生成Gamma分布随机数的语法是： gamrnd(A,B,[M,N,P,...])
11．lognrnd()
生成服从对数正态分布的随机数。其有两个参数：mu和sigma，服从这个这样的随机数取对数后就服从均值为mu，标准差为sigma的正态分布。下图是mu=-1, sigma=1/1.2的对数正态分布的PDF图形。
生成对数正态分布随机数的语法是： lognrnd(mu,sigma,[M,N,P,...])
12．raylrnd()
生成服从瑞利（Rayleigh）分布的随机数。其分布有1个参数：B。下图是B=2的瑞利分布的PDF图形。
生成瑞利分布随机数的语法是： raylrnd(B,[M,N,P,...])
13．wblrnd()
生成服从威布尔（Weibull）分布的随机数。其分布有2个参数：scale 参数 A和shape 参数 B。下图是A=3，B=2的Weibull分布的PDF图形。
生成Weibull分布随机数的语法是： wblrnd(A,B,[M,N,P,...])
还有非中心卡方分布(ncx2rnd)，非中心F分布(ncfrnd)，非中心t分布（nctrnd)， 括号中是生成服从这些分布的函数，具体用法用：
help 函数名
查找。
c. 离散型分布随机数
离散分布的随机数可能的取值是离散的，一般是整数。 14．unidrnd()
此函数生成服从离散均匀分布的随机数。Unifrnd是在某个区间内均匀选取实数（可为小数或整数），Unidrnd是均匀选取整数随机数。离散均匀分布随机数有1个参数：n, 表示从{1, 2, 3, ... N}这n个整数中以相同的概率抽样。基本语法：
unidrnd(n,[M,N,P,...])
这些随机数排列成M*N*P... 多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：
unidrnd(5,5,1) %生成5个随机数排列的列向量，一般用这种格式 unidrnd(5,5) %生成5行5列的随机数矩阵
unidrnd(5,[5,4]) %生成一个5行4列的随机数矩阵
%注：上述语句生成的随机数所服从的参数为(10,0.3)的二项分布 生成的随机数大致的分布。 x=unidrnd(9,100000,1); hist(x,9);
可见，每个整数的取值可能性基本相同。 15．binornd()
此函数生成服从二项分布的随机数。二项分布有2个参数：n,p。考虑一个打靶的例子，每枪命中率为p，共射击N枪，那么一共击中的次数就服从参数为（N,p）的二项分布。注意p要小于等于1且非负，N要为整数。基本语法：
binornd(n,p,[M,N,P,...])
生成的随机数服从参数为(N,p)的二项分布，这些随机数排列成M*N*P... 多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：
binornd(10,0.3,5,1) %生成5个随机数排列的列向量，一般用这种格式 binornd(10,0.3,5) %生成5行5列的随机数矩阵
binornd(10,0.3,[5,4]) %生成一个5行4列的随机数矩阵
%注：上述语句生成的随机数所服从的参数为(10,0.3)的二项分布 生成的随机数大致的分布。 x=binornd(10,0.45,100000,1); hist(x,11);
我们可以将此直方图解释为，假设每枪射击命中率为0.45，每论射击10次，共进行10万轮，这个图就表示这10万轮每轮命中成绩可能的一种情况。
16．geornd()
此函数生成服从几何分布的随机数。几何分布的参数只有一个：p。几何分布的现实意义可以解释为，打靶命中率为p，不断地打靶，直到第一次命中目标时没有击中次数之和。注意p是概率，所以要小于等于1且非负。基本语法：
geornd(p,[M,N,P,...])
这些随机数排列成M*N*P... 多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：
geornd(0.4,5,1) %生成5个随机数排列的列向量，一般用这种格式 geornd(0.4,5) %生成5行5列的随机数矩阵
geornd(0.4,[5,4]) %生成一个5行4列的随机数矩阵
%注：上述语句生成的随机数所服从的参数为(0.4)的二项分布 生成的随机数大致的分布。 x=geornd(0.4,100000,1); hist(x,50);
17．poissrnd()
此函数生成服从泊松(Poisson)分布的随机数。泊松分布的参数只有一个：lambda。此参数要大于零。基本语法：
geornd(p,[M,N,P,...])
这些随机数排列成M*N*P... 多维向量。如果只写M，则生成M*M矩阵；如果参数为[M,N]可以省略掉方括号。一些例子：
poissrnd(2,5,1) %生成5个随机数排列的列向量，一般用这种格式 poissrnd(2,5) %生成5行5列的随机数矩阵
poissrnd(2,[5,4]) %生成一个5行4列的随机数矩阵
%注：上述语句生成的随机数所服从的参数为(2)的泊松分布 生成的随机数大致的分布。 x=poissrnd(2,100000,1); hist(x,50);
其他离散分布还有超几何分布(Hyper-geometric, 函数是hygernd)等，详细见Matlab帮助文档。
（六）特殊连续分布
这里我将Matlab中没有对应函数的分布称为特殊分布。有多种方法可以用于生产服从这些分布的随机数。这里主要介绍两种最常见的。
1．逆CDF函数法
如果我们已知某特定一维分布的CDF函数，经过如下几个步骤即可生成符合该分布的随机数。（其中数学推导等在此处略去，详见相关数学书籍）
1. 计算CDF函数的反函数：
2. 生成服从(0,1)区间上均匀分布的初始随机数a
3. 令x=，则x即服从我们需要的特定分布的随机数。
为了更形象解说这种方法，这里选取柯西（Cauchy）分布作为例子。有时也称其为洛仑兹分布或者 Breit-Wigner 分布。柯西分布有一大特点就是，它是肥尾（Fat-tail，又译作胖尾）分布。在金融市场中，肥尾分布越来越受到重视，因为在传统的正态分布基本不考虑像当前次贷危机等极端情况，而肥尾分布则能很好地将很极端的情形考虑进去。
上图是Cauchy 分布和标准正态分布PDF图对比，看看是不是Cauchy分布的尾巴（x轴两端）更“胖”一点？
柯西分布的PDF函数是：
简化起见我们只考虑x0=0, γ=1情形。此时PDF函数是：
PDF函数对x作积分，就得到CDF函数（推导过程略）：
现在我们套用这三个步骤来生成服从Cauchy分布的随机数：
1. 计算得到Cauchy分布CDF函数的反函数为：
2. 使用rand()函数生成（0，1）区间上均匀分布的初始随机数。我习惯一次生成一堆这种随机数。
original_x=rand(1,100000);
3. 将初始随机数代入CDF反函数即可得到我们需要的Cauchy随机数。。 cauchy_x=tan((original_x-1/2)*pi);
上面这两句代码结合起来就生成了10万个服从参数为(x0=0, γ=1)Cauchy分布的随机数。
这种方法生成随机数与Cauchy分布有多大相似之处呢？这里有一个图可以说明：
蒙特卡罗算法与matlab(精品教程)
