数来模拟投掷骰子的结果，生成1到6之间的整数随机数。
matlab中随机数生成 -回复
matlab中随机数生成-回复如何在MATLAB中生成随机数随机数在MATLAB中被广泛应用于各种科学和工程领域，包括模拟实验、统计分析、数据生成和算法测试等。
本文将一步一步介绍如何在MATLAB 中生成随机数。
步骤一：了解随机数的种类在MATLAB中，有两种类型的随机数：均匀分布随机数和正态分布随机数。
均匀分布随机数是指在一定范围内，每个值出现的概率相等。
正态分布随机数是指符合正态分布概率密度函数的随机数。
步骤二：生成均匀分布随机数在MATLAB中，可以使用rand函数生成均匀分布随机数。
该函数返回一个0到1之间的随机数；如果需要生成某个范围内的随机数，可以通过线性变换实现。
以下是生成0到10之间均匀分布随机数的代码示例：matlabrandom_number = 10 * rand();若需要生成整个矩阵的随机值：matlabrandom_matrix = 10 * rand(m, n);其中m和n分别表示矩阵的行数和列数。
步骤三：生成指定范围的均匀分布随机数如果需要生成一个指定范围内的均匀分布随机数，可以通过线性变换实现。
以下是生成-5到5之间的均匀分布随机数的代码示例：matlabrandom_number = (b - a) * rand() + a;其中a和b分别表示指定范围的起始和结束值。
步骤四：生成正态分布随机数在MATLAB中，可以使用randn函数生成符合标准正态分布的随机数。
标准正态分布随机数的均值为0，方差为1。
以下是生成标准正态分布随机数的代码示例：matlabrandom_number = randn();若需要生成整个矩阵的随机值：matlabrandom_matrix = randn(m, n);步骤五：生成指定均值和方差的正态分布随机数如果需要生成一组具有指定均值和方差的正态分布随机数，可以通过线性变换和标准正态分布随机数实现。
以下是生成具有均值mu和方差sigma 的正态分布随机数的代码示例：matlabrandom_number = sigma * randn() + mu;其中mu和sigma分别表示指定的均值和方差。
matlab 正态分布数据
matlab 正态分布数据什么是正态分布？以及如何使用MATLAB处理正态分布数据。
正态分布，也被称为高斯分布或钟形曲线，是统计学中最常见的分布之一。
它具有一个对称的钟形曲线，由两个参数决定：均值（μ）和标准差（σ）。
正态分布在各个领域都有广泛的应用，如概率论、统计学、金融和自然科学等。
在MATLAB中，我们可以使用各种函数来处理正态分布数据。
下面我们将逐步回答如何使用MATLAB处理正态分布数据。
1. 生成正态分布随机数在MATLAB中，我们可以使用`randn()`函数生成符合标准正态分布（均值为0，标准差为1）的随机数。
如果我们需要生成其他均值和标准差的正态分布随机数，则可以通过简单的数学运算来实现。
下面是一个生成符合(1, 2)均值和标准差的正态分布随机数的示例代码：MATLABmean = 1;std_dev = 2;N = 1000; 随机数个数data = mean + std_dev * randn(N, 1);在上述代码中，我们设置了均值和标准差，并通过`randn()`函数生成了1000个正态分布随机数。
2. 绘制正态分布概率密度函数图像MATLAB提供了`normpdf()`函数用于计算正态分布概率密度函数的值。
通过绘制概率密度函数图像，我们可以更直观地了解正态分布的形状。
下面是一个绘制符合(1, 2)均值和标准差的正态分布概率密度函数图像的示例代码：MATLABmean = 1;std_dev = 2;x = -10:0.1:10; x轴范围y = normpdf(x, mean, std_dev); 计算概率密度函数值plot(x, y);xlabel('x');ylabel('Probability Density Function');title('Normal Distribution PDF');在上述代码中，我们通过设置均值和标准差来计算概率密度函数的值，并使用`plot()`函数绘制了正态分布概率密度函数图像。
MATLAB产生各种分布的随机数
MATLAB产生各种分布的随机数1，均匀分布U（a,b）：产生m*n阶［a，b］均匀分布U（a，b）的随机数矩阵：unifrnd (a,b,m, n)产生一个［a，b］均匀分布的随机数：unifrnd (a,b)2，0-1分布U（0,1）产生m*n阶［０，1］均匀分布的随机数矩阵：rand (m, n)产生一个［０，１］均匀分布的随机数：rand4，二类分布binornd(N,P,mm,nn) 如binornd(10,0.5,mm,nn)即产生mm*nn均值为N*P的矩阵binornd(N,p)则产生一个。
而binornd(10,0.5,mm)则产生mm*mm的方阵，军阵为N*p。
