對數常態分布亂數產生器

對數常態分布亂數產生器

成長中 AI Skill PRO

輸入計算

數學公式

X=exp⁡(μ+σZ)其中{Z=−2ln⁡U1cos⁡(2πU2)U1,U2∼均勻(0,1)\begin{gathered} X = \exp\!\left({\mu} + {\sigma}\, Z\right) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} Z &= \sqrt{-2\ln U_1}\,\cos(2\pi U_2) \\ U_1, U_2 &\sim \text{均勻}(0,1) \end{aligned} \right. \end{gathered}
顯示計算步驟 (1)
  1. 分布統計量

    平均數=exp⁡(μ+12σ2)中位數=exp⁡(μ)變異數=(eσ2−1)e2μ+σ2\begin{aligned} \text{平均數} &= \exp\!\left({\mu} + \tfrac{1}{2}{\sigma}^{2}\right) \\ \text{中位數} &= \exp\!\left({\mu}\right) \\ \text{變異數} &= \left(e^{{\sigma}^{2}} - 1\right) e^{\,2{\mu} + {\sigma}^{2}} \end{aligned}

    由 mu 與 sigma 計算對數常態分布的理論平均數、中位數與變異數。

使用統計

廣告

結果

已產生的對數常態亂數
10
個正值對數常態變量(Box-Muller)
0.0.09821386618
1.0.3128430337
2.1.049675250
3.153.5072350
4.0.4862576641
5.12.39024849
6.65.54462553
7.6.134394406
8.13.93567002
9.1.634582315
理論平均數 20.085537
理論中位數 2.718282
理論變異數 Var[X] 21,623.037001

回報本頁錯誤

這個產生器的功能

這個工具會產生一串符合對數常態分布(Log-Normal Distribution)的偽隨機數。當一個隨機變數 \(X\) 的自然對數 \(\ln(X)\) 呈常態分布時,\(X\) 就屬於對數常態分布。產生器會先以經典的 Box-Muller 轉換製造標準常態變量,再將其縮放到目標常態分布 \(N(\mu, \sigma^2)\),最後取指數,得到必定為正值的對數常態數值。

標註了平均值、中位數與眾數的右偏對數常態機率密度曲線
對數常態分布取正值且右偏,滿足眾數 < 中位數 < 平均值。

重點:μ 與 σ 究竟代表什麼

參數 \(\mu\) 與 \(\sigma\) 描述的是 \(\ln(X)\) 所對應的底層常態分布,並不是 \(X\) 本身的平均數與標準差,這點務必留意。\(X\) 真正的平均數為 \(\exp(\mu + \sigma^2/2)\),中位數為 \(\exp(\mu)\),變異數則是 \((\exp(\sigma^2) - 1)\cdot\exp(2\mu + \sigma^2)\)。這些理論參考值會與你的抽樣結果並列顯示,方便你檢查輸出是否合理。

$$\begin{aligned} \text{Mean} &= \exp\!\left(\mu + \tfrac{1}{2}\sigma^{2}\right) \\ \text{Median} &= \exp\!\left(\mu\right) \\ \text{Var} &= \left(e^{\sigma^{2}} - 1\right) e^{\,2\mu + \sigma^{2}} \end{aligned}$$

使用方式

輸入 \(\mu\)(任意實數)、\(\sigma\)(零或正數),以及想要產生的數量(1 到 1000 個)。接著選擇要顯示幾位有效數字。每次執行都會重新抽取均勻亂數,因此每回的結果都不相同。由於 Box-Muller 法每對均勻亂數可產生兩個常態變量,若輸入的數量為奇數,多出的那一個變量便會直接捨棄。

廣告

公式解析

對於落在 \((0,1]\) 的均勻亂數 \(U_1\)、\(U_2\):\(Z = \sqrt{-2\ln U_1}\,\cos(2\pi U_2)\) 會得到 \(Z \sim N(0,1)\)。接著 \(Y = \mu + \sigma\cdot Z\) 即為 \(N(\mu, \sigma^2)\),而 \(X = \exp(Y)\) 便是對數常態值。為了避免出現 \(\ln(0)\),我們會將 \(U_1\) 限制在一個極小的 epsilon 之上。

$$X = \exp\!\left(\mu + \sigma\, Z\right) \\[1.5em] \text{where}\quad \left\{ \begin{aligned} Z &= \sqrt{-2\ln U_1}\,\cos(2\pi U_2) \\ U_1, U_2 &\sim \text{Uniform}(0,1) \end{aligned} \right.$$
將兩個均勻隨機數轉換為對數常態值的 Box-Muller 變換流程圖
兩個均勻隨機數經 Box-Muller 變換成標準常態 \(Z\),再經縮放與指數化得到 \(X\)。

