标签：Python 生成 discrete vec 0.05 随机变量 prob 逆变换
目标
在仿真理论中，生成随机变量是最重要的“构建块”之一，而这些随机变量大多是由均匀分布的随机变量生成的。其中一种可以用来产生随机变量的方法是逆变换法。在本文中，我将向您展示如何使用Python中的逆变换方法生成随机变量(包括离散和连续的情况)。
概念
给定随机变量U，其中U在（0,1）中均匀分布。 假设我们要生成随机变量X，其中累积分布函数（CDF）为
逆变换方法的思想是通过如下使用其逆CDF从任何概率分布中生成一个随机数。
对于离散随机变量，步骤略有不同。假设我们想生成一个离散随机变量X的值，它具有一个概率质量函数(PMF)
为了生成X的值，需要生成一个随机变量U，U在（0,1）中均匀分布，并且定义
通过以上步骤，我们可以按如下方法创建逆变换方法的算法。
连续随机数代码实现
首先，我们实现此方法以生成连续随机变量。 假设我们要模拟一个随机变量X，该变量遵循均值λ（即X〜EXP（λ））的指数分布。 我们知道指数分布的概率分布函数（PDF）是
CDF如下
然后，我们可以使用以下的方法写出逆CDF
在Python中，我们可以通过如下编写这些代码行来简单地实现它。
### Generate exponential distributed random variables given the mean
### and number of random variables
def exponential_inverse_trans(n=1,mean=1):
U=uniform.rvs(size=n)
X=-mean*np.log(1-U)
actual=expon.rvs(size=n,scale=mean)
plt.figure(figsize=(12,9))
plt.hist(X, bins=50, alpha=0.5, label="Generated r.v.")
plt.hist(actual, bins=50, alpha=0.5, label="Actual r.v.")
plt.title("Generated vs Actual %i Exponential Random Variables" %n)
plt.legend()
plt.show()
return X
我们可以通过运行以下示例来尝试上面的代码。 请注意，由于我们要生成随机变量，因此结果可能会有所不同。
cont_example1=exponential_inverse_trans(n=100,mean=4)
cont_example2=exponential_inverse_trans(n=500,mean=4)
cont_example3=exponential_inverse_trans(n=1000,mean=4)
看起来很有趣。 如果将其与实际变量进行比较，我们可以看到生成的随机变量具有非常相似的结果。 可以调整均值（请注意，我为expon.rvs（）函数定义的均值是指数分布中的比例参数）和/或 生成的随机变量的数量，以查看不同的结果。
离散随机数实现代码
对于离散随机变量情况，假设我们要模拟遵循以下分布的离散随机变量情况X
首先，我们编写函数以使用这些代码行为一个样本生成离散随机变量。
### Generate arbitary discrete distributed random variables given
### the probability vector
def discrete_inverse_trans(prob_vec):
U=uniform.rvs(size=1)
if U<=prob_vec[0]:
return 1
else:
for i in range(1,len(prob_vec)+1):
if sum(prob_vec[0:i])<U and sum(prob_vec[0:i+1])>U:
return i+1
然后，我们创建一个函数以使用这些代码行生成许多随机变量样本。
def discrete_samples(prob_vec,n=1):
sample=[]
for i in range(0,n):
sample.append(discrete_inverse_trans(prob_vec))
return np.array(sample)
最后，我们创建一个函数来模拟结果，并通过这些代码行将其与实际结果进行比较。
def discrete_simulate(prob_vec,numbers,n=1):
sample_disc=discrete_samples(prob_vec,n)
unique, counts=np.unique(sample_disc,return_counts=True)
fig=plt.figure()
ax=fig.add_axes([0,0,1,1])
prob=counts/n
ax.bar(numbers,prob)
ax.set_title("Simulation of Generating %i Discrete Random Variables" %n)
plt.show()
data={'X':unique,'Number of samples':counts,'Empirical Probability':prob,'Actual Probability':prob_vec}
df=pd.DataFrame(data=data)
return df
我们可以在下面运行一些示例以查看结果。 同样，请注意，由于我们要生成随机变量，因此结果可能会有所不同。
prob_vec=np.array([0.1,0.3,0.5,0.05,0.05])
numbers=np.array([1,2,3,4,5])
dis_example1=discrete_simulate(prob_vec, numbers, n=100)
dis_example2=discrete_simulate(prob_vec, numbers, n=500)
dis_example3=discrete_simulate(prob_vec, numbers, n=1000)
In[11]: dis_example1
Out[11]:
X Number of samples Empirical Probability Actual Probability
0 1 8 0.08 0.10
1 2 35 0.35 0.30
2 3 50 0.50 0.50
3 4 5 0.05 0.05
4 5 2 0.02 0.05In[12]: dis_example2
Out[12]:
X Number of samples Empirical Probability Actual Probability
0 1 53 0.106 0.10
1 2 159 0.318 0.30
2 3 234 0.468 0.50
3 4 30 0.060 0.05
4 5 24 0.048 0.05In[13]: dis_example3
Out[13]:
X Number of samples Empirical Probability Actual Probability
0 1 108 0.108 0.10
1 2 290 0.290 0.30
2 3 491 0.491 0.50
3 4 51 0.051 0.05
4 5 60 0.060 0.05
结果很有趣！ 我们可以看到，随着我们增加随机变量样本的数量，经验概率越来越接近实际概率。 尝试使用不同数量的样本和/或不同的分布进行实验，以查看不同的结果。
总结
这种逆变换方法是统计中非常重要的工具，尤其是在仿真理论中，在给定随机变量均匀分布在（0,1）中的情况下，我们想生成随机变量。 研究案例本身非常广泛，您可以使用在生成经验累积分布函数，预测分析中使用到的这种方法。
作者:Raden Aurelius Andhika Viadinugroho
deephub翻译组
标签：Python,生成,discrete,vec,0.05,随机变量,prob,逆变换 来源： https://blog.csdn.net/m0_46510245/article/details/114961808
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。