5，产生m*n阶离散均匀分布的随机数矩阵：unidrnd(N,mm,nn)产生一个数值在1-N区间的mm*nn矩阵6，产生mm nn阶期望值为的指数分布的随机数矩阵：exprnd( ,mm, nn)此外，常用逆累积分布函数表函数名调用格式函数注释norminv X=norminv(P,mu,sigma) 正态逆累积分布函数expinv X=expinv(P,mu) 指数逆累积分布函数weibinv X=weibinv(P,A,B) 威布尔逆累积分布函数logninv X=logninv(P,mu,sigma) 对数正态逆累积分布函数Chi2inv X=chi2inv(P,A,B) 卡方逆累积分布函数Betainv X=betainv(P,A,B) β分布逆累积分布函数4.1 随机数的产生4.1.1 二项分布的随机数据的产生命令参数为N，P的二项随机数据函数 binornd格式 R = binornd(N,P) %N、P为二项分布的两个参数，返回服从参数为N、P的二项分布的随机数，N、P大小相同。
R = binornd(N,P,m) %m指定随机数的个数，与R同维数。
R = binornd(N,P,m,n) %m,n分别表示R的行数和列数例4-1>> R=binornd(10,0.5)R =3>> R=binornd(10,0.5,1,6)R =8 1 3 7 6 4>> R=binornd(10,0.5,[1,10])R =6 8 4 67 5 3 5 6 2>> R=binornd(10,0.5,[2,3])R =7 5 86 5 6>>n = 10:10:60;>>r1 = binornd(n,1./n)r1 =2 1 0 1 1 2>>r2 = binornd(n,1./n,[1 6])r2 =0 1 2 1 3 14.1.2 正态分布的随机数据的产生命令参数为μ、σ的正态分布的随机数据函数 normrnd格式 R = normrnd(MU,SIGMA) %返回均值为MU，标准差为SIGMA的正态分布的随机数据，R可以是向量或矩阵。
MATLAB各种概率分布画图
0.8000
pci =
0.5634
0.9427
常用分布的参数估计函数
表4-7参数估计函数表
函数名
调用形式
函数说明
binofit
PHAT= binofit(X, N)
[PHAT, PCI] = binofit(X,N)
[PHAT, PCI]= binofit (X, N, ALPHA)
二项分布的概率的最大似然估计
mean: 0.0565 %平均值
median: 0.1032 %中间值
std: 0.7559 %样本标准差
图4-10
4.6.3最小二乘拟合直线
函数lsline
格式lsline %最小二乘拟合直线
h = lsline %h为直线的句柄
例4-51
>> X = [2 3.4 5.6 8 11 12.3 13.8 16 18.8 19.9]';
9.7652 9.6288
10.5258 10.4766
sigmaci =
1.6745 1.8663
2.2155 2.4693
说明muci，sigmaci中各列分别为原随机数据各列估计值的置信区间，置信度为95%。
例4-63分别使用金球和铂球测定引力常数
（1）用金球测定观察值为：6.683 6.681 6.676 6.678 6.679 6.672
betafit
PHAT =betafit (X)
[PHAT, PCI]= betafit (X, ALPHA)
返回β分布参数a和b的最大似然估计
泊球测定的μ估计值为6.6640，置信区间为[6.6611，6.6669]；
σ的估计值为0.0030，置信区间为[0.0019，0.0071]。
MATLAB产生各种分布的随机数
欢迎共阅?1，??均匀分布U（a,b）：产生m*n阶［a，b］均匀分布U（a，b）的随机数矩阵：unifrnd (a,b,m, n) ??产生一个［a，b］均匀分布的随机数：unifrnd (a,b)2，0-1分布U（0,1）产生m*n阶［０，1］均匀分布的随机数矩阵：rand (m, n)函数binornd格式R = binornd(N,P) %N、P为二项分布的两个参数，返回服从参数为N、P的二项分布的随机数，N、P大小相同。
R = binornd(N,P,m) %m指定随机数的个数，与R同维数。
R = binornd(N,P,m,n) %m,n分别表示R的行数和列数例4-1>> R=binornd(10,0.5)R =3>> R=binornd(10,0.5,1,6)R =8 1 3 7 6 4>> R=binornd(10,0.5,[1,10])R =6 8 4 67 5 3 5 6 2>> R=binornd(10,0.5,[2,3])R =7 5 86 5 6>>n = 10:10:60;机数R =9.7837 10.0627 9.42689.1672???10.1438???10.5955?4.1.3??常见分布的随机数产生?常见分布的随机数的使用格式与上面相同?表4-1??随机数产生函数表?函数名?调用形式?注??????释?Unifrnd?unifrnd?(?A,B,m,n)?[A,B]上均匀分布(连续)?随机数?Unidrnd?unidrnd(N,m,n)?