Box-Muller算法
当x和y是两个独立且服从（0，1）均匀分布的随机变量时，有：
Z1和Z2独立且服从标准正态分布，当带入均值和方差时:
均值
，标准差
计算:
# 根据正态分布的 3sigma法则，5-10范围的均值和方差，和[5,6,7,8,9,10]差不多
# 故：5-10范围的均值：(5+10)/2=7.5
# 标准差：(10-7.5)/3
# s = [5,6,7,8,9,10]
# mu = np.mean(s) # 均值
# sigma = np.std(s) # 标准差
# var = np.var(s) # 方差
go生成符合正态分布随机数：
import (
"fmt"
"math"
"math/rand"
"time"
)
func GetGaussRandomNum(min, max int64) int64 {
σ := (float64(min) + float64(max)) / 2
μ := (float64(max) - σ) / 3
rand.Seed(time.Now().UnixNano())
x := rand.Float64()
x1 := rand.Float64()
a := math.Cos(2*math.Pi*x) * math.Sqrt((-2)*math.Log(x1))
result := a*μ + σ
return int64(result)
}
func main() {
for i := 1; i < 1000; i++ {
result := GetGaussRandomNum(30, 60)
fmt.Println(result)
}
}python生成符合正态分布随机数：
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import random
# 方法一
def getGaussRandomNum(min, max):
# 比如 生成 50-100 范围内的正态分布的数，均值为75
# 据 3 sigma 法则，取标准差为 （100-75）/3 = 8.33
# mu, sigma = 75, 8.33
# 30-60 mu=45 sig=(60-45)/3=5
mu = (min + max) / 2
sigma = (max - mu) / 3
s = np.random.normal(mu, sigma, 1)
return int(s)
# sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
# sns.distplot(s,color="r",bins=1000,kde=True) #绘制直方图，color设置颜色，bins设置直方图的划分数
# plt.show() #显示验证结果
# 方法二
def getGaussRandomNum1(min, max):
mu = (min + max) / 2
sigma = (max - mu) / 3
s = random.gauss(mu, sigma)
return int(s)
