![](/img/trans.png)
[英]Is there a way in Java to generate random numbers following fixed mean and standard deviation?
[英]Generate random numbers in a specific range with a standard deviation?
我已經知道如何在一個范圍內生成隨機數。 我可以通過使用來做到這一點
rand.nextInt((max - min) + 1) + min;
問題是我還想為這些數字設置標准偏差。 數字也需要是正數,它們不在0和1之間
編輯我刪除了ThreadLocalRandom類,因為我無法在該類中設置種子,這些隨機數應該可以在不同的系統中重現。
選擇有界分布的標准偏差(或方差)只能在取決於所選分布和區間邊界(min, max)
的約束條件下進行。 某些分布可能允許您使方差任意小(例如Beta分布 ),其他分布(如統一分布 )在設置邊界(min, max)
不允許任何靈活性。 在任何情況下,你永遠無法使方差任意大 - 邊界確實阻止了這一點(它們總是輸入分布的方差的表達式)。
我將通過一個非常簡單的示例來說明這一點,該示例可以在不需要任何第三方庫的情況下實現。 假設您想要在區間(min, max)
上進行對稱分布,對稱性意味着分布的平均E(X)位於區間的中間: E(X) = (min + max)/2
。
在x = a + (b - a) * rnd.nextDouble()
使用Random的nextDouble
將在區間a <= x < b
中為您提供均勻分布的隨機變量,該區間具有固定的方差Var(X) = (b - a)^2 / 12
(不是我們想要的)。
OTH,在相同的區間(a, b)
上模擬對稱的三角形分布將給出一個隨機變量,它具有相同的均值,但只有一半的方差: Var(X) = (b - a)^2 / 24
(也是固定的) ,所以也不是我們想要的)。
具有參數(a < b < c < d)
的對稱梯形分布位於區間(a, d)
上的均勻中間和三角形分布的某處。 對稱條件意味着d - c = b - a
,在下文中我將指代距離b - a
作為x
或“位移”(我已經構成了該名稱,它不是技術術語)。
如果讓x
從上方接近0.0,則梯形將看起來非常類似於均勻分布,並且其方差將傾向於最大可能值(d - a)^2 / 12
。 如果讓x
接近下面的最大可能值(d - a)/2
,則梯形看起來非常類似於對稱三角形分布,其方差將接近(d - a)^2 / 24)
2/24的最小可能值。 (但請注意,為了不破壞方差公式或梯形算法,我們應遠離這些極值。
所以,我們的想法是構造一個帶有x
值的梯形分布,它產生你想要的標准偏差,條件是你的目標標准偏差必須位於(0.2041(d - a), 0.2886(d - a))
給出的開放范圍內(大致(0.2041(d - a), 0.2886(d - a))
。 為方便起見,我們假設a = min = 2.0
且d = max = 10.0
,它給出了這個可能的stddevs范圍: (1.6328, 2.3088)
。 讓我們進一步假設我們想構建一個stddev為2.0
的分布(當然,它必須在允許的范圍內)。
解決這個問題需要3個步驟:
1)我們需要有一個給定min, max
和位移x
的允許值的方差的公式
2)我們需要以某種方式“反轉”這個表達式,為我們的目標方差提供x
的值
3)一旦我們知道x
的值,我們必須構造一個具有對稱梯形分布的隨機變量,其參數(min, max, x)
第1步 :
/**
* Variance of a symmetric trapezoidal distribution with parameters
* {@code a < b < c < d} and the length of {@code d - c = b - a}
* (by symmetry) identified by {@code x}.