均匀分布（离散）随机数?Exprnd?exprnd(Lambda,m,n)?参数为Lambda的指数分布随机数?Normrnd?normrnd(MU,SIGMA,m,n)?参数为MU，SIGMA的正态分布随机数?chi2rnd?chi2rnd(N,m,n)?自由度为N的卡方分布随机数?Trnd?trnd(N,m,n)?自由度为N的t分布随机数?Frnd?frnd(N1,?N2,m,n)?第一自由度为N1,第二自由度为N2的F分布随机数?gamrnd?gamrnd(A,?B,m,n)?参数为A,?B的?分布随机????2.3567????2.0524????1.8235????2.0342?????1.9887????1.9440????2.6550????2 .3200?????2.0982????2.2177????1.9591????2.0178?4.2??随机变量的概率密度计算?4.2.1??通用函数计算概率密度函数值?命令??通用函数计算概率密度函数值?函数??pdf?格式??Y=pdf(name，K，A)?Y=pdf(name，K，A，B)?Y=pdf(name，K，A，B，C)?说明??返回在X=K处、参数为A、B、C的概率密度值，对于不同的分布，参数个数是不同；name为分布函数名，其取值如表4-2。
matlab中随机数生成
MATLAB中随机数生成1. 引言在MATLAB中，随机数生成是一个非常重要且常用的功能。
它可以用于模拟实验、生成测试数据、进行随机化等多种应用场景。
本文将介绍MATLAB中的随机数生成函数、常见的随机数分布以及一些实际应用示例。
2. 随机数生成函数2.1 rand函数rand函数是MATLAB中最简单也是最常用的随机数生成函数之一。
它可以生成一个0到1之间均匀分布的随机数。
使用方法如下：r = rand % 生成一个0到1之间的随机数2.2 randn函数randn函数可以生成符合标准正态分布（均值为0，方差为1）的随机数。
使用方法如下：r = randn % 生成一个符合标准正态分布的随机数2.3 randi函数randi函数可以生成指定范围内的整数随机数。
使用方法如下：r = randi([a, b]) % 生成一个在[a, b]范围内的整数随机数2.4 randperm函数randperm函数可以生成指定范围内的随机排列。
使用方法如下：r = randperm(n) % 生成1到n的随机排列3. 随机数分布3.1 均匀分布均匀分布是最简单的概率分布之一，表示在一个范围内的随机事件出现概率相等。
在MATLAB中，可以使用rand函数生成均匀分布的随机数。
3.2 正态分布正态分布是自然界中许多现象的统计模型，也称为高斯分布。
在MATLAB中，可以使用randn函数生成符合正态分布的随机数。
3.3 泊松分布泊松分布常用于描述单位时间（或单位面积）内事件发生次数的概率。
在MATLAB 中，可以使用poissrnd函数生成符合泊松分布的随机数。
r = poissrnd(lambda, m, n) % 生成一个大小为m×n、参数为lambda的泊松分布随机数矩阵3.4 负二项分布负二项分布描述了独立重复实验中成功次数达到指定值之前失败次数的概率。
在MATLAB中，可以使用nbinrnd函数生成符合负二项分布的随机数。
matlab中生成0到1之间的高斯分布的随机数
在MATLAB中生成0到1之间的高斯分布的随机数可以通过以下步骤实现：1. 导入MATLAB工具箱在MATLAB中进行任何操作之前，需要确保已经导入了Statistics and Machine Learning Toolbox工具箱，因为高斯分布的生成函数位于该工具箱中。
2. 使用randn函数生成高斯分布随机数在MATLAB中，可以使用randn函数来生成服从标准正态分布（均值为0，标准差为1）的随机数。
对生成的随机数进行线性变换，以使其均值为μ，标准差为σ。
具体操作如下：```matlabmu = 0; 均值sigma = 1; 标准差n = 1000; 生成1000个随机数r = mu + sigma.*randn(n,1); 生成均值为mu，标准差为sigma的高斯分布随机数```在这段代码中，mu表示所需的高斯分布的均值，sigma表示所需的高斯分布的标准差，n表示生成随机数的个数。
通过randn函数生成的随机数将被线性变换为均值为μ，标准差为σ的高斯分布随机数。
3. 调整生成的随机数范围如果需要将生成的随机数范围限定在0到1之间，可以通过线性变换的方法实现。
具体来说，可以使用MATLAB中的min和max函数来实现对随机数范围的调整，如下所示：```matlabr_adj = (r - min(r)) / (max(r) - min(r)); 调整随机数范围为0到1之间```通过这段代码，生成的随机数r将被调整为范围在0到1之间的r_adj。
总结通过以上步骤，就可以在MATLAB中生成0到1之间的高斯分布的随机数。
首先使用randn函数生成服从标准正态分布的随机数，然后通过线性变换调整均值和标准差，最终通过调整随机数范围实现生成0到1之间的高斯分布随机数。
