比方说,如果我想在min
和max
之间生成一个无偏的随机数,我会这样做:
var rand = function(min, max) {
return Math.floor(Math.random() * (max - min + 1)) + min;
};
但是,如果我想在min
和max
之间生成一个随机数,但更偏向于min
和max
之间的值D
,该怎么办?最好用概率曲线来说明:
发布于 2015-03-31 00:32:54
乐趣:使用图像作为密度函数。对随机像素进行采样,直到得到黑色像素,然后取x坐标。
代码:
getPixels = require("get-pixels"); // npm install get-pixels
getPixels("distribution.png", function(err, pixels) {
var height, r, s, width, x, y;
if (err) {
return;
}
width = pixels.shape[0];
height = pixels.shape[1];
while (pixels.get(x, y, 0) !== 0) {
r = Math.random();
s = Math.random();
x = Math.floor(r * width);
y = Math.floor(s * height);
}
return console.log(r);
});
输出示例:
0.7892316638026386
0.8595335511490703
0.5459279934875667
0.9044852438382804
0.35129814594984055
0.5352215224411339
0.8271261665504426
0.4871773284394294
0.8202084102667868
0.39301465335302055
根据口味进行缩放。
发布于 2015-03-30 01:50:47
为了好玩,这里有一个依赖于Gaussian function的版本,正如SpiderPig对您的问题的评论中所提到的那样。高斯函数应用于1到100之间的随机数,其中钟形的高度表示最终值与N
的接近程度。我将度数D
解释为最终值接近N
的可能性有多大,因此D
对应于钟形的宽度- D
越小,偏差越小。显然,这个例子可以进一步校准。
(我复制了Ken Fyrstenberg的canvas方法来演示该功能。)
function randBias(min, max, N, D) {
var a = 1,
b = 50,
c = D;
var influence = Math.floor(Math.random() * (101)),
x = Math.floor(Math.random() * (max - min + 1)) + min;
return x > N
? x + Math.floor(gauss(influence) * (N - x))
: x - Math.floor(gauss(influence) * (x - N));
function gauss(x) {
return a * Math.exp(-(x - b) * (x - b) / (2 * c * c));
}
}
var ctx = document.querySelector("canvas").getContext("2d");
ctx.fillStyle = "red";
ctx.fillRect(399, 0, 2, 110);
ctx.fillStyle = "rgba(0,0,0,0.07)";
(function loop() {
for (var i = 0; i < 5; i++) {
ctx.fillRect(randBias(0, 600, 400, 50), 4, 2, 50);
ctx.fillRect(randBias(0, 600, 400, 10), 55, 2, 50);
ctx.fillRect(Math.random() * 600, 115, 2, 35);
}
requestAnimationFrame(loop);
})();
<canvas width=600></canvas>
发布于 2015-03-29 11:27:23
比方说,当你使用Math.floor(Math.random() * (max - min + 1)) + min;
时,你实际上是在创建一个均匀的分布。要获得图表中的数据分布,您需要的是具有非零偏度的分布。
有不同的技术可以获得这些类型的分布。这是在stackoverflow上找到的测试版的example。
以下是链接中总结的示例:
unif = Math.random() // The original uniform distribution.
我们可以通过以下方式将其转换为beta发行版
beta = sin(unif*pi/2)^2 // The standard beta distribution
为了得到图表中显示的偏斜度,
beta_right = (beta > 0.5) ? 2*beta-1 : 2*(1-beta)-1;
您可以将值1更改为任何其他值,以使其倾斜为其他值。
https://stackoverflow.com/questions/29325069
复制相似问题