實際範例

設 \(\mu = 1\)、\(\sigma = 2\),並取 \(U_1 = 0.5\)、\(U_2 = 0.25\)。則 \(R = \sqrt{-2\ln 0.5} = 1.17741\)。\(Z_1 = R\cdot\cos(\pi/2) = 0\),\(Z_2 = R\cdot\sin(\pi/2) = 1.17741\)。因此 \(X_1 = \exp(1) = 2.71828\),\(X_2 = \exp(1 + 2\cdot 1.17741) = \exp(3.35482) \approx 28.64\)。理論平均數 \(\exp(3) = 20.0855\) 與中位數 \(\exp(1) = 2.71828\) 都與結果一致。

μ 與 σ 如何改變分布

參數 \(\mu\) 與 \(\sigma\) 分別是 \(\ln X\) 的平均數與標準差,而不是 \(X\) 本身的平均數與標準差。計算機所報告的理論值依循以下公式:

  • 中位數:\(e^{\mu}\)
  • 平均數:\(e^{\mu+\sigma^2/2}\)
  • 變異數:\((e^{\sigma^2}-1)\,e^{2\mu+\sigma^2}\)
\(\mu\) \(\sigma\) 中位數 \(e^{\mu}\) 平均數 變異數 平均數/中位數 \(e^{\sigma^2/2}\)
0 0.25 1.0000 1.0317 0.0687 1.0317
0 0.5 1.0000 1.1331 0.3647 1.1331
0 1 1.0000 1.6487 4.6708 1.6487
1 0.5 2.7183 3.0802 2.6948 1.1331
1 2 2.7183 20.0855 21,623.04 7.3891

(1, 2) 的計算驗證: 平均數為 \(e^{1+4/2}=e^{3}\approx 20.0855\)。變異數為 \((e^{4}-1)\,e^{2+4}=e^{10}-e^{6}\approx 22026.47-403.43=21623.04\)。

關於比值的說明: 平均數除以中位數永遠等於 \(e^{\sigma^2/2}\),因此它只取決於 \(\sigma\)。改變 \(\mu\) 會等比例縮放整個分布(中位數乘以 \(e^{\Delta\mu}\)),但不會改變其形狀。增加 \(\sigma\) 會使右尾更厚,平均數也會遠高於中位數。

廣告

關鍵術語

對數常態分布
一個正值變數 \(X\) 的分布,其自然對數 \(\ln X\) 服從常態分布。
Mu(\(\mu\))
\(\ln X\) 的平均數。它決定尺度:\(X\) 的中位數為 \(e^{\mu}\)。
Sigma(\(\sigma\))
\(\ln X\) 的標準差。它必須為正數,並控制離散程度與偏態。
標準常態 Z
平均數為 0、變異數為 1 的常態隨機變數。在此 \(X=e^{\mu+\sigma Z}\)。
均勻隨機變數 U
在 0 與 1 之間均勻分布的隨機數。Box-Muller 方法使用其中兩個,即 \(U_1\) 與 \(U_2\),且 \(U_1\) 必須大於 0。
Box-Muller 轉換
一種將兩個獨立的均勻隨機變數轉換為標準常態隨機變數的方法,例如 \(Z=\sqrt{-2\ln U_1}\cos(2\pi U_2)\)。
偽隨機數
由確定性演算法產生的數字,其統計行為類似隨機數,但並非真正隨機。
平均數、中位數、眾數
平均數是平均值,中位數是中間值,眾數是出現最頻繁的值(即密度的峰值)。對於對數常態分布:平均數為 \(e^{\mu+\sigma^2/2}\),中位數為 \(e^{\mu}\),眾數為 \(e^{\mu-\sigma^2}\)。眾數 < 中位數 < 平均數。
變異數
與平均數之差的平方的平均值。對於對數常態分布,其為 \((e^{\sigma^2}-1)e^{2\mu+\sigma^2}\)。
右偏態
一種不對稱性,其尾部朝較大值方向延伸,使平均數高於中位數。

常見問題

為什麼每次執行的數值都不一樣?這是使用 Math.random() 的隨機產生器;在沒有固定種子(seed)的情況下,每次執行的結果自然都會不同。

如果 sigma = 0 會怎樣?此時分布會退化(degenerate),所有數值都會等於 \(\exp(\mu)\)。

數值有可能是負數嗎?不會——對數常態分布的值域為 \((0, \infty)\),因此所有輸出都必定是正數。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器