这样的操作可以很好地满足实际需求，并且在MATLAB中具有很高的灵活性和可操作性。
生成高质量的高斯分布随机数在统计学、工程学以及计算机科学等领域中都具有重要的应用。
MATLAB产生各种分布的随机数
MATLAB产生各种分布的随机数1，均匀分布U（a,b）：产生m*n阶［a，b］均匀分布U（a，b）的随机数矩阵：unifrnd (a,b,m, n)产生一个［a，b］均匀分布的随机数：unifrnd (a,b)2，0-1分布U（0,1）产生m*n阶［０，1］均匀分布的随机数矩阵：rand (m, n)产生一个［０，１］均匀分布的随机数：rand4，二类分布binornd(N,P,mm,nn) 如binornd(10,0.5,mm,nn)即产生mm*nn均值为N*P的矩阵binornd(N,p)则产生一个。
而binornd(10,0.5,mm)则产生mm*mm的方阵，军阵为N*p。
5，产生m*n阶离散均匀分布的随机数矩阵：unidrnd(N,mm,nn)产生一个数值在1-N区间的mm*nn矩阵6，产生mm nn阶期望值为的指数分布的随机数矩阵：exprnd( ,mm, nn)此外，常用逆累积分布函数表函数名调用格式函数注释norminv X=norminv(P,mu,sigma) 正态逆累积分布函数expinv X=expinv(P,mu) 指数逆累积分布函数weibinv X=weibinv(P,A,B) 威布尔逆累积分布函数logninv X=logninv(P,mu,sigma) 对数正态逆累积分布函数Chi2inv X=chi2inv(P,A,B) 卡方逆累积分布函数Betainv X=betainv(P,A,B) β分布逆累积分布函数4.1 随机数的产生4.1.1 二项分布的随机数据的产生命令参数为N，P的二项随机数据函数binornd格式R = binornd(N,P) %N、P为二项分布的两个参数，返回服从参数为N、P的二项分布的随机数，N、P大小相同。
R = binornd(N,P,m) %m指定随机数的个数，与R同维数。
R = binornd(N,P,m,n) %m,n分别表示R的行数和列数例4-1>> R=binornd(10,0.5)R =3>> R=binornd(10,0.5,1,6)R =8 1 3 7 6 4>> R=binornd(10,0.5,[1,10])R =6 8 4 67 5 3 5 6 2>> R=binornd(10,0.5,[2,3])R =7 5 86 5 6>>n = 10:10:60;>>r1 = binornd(n,1./n)r1 =2 1 0 1 1 2>>r2 = binornd(n,1./n,[1 6])r2 =0 1 2 1 3 14.1.2 正态分布的随机数据的产生命令参数为μ、σ的正态分布的随机数据函数normrnd格式R = normrnd(MU,SIGMA) %返回均值为MU，标准差为SIGMA的正态分布的随机数据，R可以是向量或矩阵。
MATLAB产生各种分布的随机数
MATLAB产生各种分布的随机数1，均匀分布U（a,b）：产生m*n阶［a，b］均匀分布U（a，b）的随机数矩阵：unifrnd (a,b,m, n)产生一个［a，b］均匀分布的随机数：unifrnd (a,b)2，0-1分布U（0,1）产生m*n阶［０，1］均匀分布的随机数矩阵：rand (m, n)产生一个［０，１］均匀分布的随机数：rand4，二类分布bin ornd(N,P,mm,nn) 如binorn d(10,0.5,mm,nn)即产生mm*nn均值为N*P的矩阵binornd(N,p)则产生一个。
而binornd(10,0.5,mm)则产生mm*mm的方阵，军阵为N*p。
5，产生m*n阶离散均匀分布的随机数矩阵：unidrnd(N,mm,nn)产生一个数值在1-N区间的mm*nn矩阵6，产生mm nn阶期望值为的指数分布的随机数矩阵：exprnd( ,mm, nn)此外，常用逆累积分布函数表函数名调用格式函数注释norminv X=norminv(P,mu,sigma) 正态逆累积分布函数expinv X=expinv(P,mu) 指数逆累积分布函数weibinv X=weibinv(P,A,B) 威布尔逆累积分布函数logninv X=logninv(P,mu,sigma) 对数正态逆累积分布函数Chi2inv X=chi2inv(P,A,B) 卡方逆累积分布函数Betainv X=betainv(P,A,B) β分布逆累积分布函数4.1 随机数的产生4.1.1 二项分布的随机数据的产生命令参数为N，P的二项随机数据函数binornd格式R = binornd(N,P) %N、P为二项分布的两个参数，返回服从参数为N、P的二项分布的随机数，N、P大小相同。
R = binornd(N,P,m) %m指定随机数的个数，与R同维数。
matlab画各种概率分布图像
