参读材料一 随机变量样本值的产生

数学学习 · 爱知数学讲义

18
本章目录 · 1 节

本章导读

【参读材料一 随机变量样本值的产生】按原材料分为随机数与伪随机数、离散型样本的产生、连续型样本的产生,保留六个例子。目标是按指定模型抽样,不能把模拟输出冒充真实观测。

【一 随机数与伪随机数】理想U(0,1)独立样本是概率模型;计算机通过确定性算法生成可复现的伪随机序列。合适的算法、种子及独立随机流能使其适于许多数值任务,但通过有限次均匀性或独立性检验并不证明真正独立随机。复现实验应记录算法、软件版本、种子和抽样顺序,不应反复挑种子只保留好看的结果。

【二 离散抽样:累计概率划分】设P(X=)=,≥0、Σ=1,记=0、=。取U~U(0,1),若≤U<,令X=。每段长度,因此得到正确质量。实际有限精度实现应检查概率和、0概率单元及端点;无限可列分布需确保尾部处理不是无说明截断。

【例1 四点分布】支持1、2、3、4,概率0.20、0.15、0.25、0.40;累计端点0、0.20、0.35、0.60、1。U依次落在这些半开区间,就返回1、2、3、4。取u=0.10、0.30、0.50、0.90可分别检查四个分支。

1[0,0.20)0.22[0.20,0.35)0.153[0.35,0.60)0.254[0.60,1)0.4
例1 累计概率区间与返回值,长度分别等于四个概率

【例2 离散均匀】X取1至n等概率,。事件X=i对应长度1/n的区间,正是所需分布。实际用[0,1)发生器可容许0,但不能返回1;若发生器有其他端点约定,应先处理再取整。

【例3 二项分布】独立~U(0,1),令=1{<p},则独立Bernoulli(p),。不能用同一个U重复n次代替独立,否则X只会取0或n。p=0、1及n=0可直接返回退化值。

【三 逆变换法】若CDF F在其有效支持上严格递增连续,X=(U)满足P(X≤x)=P(U≤F(x))=F(x)。更一般可用广义分位数,因此逆变换不仅适用于有普通反函数的连续分布,也能统一离散和混合分布。没有初等闭式不代表不能数值计算分位数。

【例4 指数分布】均值θ>0、CDF为1−,逆变换X=−θ ln(1−U),也可用−θ lnU,因为1−U仍均匀。两种式子产生同分布,但对同一个u返回的数值不必相同。实现应避免log(0),靠近0的1−U形式可用log1p提高稳定性。

【例5 Weibull分布】形状β>0、尺度η>0,CDF为1−(x>0),所以,或。η的单位与X相同,β无量纲;不能把1/β误写成β,或把尺度与速率混用。

【例6 正态随机数】原材料用12个独立均匀数求和减6,,均值0、方差1,只是中心极限定理的粗略近似;它被限制在(−6,6),不可能精确具有无界的正态尾部。可用作原理演示,不宜据此进行精确尾概率模拟。原文“反函数没有显式,因此不能用逆变换”应改为“不能用初等闭式直接计算,但可数值计算并逆变换”。常用软件的rnorm可直接抽样,另有Box—Muller变换等精确分布算法。

若Z为标准正态,X=μ+σZ给N(μ,σ²),要求σ≥0;rnorm的sd参数是标准差,不能填方差σ²。每种算法还须说明输入随机数的独立性。原六例至此齐全,不把算法近似误说成精确分布恒等式。