从物流配送中生成样本

物流分布的倒数不难找到,所以你可以使用 Inverse transform sampling . 基本算法是:

for each random variate x ~ logistic
  generate a random variate y ~ Uniform(0, 1)
  x := F^-1 (y)

其中f^-1是逻辑或所需分布的逆CDF。大多数编程语言都允许您通过某种rand函数在0和1之间生成一个统一的变量。

下面是一些通过逻辑分布生成1000个随机变量的python代码:

from random import random
import math
import pylab

loc, scale = 0, 1

randvars = []
for i in range(1000):
    x = random()
    y = loc + scale * math.log(x / (1-x))
    randvars.append(y)

pylab.hist(randvars)

有一种非常常见的方法可以为大多数兴趣分布创建随机数,这就是逆CDF方法。

首先,生成一个反转 Cumulative distribution function 对于所讨论的分布——由于CDF是一个函数,它获取分布域中的值并将其映射到[0,1],因此逆CDF是一个函数,它获取[0,1]中的值并以适当的概率将其映射到分布域中的值。许多常见的分布都有逆向CDF,它们是通过分析推导出来的,但是如果分布是不可计算的或近似的,则可以创建一个近似的数值逆向CDF。

其次,取任意一个好的随机数生成器,生成均匀分布在[0,1]上的数,并通过逆CDF运行其输出。现在输出遵循您开始使用的分布。

可以找到物流分布的逆CDF。 here .

逻辑分布是指两个Gumbel分布的差异,其变量为指数变量的负对数或相等。 log(u/(1.0 - u)) 在哪里? u 是一个统一变量。