Random 生成；“太完美了”；随机数

一个好的RNG应该通过几个随机性的统计测试。例如，0到1范围内的均匀实值可以分为一个直方图，每个直方图中的计数大致相等，由于统计波动，给出或获取一些。这些计数服从某种分布，我不记得它是泊松分布还是二项式分布，但在任何情况下，这些分布都有尾巴。同样的想法也适用于相关性测试、微妙的周期性测试等

高质量的RNG偶尔会在统计测试中失败。对看起来完美的RNG持怀疑态度是一个很好的建议

好吧，我疯了，我想生成（重复性地）“太完美”的随机数，这些随机数在统计指标的随机波动中可疑地缺乏。直方图太平缓，移动框平均值的方差太小，相关性可疑地接近于零，等等。寻找过干净地通过所有统计测试的RNG。已知的RNG是什么样的？有关于这个想法的公开研究吗

一个不可接受的答案是：一些较差的线性同余计数器生成器的分布过于平坦，但完全不通过大多数随机性测试

---

与此相关的是产生具有已知校准缺陷量的随机数流。分布中的一块很容易——只需生成一个近似于想法的非均匀分布（例如，请参见），但在保持正确或过于完美的分布的同时引入校准的高阶相关性又如何

您可以尝试以下方法：

numbers = [1, 2, 3, 4, 5, 6] * 100
random.shuffle(numbers)

---

要获得具有完美均匀分布的随机序列。

您可以尝试以下方法：

numbers = [1, 2, 3, 4, 5, 6] * 100
random.shuffle(numbers)

---

获得完全均匀分布的随机序列。

根据定义，伪随机数生成器（PRNG）不能生成真正的随机数。无论您使用什么技巧生成伪随机序列，都存在一个测试，通过显示实际的非随机性来揭示该技巧。

根据定义，PRNG（伪随机数生成器）无法生成真正的随机数。无论您使用什么技巧生成伪随机序列，都存在一个测试，通过显示实际的非随机性来暴露该技巧。

您不能。如果在一次测试中是平坦的，这意味着在另一次测试中失败，因为平坦度表明它不是随机的。

你不能。如果在一次测试中是平坦的，这意味着在另一次测试中失败，因为平坦度表明它不是随机的。

显然，Mersenne捻线机，一种常用的随机数发生器，由于“太随机”而使测试失败。换句话说，在真正的随机性下，某些测试总是过于接近其预期值

显然，Mersenne捻线机，一种常用的随机数发生器，由于“太随机”而未能通过测试。换句话说，在真正的随机性下，某些测试总是过于接近其预期值

我想你要找的可能是一份工作。一个准随机序列以一种自我回避的方式抖动，不像一个随机序列那样聚集。当你看到有多少点落在不同的箱子里时，与随机序列相比，分布会“太好”

---

另外，这篇文章可能与此相关：。

我认为您正在寻找的可能是一个。一个准随机序列以一种自我回避的方式抖动，不像一个随机序列那样聚集。当你看到有多少点落在不同的箱子里时，与随机序列相比，分布会“太好”

此外，这篇文章可能也很有意义：。

研究小组的成员对RNG有着持久的兴趣，并且能够测量随机性的程度。我在寻找PRNG测试的老顽固套件时发现了这一点

研究所的人对RNG也有持久的兴趣，但他们不会告诉你太多。

研究所的人对RNG有持久的兴趣，并且能够测量随机性的程度。我在寻找PRNG测试的老顽固套件时发现了这一点

---

研究小组的成员们对RNG也有着持久的兴趣，但他们不会告诉你太多。

如果你希望生成一组随机数，同时与一组相关性相关联，你可能需要研究Cholesky分解。我猜想，从这里你只需要一个简单的转换就可以生成“太完美”的随机数。

如果你希望生成一组随机数，同时与一组相关性相关联，你可能需要研究Cholesky分解。我猜想，从这里开始，你只需要一个简单的转换就可以生成“太完美”的随机数。

你的问题对我来说听起来很数学化，也许你的同事也能帮上忙。p！PRNG。或者你生活在一种罪恶的状态中。我相信通过类似的分析发现了一些学术欺诈的案例。数据的分布正好适合特定分布的特定PRNG的输出。你的问题对我来说听起来很数学化，也许在的人也能帮上忙。P！PRNG。或者你生活在一种罪恶的状态中。我相信通过类似的分析发现了一些学术欺诈的案例。数据的分布正好符合特定分布的特定PRNG的输出。cholesky与随机数有什么关系？假设你有两组随机生成的数字，你希望有一定的相关性。首先，定义您希望数字来自的协方差矩阵（这是一个2x2矩阵）。然后，对协方差矩阵执行Cholesky分解。您可以将这两个集合（例如，由高斯分布生成）放置在nx2矩阵中。将生成的数字乘以进行分解的协方差矩阵。有趣的是，我不会想到这一点。cholesky做了什么