3 M% f6 z7 `; ]- g% W
随机数序列在数值分析和概率统计中占有非常重要的地位,因为使用蒙特卡罗模拟方法的前提就是要求很多足够多的,真正的随机数。matlab是基于某种算法,通过rand函数来产生随机数的。从随机数的定义看,rand函数产生的序列不是随机数,是伪随机数。但我们在使用蒙特卡罗模拟方法算法时,不可能成千上万次的去投掷硬币来产生随机数,所以要考察matlab产生的伪随机数能不能当随机数使用。 + L: S, p: i j8 S: `6 v, X) B0 t
考察的方法是: : ?/ _, p# E8 c6 U3 |8 X
1:利用rand函数产生200个伪随机数,分别统计出有多少个伪随机数小数点后的5位数字中奇数出现的频数为0,有多少个伪随机数小数点后的5位数字中奇数出现的频数为1,有多少个伪随机数小数点后的5位数字中奇数出现的频数为2,一直统计到有多少个伪随机数小数点后的5位数字中奇数出现的频数为5。 这样就获得一个包含6个元素的行向量s,其元素依次为小数点后5位包含奇数个数为0或1或2……或5的伪随机数的个数。 7 s7 J0 ~6 Z/ p+ [
2:给出两组源于实际观测的数据。一组是记录某个医院相继出生的1000个婴儿的随机序列,记5个连续出生的婴儿为一组,这样共有200组,统计分别含有0,1,2……5个男婴的组数,获得向量a;另一组是从一个装有500黑球和500个白球的口袋里,每次有放回的抽取一个球,供抽取1000次,记连续抽样5次为一组,这样共有200组,统计分别含有0,1,2……5个白球的组数,获得向量b。
) X8 O; e% X3 _- N# U1 y 3:对向量a,b,s进行自由度为5卡方检验,分别获得以向量a,b,s为代表的三组数据的χ2值。 # Z7 v/ |: z; t; K3 {0 H" O
4:将上述步骤重复1000次,每次向量a,b都是不变的,但每次的s向量都不同。
% n8 N; M1 K+ } 5:计算1000组s对应的1000个χ2值的最大值,最小值,平均值,对1000组a,b同样如此。 . C, R# l/ C& O, x$ m" H+ `( H; ~
6:如果假设显著水平为0.05,那么自由度为5的χ2分布临界值是11.1,所以还要计算1000组s对应的1000个χ2值中大于11.1的数值所占的分率。 & r+ X: @1 f6 j% n2 i
总结果如下:
+ Z& B% Z+ e' @3 C7 J! V8 X7 e( t a b s(基于matlab)
& Q$ Y3 \9 L1 H; J3 V平均值:2.2240 5.0400 5.0038
8 Z) l5 ^. G3 N1 c& q/ G, H 最大值:2.2240 5.0400 19.3760 3 k. u! e( R4 _& g
最小值: 2.2240 5.0400 0.2560 : O1 D( G3 J. j6 z' I* a" V
1000个χ2值中大于11.1的数值所占的分率
) r' U3 W' c" c6 t5 w" vx = 0.0520
( @( F: g* z; \" {' H 从平均值的计算结果看,matlab产生的伪随机数的随机程度和从口袋摸球相当,所以随机性满足要求。 $ P7 j9 u! X5 L2 P/ q w
从最大值结果看,基于matlab的伪随机序列产生的χ2值最大达到19.3760,大于显著水平0.05,自由度为5的χ2分布的临界值,似乎有些序列不够随机。但考虑到χ2分布中,总有0.05的概率,使得χ2值大于11.1,所以验算了基于matlab的伪随机序列产生的χ2值中大于11.1的数值占的分率,这个分率是0.0520,非常接近0.05。
$ ]& W+ c! M# M, c: B 所以,matlab产生的伪随机序列可以作为真正的随机序列使用。 5 d2 q1 M; ]" P" V( G2 \
matlab程序如下: ' D, Y6 K7 y' y
2 }6 A! v/ M% Z$ ~0 }clear rr=[]; for l=1:1000 p=[]; rand(\'seed\',prod(clock)) r=fix(rand(200)*100000); for i=1:length(r) m=r(i); s=[]; for j=1:5 s=[s rem(m,10)]; m=round((m-rem(m,10))/10); end p=[p;s]; end s=zeros(1,6); for i=1:size(p,1) k=length(find(rem(p(i, ,2*ones(1,size(p,2))))); s(k+1)=s(k+1)+1; end a=[5 27 64 65 30 9]; b=[4 34 65 70 22 5]; c=[]; for i=0:5 p=combine_m(5,i)*0.5^i*0.5^(5-i); c=[c 200*p]; end ka2=sum([([a;b;s]-[c;c;c]).^2./[c;c;c]]\'); rr=[rr;ka2]; end ave=mean(rr) mx=max(rr) mi=min(rr) x=length(find(rr(:,3)>11.1))/length(rr(:,3)) |