在Python中使用逆变换方法生成随机变量

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。

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：778463939
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
 ### 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)

生成与实际的100个指数随机变量生成的vs实际的500个指数随机变量
生成的与实际的1000个指数随机变量

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
示例中使用的离散随机变量分布的PMF

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。

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：778463939
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
 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)

生成与实际的100个离散随机变量
生成的vs实际的500个离散随机变量
生成的与实际的1000个离散随机变量

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               0.05
 In[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               0.05
 In[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。