水库采样-随机数生成

说明

本文所说的均为伪代码，代码实现根据自己习惯语言编写.

什么是随机数

随机数是不同随机试验的结果。它在不同统计领域均有广泛地应用，比如从统计样本中抽取一定数量的个体。产生随机数有多种不同的方法，而这些方法被称为随机数生成器。随机数的性质是等概率，不可预测，例如最简单随机数整数生成器求模运算。 伪代码见如下

		`生成（0,n）的随机数`
		任意输入一个整数z
		随机数R则等于 z % n 的求模
		结果R则是所求的随机数

		对应python中的randint(0,n)的函数

这种方法产生的数一定是0,n范围内，且每个数字出现的概率取决于z。因为我们无法判断输入的数z的取值范围，所以生成器生成的结果满足随机数的性质，等概率，不可预测。

构造属于特定的随机数生成器

构造属于特定的随机数生成器。首先要有基础的随机数生成器，也即是rand(),我们会根据这个基础生成器rand()构造出我们特定需要的随机数生成器，以下是几个随机生成器的应用：

应用一:构造随机数生成数

目前有一基础的随机函数rand6（）， 它可以产生0-6的随机整数。要求产生1-10的随机数:

1. 方法一

    	R = 0
    	R = rand6()  //生成随机数
    	if R >= 5 :  //若R大于>5
    		do {
    		   tmp_R = rand6() //重新生成随机数，直至tmp_R范围是0-4
    		   if tmp_R < 5:
    		       R =6+ tmp_R //范围是6-10
    		       break
    	} while True
    	else
    		R = R+1 //范围是1-5
    	return R //范围1-10
   

2. 方法二
   根据奇偶性，因为任何的整数都能通过0,1表示, 而0000-1111可以表示为0-16的整数。rand6()生成数的奇偶性不是等概率的，很明显奇数是1,3,5，偶数是0,2,4,6。在这里，我们剔除6,在进行下一步:

    	bin_str = "" //step
    	count = 0
    	do {
    	R = rand6()
    	if R > 5:
    		continue
    	bin_str += int2str(R % 2) //产生0或者1
    	count += 1
    	} while (count < 5)
    	return binStr2int(bin_str)+1 //0,1字符串转成10进制整数
    	若返回值大于10, 则需要重新在来
   

`

应用二:水库抽样

应用范围，对于未知大小的样本，定量抽取k个个体。例如，随机抽取文档任何k行文本数据。详情可以参看维基百科,百度百科等解释:
条件
1.样本抽象是n个元素的数组
2.抽取个体数量为k个
3.随机数产生器
伪代码如下

	for i in (1,2,...,n):
		do 
		    if i <= k :
				tmp[i] = Arrary[i]
			else: // i > k
				M = rand(1, i) // 产生0， i-1 范围的随机数。参考应用一
				if M < k :
					tmp[M] = Arrary[i]
		then

这个算法的好处是复杂度为O(n)+常数时间, 主要根据当前数据的大小而定。
原理是：

1. 当前k个元素进来，不需考虑，因为i始终小于k;

2. 当i>=k时，此时元素面临两种情况,进来并替换前k个元素中的其中一个;不进来。我们分析以下两种情况的概率,说明它符合随机生成器的性质等概率，不可预测;

   • 第i个元素不进来(i=k+1), 其概率P(fail)=1-P(能被替换)， P(能被替换)=前面k个元素/i=k/(k+1)， P(fail)=1/(k+1)
   • 第i个元素进来(i>=k), 其概率P(succ)=P(能被替换)*P(第几个元素被替换)， P(能被替换)=k/(k+1),P(第几个元素被替换)=1/k, P(succ)=1/(k+1)