Nombres aléatoires avec Gaussien et des Distributions Uniformes dans matlab

Je veux générer un certain nombre de Gaussiennes et des distributions Uniformes dans matlab.
Je sais que cette fonction randi et rand() mais tous sont dans la normale (Gaussienne) de distribution. Comment générer un nombre aléatoire à distribution uniforme?

Une distribution normale est une distribution Gaussienne.
J'ai réussi à lire dans votre esprit dans la mise à jour de réponse ?
tnx pour votre attention, oui je l'ai lu

OriginalL'auteur Yusef Mohamadi | 2012-12-12

  1. 14

    Utilisation rand(dimensions) pour un Distribution Uniforme entre 0 et 1.

    Utilisation randn(dimensions) * sqrt(sigma) + mu pour un Distribution Gaussienne avec une moyenne de mu et de la variance de sigma.

    Nombres aléatoires avec Gaussien et des Distributions Uniformes dans matlab

    Nombres aléatoires avec Gaussien et des Distributions Uniformes dans matlab

    randnrm n'est pas valide, la fonction dans matlab 2011 🙁
    Ok, juste mis à jour et testé sur r2011a.
    L'écart type et la variance sont des choses différentes, la réponse est actuellement mal. Il y a une autre réponse qui est correcte.
    Correction d'une erreur dans la version antérieure, devrait être bon maintenant.
    puis-je poser une question. Je veux le nombre aléatoire dans l'intervalle (0,1), alors que j'essaie randn() * sqrt(1) + 0. Je suis numéro lager de 1, et certains nombre négatif -2, -3. Quel est le problème?

    OriginalL'auteur supyo

  2. 7

    randn est la fonction pour générer Gaussien distribué des variables (randi et rand produire uniformément répartie).

    non, si vous essayer de l'aider randn dans matlab 2011 voir cette aide randn RANDN Normalement distribué des nombres pseudo-aléatoires. R = RANDN(N) retourne le N-par-N de la matrice contenant les valeurs pseudo-aléatoires tirés de la distribution normale standard. RANDN(M,N) ou RANDN([M,N]) retourne une M-par-N de la matrice. RANDN(M,N,P,...) ou RANDN([M,N,P,...]) retourne une M-par-N-en-P-par-... tableau. RANDN retourne un scalaire. RANDN(SIZE(A)) retourne un tableau de la même taille que l'A. Remarque: La taille des entrées M, N, P, ... doivent être des entiers non négatifs. Les entiers négatifs sont traités comme des 0.
    Oui. Signifie normalement "Gaussien". Vous souhaitez rand et randn, comme d'autres l'ont dit.
    distribution normale est aussi appelée distribution Gaussienne.

    OriginalL'auteur Jonas

  3. 5

    Vous pouvez générer une distribution de rand().

    Par exemple , disons que vous voulez générer plus de 100000 échantillons de rayleigh dist.La manière de faire cela est que vous inversez la cdf de cette fonction particulière.L'idée de base est que, depuis le cdf doit être entre 0 et 1 , on peut trouver la valeur de la variable aléatoire par la saisie de la valeur de la cdf b/w 0 et 1. Afin de rayleigh, il serait

    for i = 1:100000
  data(i) = (2*sigma^2 *(-(log(1 - rand(1,1)))))^.5;
end

    Vous pouvez faire quelque chose de similaire pour la distribution gaussienne.

    En une seule ligne: sigma = 3; tmp = (2*sigma^2 *(-(log(1 - rand(1e6, 1))))).^.5; hist(tmp, 100) .

    OriginalL'auteur raj

  4. 3

    Congrulations, vous avez déjà la génération de nombres pseudo-aléatoires avec une distribution gaussienne. Distribution normale est un synonyme pour elle.

