概率论和数理统计小报告-正态随机数产生方法.doc

概率论与数理统计小报告（二） _________正态随机数的产生方法 学院 数理学院 专业 信息与计算科学 班级 姓名 学号  依据中心极限定理产生正态分布随机数 摘要：由中心极限定理可知，当n很大时，具有期望μ，方差σ2的分布近似为标准正态分布，故可据此产生标准正态分布。并利用Matlab自带的函数对结果进行检验。 关键字：正态分布 中心极限定理 随机数 正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。 若随机变量服从一个位置参数为、尺度参数为的概率分布，记为： 则其概率密度函数为 正态分布的数学期望值或期望值等于位置参数，决定了分布的位置；其方差的开平方或标准差等于尺度参数，决定了分布的幅度。 正态分布在数理统计中具有基础性的作用，因此产生高质量的正态分布有重要的意义，接下来将介绍一种求正态分布的数值方法：即利用中心极限定理产生正态分布的随机数 中心极限定理： 设服从均值为μ，方差为σ2 的某一分布，令 则当 n 充分大时，渐近地服从标准正态分布N（0，1） 注意，这个定理没有指出随机变量x 是服从什么分布的。这正是该定理的神奇之处。我们现在已经能产生[0，1]均匀分布的随机数了，那么我们可以利用这个定理来产生标准正态 分布的随机数。 现在我们产生n个[0，1]均匀分布随机数， 由公式我们有： 为编程方便，我们特别选 n = 12，则有 这样我们很方便地就把标准正态分布随机数计算出来了。 下面我们就利用中心极限定理产生标准正态分布随机数并检验： Matlab代码如下： 首先建立一个M文件，代码为： clc,clear for i=1:1000 R=rand(1,12); X(i)=sum(R)-6; end X=X; m=mean(X) v=var(X) subplot(1,2,1),cdfplot(X) %绘制经验累计分布函数图，显示了一维向量X的累计概率分布F(x)的图形 subplot(1,2,2),histfit(X) %绘制分组数据的柱状分布函数图，即频数图 h=kstest(X, [X normcdf(X, 0,1)])% H = kstest（X）执行Kolmogorov-Smirnov检验标准正态分布比较数据向量x的值。零假设是x为标准的正态分布；另一种假设是x不是标准正态分布。在5％显著水平进行检验，若结果h为1，则说明零假设不成立，拒绝零假设。否则， 结果为0，零假设成立，即原分布为标准正态分布 运行结果如下： h = 0 （检验表明分布为标准正态分布） R = （产生的一组12个【0,1】上均匀分布的随机数） Columns 1 through 4 0.5700 0.4027 0.3702 0.0801 Columns 5 through 8 0.3389 0.2411 0.8556 0.7063 Columns 9 through 12 0.5685 0.0696 0.0455 0.3958 下图为i=1000，即进行1000次抽样分布的结果。 根据中心极限定理，【0,1】分布的极限分布为正态分布，下面做下检验： 当i=10时，图像如下： 当i=100时，图像如下： 与正态分布有相似处，但差别还是比较大的。 当i=1000时，如下图，与正态分布就已经很接近了。 特别地，当i=10000时，如下图，与正态分布曲线已经很吻合了。 但是需注意： 这个问题中我们使用的函数为rand随机数发生器，其实matlab中的随机函数并不是真正意义上的随机函数，而是按照一定的递推规则产生的伪随机数。但是在一定的可信度范围内，可以认为是真正的随机数。 参考文献： [1] 范玉妹 汪飞星 王萍 李娜 编 《概率论与数理统计》 机械工业出版社 2011年版 [2] 王青霞 编著 《概率论与随机过程:理论、历史及应用》 清华大学出版社 2012.03 [3] 张帼奋 主编 《概率论、数理统计与随机过程》 浙江大学出版社 2011.07 [4] 王正盛 编著 《Matlab与科学计算》 国防工业出版社 2011 [5] 李 刚 编著 《Matlab函数速查手册》