随机采样方法代码实现-python

最新推荐文章于 2024-07-18 18:56:10 发布

铁蛋嘟嘟噜

最新推荐文章于 2024-07-18 18:56:10 发布

阅读量4.3k

点赞数

分类专栏：计算机相关文章标签：随机采样 MCMC 正态分布 Gibbs python

本文链接：https://blog.csdn.net/weixin_42766102/article/details/90551379

版权

本文介绍了Python中实现随机采样的几种方法，包括均匀分布的线性同余器、Box-Muller变换的正态分布、接受-拒绝采样，重点探讨了MCMC的Metropolis-Hastings算法和Gibbs抽样。Metropolis-Hastings通过调整转移概率矩阵确保平稳分布为所需目标分布，而Gibbs抽样在高维问题中提高效率，尤其适合单个维度的概率转移。

摘要由CSDN通过智能技术生成

文章目录

1. 均匀分布，使用线性同余器

from datetime import datetime
from math import sqrt, cos, pi, log
import matplotlib.pyplot as plt
import numpy as np


def uniform_gen(seed, a=0, b=1):
    _A = 214013
    _C = 214013
    _M = 2 ** 32
    while True:
        seed = (_A * seed + _C) % _M
        res = a + (b - a) * seed / _M
        yield res


def random_uniform(num, seed=None):
    res = []
    if not seed:
        seed = datetime.now().second
    gen = uniform_gen(seed)
    if num == 1:
        return gen.__next__()
    for i in range(num):
        res.append(gen.__next__())
    return np.array(res)

def plot_hist(x, bin=150, path = None):
    plt.hist(x, bin)
    if path:
        plt.savefig(path)
    plt.show()


res = random_uniform(10000)
plot_hist(res, 50, 'uniform.jpg')

均匀分布

2. Box-Muller变换正态分布

def box_muller(num, loc=0., scale=1.):
    seed1 = datetime.now().second
    seed2 = datetime.now().minute
    gen1 = uniform_gen(seed1)
    gen2 = uniform_gen(seed2)
    res = []
    for i in range(num):
        u1 = gen1.__next__()
        u2 = gen2.__next__()
        u = sqrt(-2 * log(u1)