    La seule autre interprétation possible, je peux obtenir à partir de votre question, c'est que vous voulez quelque chose qui a moyenne de != 0 et/ou la variance != 1. Pour ce faire, il vous suffit d'effectuer mean + sqrt(var) * randn(X).

    pease générer pour moi sur le numéro avec uniforme et une autre avec gaussin distribue. tnx
    Vous avez besoin de chercher vos livres, ou d'autres sources. Avez-vous lu la première phrase de ma réponse ? Ils sont synonymes, c'est à dire, ils sont la même chose.
    oui je l'ai lu, je veux distribue 2, 1:gaussienne(normale ) ,2:uniforme
    Ok, un uniform est obtenue par les les fonctions vous avez déjà posté. Ensuite, vous avez demandé une normal et gaussian, qui sont la même chose. Si vous savez déjà comment générer un uniform, et normal/gaussian, quoi d'autre est à gauche ?

    OriginalL'auteur mmgp

  5. 2

    La suite de raj réponse: en utilisant le de Box-Muller Transformer vous pouvez générer indépendant norme Normal/Gaussien nombres aléatoires:

    N = 1e6; z = sqrt(-2*log(rand(N, 1))) .* cos(2*pi * rand(N, 1)); figure; hist(z, 100)
N = 1e6; z = sqrt(-2*log(rand(N, 1))) .* sin(2*pi * rand(N, 1)); figure; hist(z, 100)

    Si vous souhaitez appliquer le Inverse de la Méthode de Transformation, vous pouvez utiliser l'Inverse de la Fonction d'Erreur Complémentaire (erfcinv):

    N = 1e6; z = -sqrt(2) * erfcinv(2 * rand(1e6, 1)); figure; hist(z, 100)

    Mais j'espère randn fonctionne mieux.

    OriginalL'auteur randomatlabuser

  6. 1

    Il est vrai que vous pouvez générer à peu près tout à partir de rand mais qu'il n'est pas toujours pratique, surtout pour certains compliqué distributions.

    MATLAB a introduit Distribution De Probabilité Des Objets qui en font un beaucoup plus facile et vous permettre d'accéder de manière transparente mean, var, truncate, pdf, cdf, icdf (transformation inverse), median, et d'autres fonctions.

    Vous pouvez ajuster une distribution de données. Dans ce cas, nous utilisons makedist à définir la distribution de probabilité de l'objet. Ensuite, nous pouvons générer à l'aide de random.

    % Parameters
mu = 10; 
sigma = 3;
a = 5; b = 15;
N = 5000;

% Older Approaches Still Work
rng(1775)
Z = randn(N,1);    % Standard Normal  Z~N(0,1)
X = mu + Z*sigma;  % X ~ Normal(mu,sigma)

U = rand(N,1);     % U ~ Uniform(0,1)
V = a + (b-a)*U;   % V ~ Uniform(a,b)

% New Approaches Are Convenient
rng(1775)
pdX = makedist('Normal',mu,sigma);
X2 = random(pdX,N,1);

pdV = makedist('Uniform',a,b);
V2 = random(pdV,N,1);

    Un exemple reproductible:

    Nombres aléatoires avec Gaussien et des Distributions Uniformes dans matlab

    Support = (0:0.01:20)';
figure 
s(1) = subplot(2,2,1)
h(1) = histogram(X,'Normalization','pdf')
xlabel('Normal')
s(2) = subplot(2,2,2)
h(2) = histogram(V,'Normalization','pdf')
xlabel('Uniform')
s(3) = subplot(2,2,3), hold on, box on
h(3) = histogram(X2,'Normalization','pdf')
plot(Support,pdf(pdX,Support),'r-','LineWidth',1.2)
xlabel('Normal (new)')
s(4) = subplot(2,2,4), hold on, box on
h(4) = histogram(V2,'Normalization','pdf')
plot(Support,pdf(pdV,Support),'r-','LineWidth',1.2)
xlabel('Uniform (new)')
xlim(s,[0 20])

    Références:

    Distribution Uniforme

    Normale (Gaussienne) De Distribution

    OriginalL'auteur SecretAgentMan