Matlab画各种概率分布函数曲线help PDFPDF Density function for a specified distribution.Y = PDF(NAME,X,A) returns an array of values of the probability densityfunction for the one-parameter probability distribution specified by NAMEwith parameter values A, evaluated at the values in X.Y = PDF(NAME,X,A,B) or Y = PDF(NAME,X,A,B,C) returns values of theprobability density function for a two- or three-parameter probabilitydistribution with parameter values A, B (and C).The size of Y is the common size of the input arguments. A scalar inputfunctions as a constant matrix of the same size as the other inputs. Eachelement of Y contains the probability density evaluated at thecorresponding elements of the inputs.Acceptable strings for name are:∙'beta' (Beta distribution)∙'bino' (Binomial distribution)二项分布∙'chi2' (Chi-square distribution)卡方分布∙'exp' (Exponential distribution)指数分布∙'ev' (Extreme value distribution) 极值分布∙'f' (F distribution) 费雪分布∙'gam' (Gamma distribution) 伽马分布∙'gev' (Generalized extreme value distribution)∙'gp' (Generalized Pareto distribution) 极值分布函数∙'geo' (Geometric distribution)几何分布∙'hyge' (Hypergeometric distribution) 超几何分布∙'logn' (Lognormal distribution) 对数正态分布∙'nbin' (Negative binomial distribution) 负二项分布∙'ncf' (Noncentral F distribution) 非中心F分布∙'nct' (Noncentral t distribution)非中心t分布∙'ncx2' (Noncentral chi-square distribution) 非中心卡方分布∙'norm' (Normal distribution) 正态分布∙'poiss' (Poisson distribution) 泊松分布∙'rayl' (Rayleigh distribution) 瑞利分布∙'t' (t distribution) t分布∙'unif' (Uniform distribution) 均匀分布∙'unid' (Discrete uniform distribution) 离散均匀分布∙'wbl' (Weibull distribution)韦伯分布。
MATLAB正态分布的随机数据的产生
MATLAB正态分布的随机数据的产生
命令参数为μ,σ的正态分布的随机数据
函数normrnd
格式:
R = normrnd(MU,SIGMA) %返回均值为MU,标准差为SIGMA的正态分布的随机数据,R可以是向量或矩阵.
R = normrnd(MU,SIGMA,m) %m指定随机数的个数,与R同维数.
R = normrnd(MU,SIGMA,m,n) %m,n分别表示R的行数和列数
注意:在MATLAB中产生正态分布的参数分别为均值和标准差.在仿真的时候很容易将标准差用方差代替,造成仿真结果数据与期望的差别较大。
因为自己吃了这个亏,所以在这里特别说明。
一方面提醒自己不要犯类似的错误,也给其他人一个提醒.
例:
>>n1 = normrnd(1:6,1./(1:6))
n1 =
2.1650 2.3134
3.0250
4.0879 4.8607 6.2827
>>n2 = normrnd(0,1,[1 5])
n2 =
0.0591 1.7971 0.2641 0.8717 -1.4462
>>n3 = normrnd([1 2 3;4 5 6],0.1,2,3) %mu为均值矩阵
n3 =
0.9299 1.9361 2.9640
4.1246
5.0577 5.9864
>> R=normrnd(10,0.5,[2,3]) %mu为10,sigma为0.5的2行3列个正态随机数
R =
9.7837 10.0627 9.4268
9.1672 10.1438 10.5955。