Python 随机数发生器说明

我在看教授给我的一个示例程序的源代码时发现了这个RNG。有人能解释一下这个RNG是如何工作的吗

请查看文档。它写得很好：

---

其思想是，该程序生成一个随机数1000次，这足以使平均值达到0.5。请查看文档。它写得很好：

---

其思想是，该程序生成一个随机数1000次，这足以使平均值达到0.5，使这个随机数成为随机数的是被调用的random（）函数。random（）将在0和1之间生成1个（出于最实际的目的）随机浮点

from random import *
def main():
    t = 0
    for i in range(1000):  # thousand
        t += random()
    print(t/1000)
main()

等等

---

剩下的部分只是将每个随机数相加，然后除以随机数，基本上就是找到所有1000个随机数的平均值，正如赛博所指出的，这实际上根本不是一个随机数。

造成这个随机数的是被调用的random（）函数。random（）将在0和1之间生成1个（出于最实际的目的）随机浮点

from random import *
def main():
    t = 0
    for i in range(1000):  # thousand
        t += random()
    print(t/1000)
main()

等等

---

剩下的只是将每个随机数相加，然后除以随机数，基本上找到所有1000个随机数的平均值，正如赛博所指出的，这实际上根本不是一个随机数。

如果你绘制这些点，你会发现这实际上产生了一个高斯（“正常”）关于随机函数平均值的分布

谈随机数的产生；如果您只有一个统一的数字生成器（如标准C中的一样），那么这是一种非常常见的技术

---

这里我给你的是从函数中提取的100000个值的柱状图（当然，如果你不熟悉python，返回的不是打印的）。y轴是该值出现的频率，x轴是该值的存储单元。如您所见，平均值为1/2，通过3个标准偏差（99.7%的数据），我们几乎没有该范围内的值。这应该是直观的；我们“通常”得到1/2，很少得到.99999，如果你画点，你会看到这实际上产生了一个关于随机函数平均值的高斯（“正态”）分布

谈随机数的产生；如果您只有一个统一的数字生成器（如标准C中的一样），那么这是一种非常常见的技术

这里我给你的是从函数中提取的100000个值的柱状图（当然，如果你不熟悉python，返回的不是打印的）。y轴是该值出现的频率，x轴是该值的存储单元。如您所见，平均值为1/2，通过3个标准偏差（99.7%的数据），我们几乎没有该范围内的值。这应该是直观的；我们“通常”得到1/2，很少得到.99999

该程序使用具有有限方差的独立同分布随机变量的-和

X

渐近收敛到正态（也称为高斯）分布，其均值为均值之和，方差为方差之和。按N的比例缩放，即

X

的总数，得到样本平均值（也称为平均值）。如果

X

的期望值为μ，且

X

的方差为σ2，则样本平均值的期望值也为μ，且方差为σ2/N

由于均匀（0,1）的平均值为0.5，方差为1/12，因此您的算法将生成非常接近正态分布的结果，平均值为0.5，方差为1/12000。因此，99.7%的结果应在平均值的+/-3标准偏差范围内，即在0.5+/-0.0274范围内

这是一种效率极低的生成法线的方法。更好的选择包括方法、方法或方法。

该程序使用具有有限方差的独立和同分布随机变量的-和

X

渐近收敛到正态（又称高斯）分布，其平均值为平均值之和，方差为方差之和。按N的比例缩放，即

X

的总数，得到样本平均值（也称为平均值）。如果

X

的期望值为μ，且

X

的方差为σ2，则样本平均值的期望值也为μ，且方差为σ2/N

由于均匀（0,1）的平均值为0.5，方差为1/12，因此您的算法将生成非常接近正态分布的结果，平均值为0.5，方差为1/12000。因此，99.7%的结果应在平均值的+/-3标准偏差范围内，即在0.5+/-0.0274范围内

---

这是一种效率极低的生成法线的方法。更好的选择包括方法、方法或方法。

如果你在寻找高斯/正态分布，这一点也不愚蠢。@RussellBorogove事实上这是非常愚蠢的。这是prob/stats，相当于将两个大数字A和B相乘，然后将A自身加上B倍。有很多更好的方法得到高斯数，而不是把一千个制服相加。你的教授似乎是一个很好的人选，他可以解释他写的代码：）@pjs-也许随机数生成不是这个练习的目标。也许目标是别的，而瓦卢斯并没有说出来。这是学期初，所以我希望这是一个使用控制语句和算术的练习。不过，我可能错了。@jww有很多例子可以证明这样的事情要好得多。即使这个想法是要展示中心极限定理，你也可以通过添加2个或3个一致性几乎立即看到它，而循环到12，减去6，得到的结果非常接近标准法线。1000纯粹是在浪费计算周期。如果你在寻找高斯/正态分布，这一点也不愚蠢。@russellborogve