*
* @param a support lower bound
* @param d support upper bound
* @param x length of {@code d - c = b - a}, constrained to lie in the open
* interval {@code (0, (d-a)/2)}
* @return variance of the symmetric trapezoidal distribution defined by
* the triple {@code (a, d, x)}
*/
static double varSymTrapezoid(double a, double d, double x) {
if (a <= 0.0 || d <= 0.0 || a >= d) {
throw new IllegalArgumentException();
}
if (x <= 0.0 || x >= (d - a) / 2) {
throw new IllegalArgumentException();
}
double b = a + x;
double c = d - x;
double b3 = pow(b, 3);
double c3 = pow(c, 3);
double ex2p1 = pow(b, 4) / 4 - a * b3 / 3 + pow(a, 4) / 12;
double ex2p2 = (c3 / 3 - b3 / 3) * (d - c);
double ex2p3 = pow(c, 4) / 4 - d * c3 / 3 + pow(d, 4) / 12;
double ex2 = (ex2p1 + ex2p2 + ex2p3) / ((d - b) * (d - c));
return ex2 - pow((a + d) / 2, 2);
}
請注意,此公式僅對對稱梯形分布有效。 舉個例子,如果你用2.5的位移( varSymTrapezoid(2.0, 10.0, 2.5)
)來調用這個方法,它會給你一個大約3.0416
的方差,這個方差太低了(我們需要4.0),這意味着2.5太多(更高的位移給出更低的方差)。
方差表達式是x
中的四階多項式,我不想分析求解。 但是,對於允許范圍內的目標x
,此表達式是單調遞減的,因此我們可以為目標方差構造一個過零的函數,並通過簡單的二分法求解。 這是
第2步 :
/**
* Find the displacement {@code x} for the given {@code stddev} by simple
* bisection.
* @param min support lower bound
* @param max support upper bound
* @param stddev the standard deviation we want
* @return the length {@code x} of {@code d - c = b - a} that yields a
* standard deviation roughly equal to {@code stddev}
*/
static double bisect(double min, double max, double stddev) {
final double eps = 1e-4;
final double var = pow(stddev, 2);
int iters = 0;
double a = eps;
double b = (max - min) / 2 - eps;
double x = eps;
double dx = b - a;
while (abs(dx) > eps && iters < 150 && eval(min, max, x, var) != 0.0) {
x = ((a + b) / 2);
if ((eval(min, max, a, var) * eval(min, max, x, var)) < 0.0) {
b = x;
dx = b - a;
} else {
a = x;
dx = b - a;
}
iters++;
}
if (abs(eval(min, max, x, var)) > eps) {
throw new RuntimeException("failed to find solution");
}
return x;
}
/**
* Function whose root we want to find.
*/
static double eval(double min, double max, double x, double var) {
return varSymTrapezoid(min, max, x) - var;
}
將bisect
方法調用標准偏差的期望值2.0( bisect(2.0, 10.0, 2.0)
)給出了所需的位移: ~ 1.1716
。 現在x
的值已知,我們要做的最后一件事就是構造一個適當分布的隨機變量
第3步 :
概率論的一個眾所周知的事實是,兩個獨立的均勻分布隨機變量X1 ~ U[a1, b1]
和X2 ~ U[a2, b2]
是區間[a1 + X2 ~ U[a2, b2]
上的對稱梯形分布隨機變量。 a2,b1 + b2]提供a1 + b2 < a2 + b1
(情況1)或a2 + b1 < a1 + b2
(情況2)。 我們必須避免情況a2 + b1 = a1 + b2
(情況3),因為總和具有我們不想要的對稱三角形分布。
我們將選擇案例1( a1 + b2 < a2 + b1
)。 在那種情況下, b2 - a2
的長度將等於“位移” x
。
因此,我們所要做的就是選擇區間邊界a1,a2,b1和b2,使得a1 + a2 = min
, b1 + b2 = max
, b2 - a2 = x
,並且上面的不等式是滿的:
/**
* Return a pseudorandom double for the symmetric trapezoidal distribution
* defined by the triple {@code (min, max, x)}
* @param min support lower bound
* @param max support upper bound
* @param x length of {@code max - c = b - min}, constrained to lie in the
* open interval {@code (0, (max-min)/2)}
*/
public static double symTrapezoidRandom(double min, double max, double x) {
final double a1 = 0.5 * min;
final double a2 = a1;
final double b1 = max - a2 - x;
final double b2 = a2 + x;
if ((a1 + b2) >= (a2 + b1)) {
throw new IllegalArgumentException();
}
double u = a1 + (b1 - a1) * rnd.nextDouble();
double v = a2 + (b2 - a2) * rnd.nextDouble();
return u + v;
}
重復調用symTrapezoidRandom(2.0, 10.0, 1.1716)
會為您提供具有所需分布的隨機變量。
您可以使用其他更復雜的發行版(如Beta版)執行非常類似的操作。 這將為您提供允許差異的其他(通常更靈活)界限,但您需要第三方庫,如commons.math 。
abs
, pow
, sqrt
在代碼中引用了靜態導入的java.lang.Math方法,而rnd
是java.util.Random的一個實例。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.