Enable JavaScript to interact with content and submit forms on Wolfram websites. Learn how

RandomPointConfiguration

RandomPointConfiguration[pproc,reg]

根据观察区域 reg 中的空间点过程 pproc 生成伪随机空间点布局.

RandomPointConfiguration[pproc,reg, n]

生成 n 个空间点布局的综合体.

更多信息和选项

RandomPointConfiguration 接受点过程 pproc 并以 SpatialPointData 对象的形式生成点布局.
每次运行 Wolfram 语言时，RandomPointConfiguration 会给出不同的伪随机点布局. 可通过使用 SeedRandom 从特定种子开始.
相同的过程可以生成包含不同布局的综合体.
观察区域 reg 不应含有参数且 SpatialObservationRegionQ 的结果为真.
可给出以下选项：
Method Automatic 使用什么方法

WorkingPrecision MachinePrecision 内部计算使用的精度
如果设置 WorkingPrecisionp，将生成精度为 p 的随机数.
在各个点过程的参考页面可看到 Method 的特殊设置.
Method 的常见设置包括：
"MCMC" 马尔科夫链蒙特卡罗生灭法

"Thinning" 随机稀化

"Exact" 从过去出发的耦合

范例

打开所有单元关闭所有单元

基本范例 (2)

泊松点过程的样本：

二项式点过程的 5 个样本：

范围 (5)

RandomPointConfiguration 返回一个 SpatialPointData 对象：

获取点的位置列表：

在矩形中模拟 Strauss 点过程：

获取中心在 {2,3} 的单位圆盘上的点：

可视化平面上的点：

用模拟的点布局估算点过程的参数：

仿真柯西点过程：

根据抽样点布局估算 Ripley's 函数，并将其与理论函数进行比较：

在同一区域上模拟 4 个布局的综合：

每个布局的点数：

可视化每个布局的点的分布：

选项 (3)

Method (2)

用不同的方法从 InhomogeneousPoissonPointProcess 采样：

使用方法 "Thinning"：

使用马尔可夫链蒙特卡罗法 "MCMC"：

可视化区域中的样本：

用马尔可夫链蒙特卡罗法 "MCMC" 从 Gibbs 点过程采样，迭代次数等于 30000：

WorkingPrecision (1)

生成具有默认机器精度的点布局样本：

用 WorkingPrecision 生成精度更高的点布局样本：

应用 (2)

根据样本估计 PoissonPointProcess 的密度：

强度估算：

比较非均匀泊松点过程的预期点数和平均点数：

顶部