标签: gaussian

.NET的标准库中是否有一个类可以创建遵循高斯分布的随机变量的功能？

我已经设法在网上找到如何将正常曲线叠加到R中的直方图,但我想保留直方图的正常"频率"y轴.请参阅下面的两个代码段,并注意在第二个代码段中,y轴被替换为"density".如何将y轴保持为"频率",就像在第一个图中一样.

作为奖励:我想在密度曲线上标记SD区域(最多3 SD).我怎样才能做到这一点？我试过了abline,但是这条线延伸到了图形的顶部,看起来很丑陋.

g = d$mydata
hist(g)

g = d$mydata
m<-mean(g)
std<-sqrt(var(g))
hist(g, density=20, breaks=20, prob=TRUE, 
     xlab="x-variable", ylim=c(0, 2), 
     main="normal curve over histogram")
curve(dnorm(x, mean=m, sd=std), 
      col="darkblue", lwd=2, add=TRUE, yaxt="n")

看看上面的图像中,y轴是"密度".我想把它变成"频率".

我想知道JavaScript函数是否Math.random使用普通(与统一)分布.

如果没有,我如何获得使用正态分布的数字？我没有在互联网上找到一个明确的答案,一个算法来创建随机的正态分布数字.

我想重建施密特机器(德国物理学家).机器产生0或1的随机数,它们必须是正态分布的,这样我才能将它们绘制成高斯钟形曲线.

例如,随机函数产生120个数字(0或1),并且这些求和值的平均值(平均值)必须接近60.

我想生成一个范围(n到m,例如100到150)的随机数,但是我希望结果不是纯随机的,而是基于正态分布.

我的意思是,通常我希望数字"聚集"在125左右.

我发现这个随机数字包似乎有很多我需要的东西:http://codeproject.com/KB/recipes/Random.aspx

它支持各种随机生成器(包括mersiene twister),并可以将生成器应用于分发.

但我很困惑,如果我使用正态分布生成器,随机数从大约-6到+8(显然真正的范围是float.min到float.max).

如何扩展到我要求的范围？

你如何实现最快的高斯模糊算法？

我将用Java实现它,因此排除了GPU解决方案.我的应用程序planetGenesis是跨平台的,所以我不想要JNI.

我一直在寻找一种方便的方法来从多元正态分布中进行采样.有没有人知道有一个现成的代码片段可以做到这一点？对于矩阵/向量,我更喜欢使用Boost或Eigen或我不熟悉的另一个现象库,但我可以使用GSL.如果方法接受非负 -无限协方差矩阵而不是要求正定(例如,与Cholesky分解一样),我也会喜欢它.这存在于MATLAB,NumPy等中,但我很难找到现成的C/C++解决方案.

如果我必须自己实施,我会发牢骚但这没关系.如果我这样做,维基百科听起来就像我应该的那样

1. 生成n 0均值,单位方差,独立正态样本(boost会这样做)
2. 找到协方差矩阵的特征分解
3. 通过相应特征值的平方根来缩放n个样本中的每一个
4. 通过将经缩放的矢量乘以由分解找到的标准正交特征向量的矩阵来旋转样本矢量

我希望这能很快发挥作用.有人有直觉知道何时值得检查协方差矩阵是否为正,如果是,请使用Cholesky代替？

我的问题非常接近这个问题:如何在不使用任何内置高斯函数的情况下高斯模糊图像？

这个问题的答案非常好,但它没有给出一个实际计算真实高斯滤波器内核的例子.答案给出了一个任意内核,并展示了如何使用该内核应用过滤器,而不是如何计算真实内核本身.我试图从头开始在C++或Matlab中实现高斯模糊,所以我需要知道如何从头开始计算内核.

如果有人能够使用任何小的示例图像矩阵计算真正的高斯滤波器内核,我将不胜感激.

MATLAB中的"高斯"滤波器是否用高斯内核卷积图像？另外,你如何选择参数hsize(过滤器的大小)和sigma？你是以什么为基础的？

IOK所以我希望能够从正常分布中选择只能介于0和1之间的值.在某些情况下,我希望能够基本上只返回一个完全随机的分布,而在其他情况下我想返回值落在高斯的形状.

目前我正在使用以下功能:

def blockedgauss(mu,sigma):
    while True:
        numb = random.gauss(mu,sigma)
        if (numb > 0 and numb < 1):
            break
    return numb

它从正态分布中选取一个值,如果它超出0到1的范围,则丢弃它,但我觉得必须有更好的方法来做到这一点.

random.normalvariate()和之间有什么区别random.gauss()？

它们采用相同的参数并返回相同的值,执行基本相同的功能.

我从之前的回答中了解到,这random.gauss()不是线程安全的,但这在这种情况下意味着什么？程序员为什么要关心这个？或者提出,为什么Python的'随机'中包含一个线程安全且非线程安全的版本？