Генерация распределения Гаусса только с положительными числами

о чем вы, клоуны, говорите? стандартная нормаль имеет нулевое среднее, но это частный случай распределения Гаусса, которое имеет параметры среднее и стандартное отклонение. по мере увеличения среднего значения при неизменном sd вероятность генерации любых чисел ниже нуля уменьшается до нуля. у вас может быть абсолютно гауссовское распределение без отрицательных чисел.

Вы можете использовать логнормальное распределение.

Во-первых, вы не можете сгенерировать только положительные значения из распределения Гаусса.

Во-вторых, правильно ли я понимаю, что вы пытаетесь сгенерировать случайное распределение с заданным средним и стандартным отклонением? Подойдет ли какая-нибудь раздача? Если это так, пусть среднее значение = м , а стандартное отклонение = с . Я предполагаю, что m - s> 0 .

let n = random integer modulo 2;
if n equals 0 return m - s
else return m + s

Значения, возвращаемые этим процессом, будут иметь среднее м и стандартное отклонение с .

Почему бы не использовать метод передискретизации? Если в вашей выборке n чисел, просто возьмите n случайных выборок из выборки, с заменой . Результирующий набор будет иметь ожидаемое среднее значение и дисперсию примерно так же, как и исходная выборка, но обычно они будут немного отличаться.

При этом, не зная, зачем вам нужно больше случайных чисел, невозможно сказать, каков правильный ответ. Возникает вопрос, пытаетесь ли вы решить не ту задачу ...

Я не смог устоять - мне очень нравится угол Джейсона, но я не был счастлив, что его ответ охватывает только те случаи, когда m> s, поэтому Следуя его идее, я разработал общее решение.
Самым простым распределением с заданными m, s и положительными членами является

с вероятностью p, возврат 0
с вероятностью (1-p) вернуть m / (1-p)
где (1-p) = m ^ 2 / (m ^ 2 + s ^ 2)

Доказательство: для распределения X с двумя исходами lowX с вероятностью p и highX с вероятностью (1-p),
m = E [X] = px lowX + (1-p) x highX
s ^ 2 = Дисперсия (X) = E [X ^ 2] - E [X] ^ 2 = px lowX ^ 2 + (1-p) x highX ^ 2 - m ^ 2

Установите lowX в 0 и разрешите в highX и стр.

Если я правильно вас понял, вы хотите сгенерировать случайные числа из распределения с положительной поддержкой. Есть много возможных вариантов. Самым простым является

хи-квадрат: http://en.wikipedia.org/wiki/Chi-square_distribution (который является просто суммой двух квадратов гауссиана)

Все ассиметрические распределения (экспоненциальное, вейбулловское, Парето, обратное гауссовское, логнормальное, гамма)

Все распределения из асимметричного семейства (косонормального, косого -student, ...)

Все вышеперечисленные функции таковы, что любое случайное число, полученное из любой из них, всегда будет положительным.

DoSomething должен возвращать экземпляр класса с методом DoAlse.

q = bObjects.filter (c_d=d) //Give me d not defined. но d является объектом, подобным c в объекте B.

Попробуйте сделать следующее:

from django.db.models import F
q = bObjects.filter(c__d=F('d'))

Что касается вопроса из вашего комментария ниже, вы можете иметь 1 sql-запрос вместо 100 следующими способами:

1), если можно выразить выбор объектов A в виде запроса (например, a.price < 10 и a.weight > 20), используйте следующее:

B.objects.filter(a__price__lt=10, a__weight__gt=20, c__d=F('d'))

или это:

B.objects.filter(a__in=A.objects.filter(price__lt=10, weight__gt=20), c_d=F('d'))

2) если у вас только что есть список python объектов A, используйте следующее:

B.objects.filter(a__pk__in=[a.pk for a in your_a_list], c__d=F('d'))

Вы можете использовать любое распределение, которое имеет положительную поддержку И может быть определено средним и дисперсией. Например, распределение

• одного параметра не будет работать в целом. Например, хи-квадрат не будет работать, если ваша дисперсия всегда вдвое превышает ее среднее значение. Аналогично экспоненциальный не будет работать, если ваша дисперсия не равна вашей средней в квадрате.
• некоторые двухпараметрические распределения в некоторых случаях не работают. Биномиальное распределение не сработает, если дисперсия не меньше вашего среднего. Точно так же нецентральный хи-квадрат не будет работать, если ваша дисперсия больше чем в 2 раза вашего среднего и меньше чем в 4 раза вашего среднего!
• Однако log-normal и gamma будут работать во всех случаях.