统计模拟中有一个重要的问题就是,给定一个概率分布 p(x) ,我们如何使用计算机生成(generate)服从该分布的样本。一般而言均匀分布 Uniform(0,1) 的样本相对容易生成。
1. 使用均匀分布仿真高斯分布
均匀分布比较优良的性质是,我们常见的各种概率分布,无论是连续的还是离散的分布,都可以基于 Uniform(0,1) 的样本生成,例如正太分布可以通过著名的 Box-Muller 变换得到,
定理 Box-Muller变换,如果随机变量
U1,U2
独立且
U1,U2∼Uniform[0,1]
,则
Z0=−2lnU1−−−−−−−√cos(2πU2)Z1=−2lnU2−−−−−−−√cos(2πU1)
则 Z0,Z1 独立且服从标准正太分布。
import numpy as np
import matplotlib.pyplot as plt
U1 = np.random.uniform(0, 1, 1000)
U2 = np.random.uniform(0, 1, 1000)
Z0 = np.sqrt(-2*np.log(U1))*np.cos(2*np.pi*U2)
cnts, bins, _ = plt.hist(Z0, 30, normed=True)
plt.plot(bins, 1./np.sqrt(2*np.pi)*np.exp(-bins**2/2), c='r', lw=2)
plt.show()
2. 使用蒙特卡洛的方法逼近 π
import numpy as np
N = 10000
cnt = 0
for i in range(N):
x, y = np.random.uniform(0, 1, 2)
if (x-1/2)**2+(y-1/2)**2 < 1/4:
cnt += 1
print('sample times: {}, pi approx: {}'.format(N, 4*cnt/N))