服从Gaussian分布的近似随机数生成算法

服从Gaussian分布的近似随机数生成算法

作者: ProjectDaedalus | 来源:发表于2020-03-07 15:06 被阅读0次

中心极限定理是概率论中的一组定理，研究的是大量相互独立的随机变量之和在什么样的条件下会收敛于正态分布。我们利用林德伯格-列维（Lindeberg-Levy）中心极限定理，可以通过服从均匀分布的随机数生成服从高斯分布的随机数生成算法

figu.png

林德伯格-列维中心极限定理

具有有限期望和方差(不为0)的独立同分布的随机变量之和，经过标准化后，其分布收敛于标准正态分布

令随机变量 $X_1, X_2, … , X_n$ 独立同分布，且具有有限的期望和方差 $E(X_i) = \mu, D(X_i) = \sigma^2 \neq 0 \quad (i = 1,2, .., n)$

记
$Y = \frac{ \sum_{i=1}^{n} X_i - n\mu }{\sqrt{n} \sigma } \tag{1}$
则

$\lim_{n \to \infty} P(Y \leq a) = \Phi(a)$
其中 $\Phi(a)$ 是标准正态分布的分布函数

生成服从Gaussian分布的近似随机数

标准正态分布

根据上文，我们可以得知，取多次指定分布下的随机数，然后经过求和、标准化后，即可使得该随机数满足标准正态分布

这里我们取容易获得的均匀分布 $X_n \sim U(0,1)$ 为例，则易知：

$E(X_i) = 1/2, D(X_i) = 1/12$

则根据 $(1)$ 式可得，所需的服从标准正态分布的随机变量 $Y$ :
$Y = \sqrt(\frac{12}{n}) (\sum_{i=1}^{n}X_n - \frac{n}{2}) \sim N(0,1)$
在有些算法的实现源码可以看到 $n$ 取值12，其原因就在这里根号正好可以消去。 $n$ 越大，其精度越高

普通高斯分布

一般高斯分布 $Z \sim N( \mu_2, \sigma_2 )$ 和标准正态分布 $Y \sim N(0, 1)$ 的转换公式如下：
$Y = \frac{Z-\mu_2}{\sigma_2} \tag{2}$
则可以用 $(2)$ 式获得指定的高斯分布

相关文章

网友评论

本文标题：服从Gaussian分布的近似随机数生成算法

本文链接：https://www.haomeiwen.com/subject/ooscdhtx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

栏目导航

数据结构和算法分析

热点阅读

算法

数据结构和算法分析

关于我们|服务条款|联系我们|服从Gaussian分布的近似随机数生成算法|投稿指南|网站地图|RSS订阅|排版工具|手机版

提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网版权所有

备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！