R 对于某些函数及其输入，何时以及为什么不对随机数生成器进行采样？

在我之前的一篇文章中，我了解到在

rbinom（）

函数中，当

p=1

或

p=0

时，随机数生成器不进行采样。在给定某些输入的情况下，如果没有对随机数生成器进行采样，是否还有其他功能需要注意？我询问的原因是，尽管使用了固定种子，但在与这些输出变量无关的参数发生变化后，某些变量的模拟输出在模拟之间不是恒定的

我正在使用的R版本：

> R.version
               _                           
platform       x86_64-w64-mingw32          
arch           x86_64                      
os             mingw32                     
system         x86_64, mingw32             
status                                     
major          3                           
minor          6.1                         
year           2019                        
month          07                          
day            05                          
svn rev        76782                       
language       R                           
version.string R version 3.6.1 (2019-07-05)
nickname       Action of the Toes    

---

这是一个相当广泛的问题，因为在R中使用RNG有很多不同的方法。很难看出任何答案都是权威和全面的

但是，可以帮助您创建一个函数来测试是否在某个调用中调用RNG：

---

调用\u RNG关于R生成随机数的方法，您可能会关心的一个问题是，R使用的伪随机生成器（PRNG）是全局的，但可以重新设定种子（使用set.seed）以获得可重复的“随机性”

据我所知，
rnorm
、
runif
、
rpois
等算法的文档化程度不允许您了解每种方法在何种情况下推进R的全局PRNG的程度。要了解每种方法的精确算法，请查看R的源代码。然而，事实上，全局PRNG可以为可重复的“随机性”重新设定种子，这意味着，在某种意义上，PRNG的算法不可能在不影响向后兼容性的情况下轻易改变。另请参见与您的问题相关的答案：

即便如此，对PRNG使用全局状态也是有问题的，特别是当全局种子可以在PRNG用户背后更改时。（另请参阅。）更好的方法是R使用轻量级PRNG对象，这些对象单独播种，并传递这些对象（例如，我们将有
rnorm（rng，mean，stdev）
），不同类型的PRNG对象可以实现不同的PRNG算法和/或不同的随机变量生成算法（即，
rnorm
、
runif
等的不同版本）

以下是一些解决您在上一个问题中潜在问题的方法：


考虑一下“”的技术，您可以在此网站上搜索它
将对
rnorm
、
rpois
等的调用替换为调用
runif
生成统一随机数的自定义方法，然后通过反转将该数转换为所需的分布（请参见“”）
将对
rnorm
、
rpois
等的调用替换为调用
runif
生成统一随机数的自定义方法，然后将该数字用作本地（非全局）的种子伪随机生成器，它反过来用于从所需的分布生成变量。JAX中使用了类似的东西，尤其是它的PRNGKey类

请注意，最后两个建议适用于您的目的，假设无论何种情况，
runif
始终绘制固定数量的随机位。
rpois（…，0）
，
rnorm（…，0，0）
等等。我认为，只要您的模拟遇到一些边界条件，您就可能遇到此类问题。