生成正态分布及泊松分布的随机数

先回忆一下概率论的东西：

1.中心极限定理

2. 二项分布的极限分布

    当二项分布的参数Ｐ很小时，泊松分布对二项分布的近似要好于正　态分布　而当ｐ较大时，用泊松分布去逼近二项分布效果不好，相比之下，用正态分布来近似计算二项分布的值所得结果不错．当然，很明显地，如果ｐ比较大，同时ｎ的值很大，泊松分布的计算就很不方便，此时，　根据中心极限定理，用正态分布去逼近二项分布就是很自然的选择了。

利用中心极限定理生成符合正态分布的随机量：

根据独立同分布的中心极限定理，有:

这里，其实只要取n=12（这里，亦即生成12个0-1上的随机数序列）就会有比较好的效果。 经验证，用该种方法生成生的随机数序列同样能比较好的符合正态分布特性。

      由于生成的都是标准正态分布，所以，当需要生成N(a,b)的正态分布随机量时，根据正态分布的线性变换特性，只要用x=sqrt(b)*x0+a即可。（其中，x0表示生成的符合N(0,1)分布的正态随机变量。）

代码如下：

public double Norm_rand(double miu, double sigma2){
  double N = 12;
  double x=0,temp=N;
  do{
     x=0;
     for(inti=0;i<N;i++)
       x=x+(Math.random());
     x=(x-temp/2)/(Math.sqrt(temp/12));
     x=miu+x*Math.sqrt(sigma2);
   }while(x<=0);         //在此我把小于0的数排除掉了
   return x;
 }

  泊松分布随机数的产生，代码如下：

public double P_rand(double Lamda){     // 泊松分布
   double x=0,b=1,c=Math.exp(-Lamda),u; 
   do {
     u=Math.random();
     b *=u;
     if(b>=c)
       x++;
   }while(b>=c);
   return x;
 }

参考： 1     2    3