Desarrollo de Python
  1. Desarrollo de Python
  3. Cómo generar una distribución normal aleatoria de enteros.
Intereting Posts
Ejecutando un script R en python a través de subprocess.Popen Rastreo de LinkedIn mientras se autentica con Scrapy Usando la misma opción varias veces en el argparse de Python Actualización del valor del índice en For Loop Los datos de MySQL INSERT no se almacenan en la base de datos adecuada, solo temporal? Alinear columnas de números (imprimir salida en formato de tabla) La forma más rápida de procesar numéricamente 2d-array: dataframe vs series vs array vs numba Python – El progtwig no se muestra como estaba previsto ¿Cómo establecer la velocidad de aprendizaje por capas en Tensorflow? Calculadora de GPA (división por cero) – Python Crea un servidor de soap python basado en wsdl Delegados en python Sobrescribir auto_now para unittest ¿Cómo trazar la función 3D como un mapa de color 2D en Python? Variables PyMySQL en consultas

Cómo generar una distribución normal aleatoria de enteros.

Cómo generar un entero aleatorio como con np.random.randint() , pero con una distribución normal en torno a 0.

np.random.randint(-10, 10) devuelve números enteros con una distribución uniforme discreta np.random.normal(0, 0.1, 1) devuelve flotantes con una distribución normal

Lo que quiero es una especie de combinación entre las dos funciones.

Otra forma posible de obtener una distribución discreta que se parece a la distribución normal es recurrir a una distribución multinomial donde las probabilidades se calculan a partir de una distribución normal. 

 import scipy.stats as ss import numpy as np import matplotlib.pyplot as plt x = np.arange(-10, 11) xU, xL = x + 0.5, x - 0.5 prob = ss.norm.cdf(xU, scale = 3) - ss.norm.cdf(xL, scale = 3) prob = prob / prob.sum() #normalize the probabilities so their sum is 1 nums = np.random.choice(x, size = 10000, p = prob) plt.hist(nums, bins = len(x))

Aquí, np.random.choice elige un número entero de [-10, 10]. La probabilidad de seleccionar un elemento, digamos 0, se calcula mediante p (-0.5

El resultado se ve así:

introduzca la descripción de la imagen aquí

Puede ser posible generar una distribución similar a partir de una distribución normal truncada que se redondea a números enteros. Aquí hay un ejemplo con truncnorm de Scipy () . 

 import numpy as np from scipy.stats import truncnorm import matplotlib.pyplot as plt scale = 3. range = 10 size = 100000 X = truncnorm(a=-range/scale, b=+range/scale, scale=scale).rvs(size=size) X = X.round().astype(int)

Veamos como se ve 

 bins = 2 * range + 1 plt.hist(X, bins)

introduzca la descripción de la imagen aquí

Aquí empezamos por obtener valores de la curva de campana .

CÓDIGO: 

 #--------*---------*---------*---------*---------*---------*---------*---------* # Desc: Discretize a normal distribution centered at 0 #--------*---------*---------*---------*---------*---------*---------*---------* import sys import random from math import sqrt, pi import numpy as np import matplotlib.pyplot as plt def gaussian(x, var): k1 = np.power(x, 2) k2 = -k1/(2*var) return (1./(sqrt(2. * pi * var))) * np.exp(k2) #--------*---------*---------*---------*---------*---------*---------*---------# while 1:# MAINLINE # #--------*---------*---------*---------*---------*---------*---------*---------# # # probability density function # # for discrete normal RV pdf_DGV = [] pdf_DGW = [] var = 9 tot = 0 # # create 'rough' gaussian for i in range(-var - 1, var + 2): if i == -var - 1: r_pdf = + gaussian(i, 9) + gaussian(i - 1, 9) + gaussian(i - 2, 9) elif i == var + 1: r_pdf = + gaussian(i, 9) + gaussian(i + 1, 9) + gaussian(i + 2, 9) else: r_pdf = gaussian(i, 9) tot = tot + r_pdf pdf_DGV.append(i) pdf_DGW.append(r_pdf) print(i, r_pdf) # # amusing how close tot is to 1! print('\nRough total = ', tot) # # no need to normalize with Python 3.6, # # but can't help ourselves for i in range(0,len(pdf_DGW)): pdf_DGW[i] = pdf_DGW[i]/tot # # print out pdf weights # # for out discrte gaussian print('\npdf:\n') print(pdf_DGW) # # plot random variable action rv_samples = random.choices(pdf_DGV, pdf_DGW, k=10000) plt.hist(rv_samples, bins = 100) plt.show() sys.exit()

SALIDA: 

 -10 0.0007187932912256041 -9 0.001477282803979336 -8 0.003798662007932481 -7 0.008740629697903166 -6 0.017996988837729353 -5 0.03315904626424957 -4 0.05467002489199788 -3 0.0806569081730478 -2 0.10648266850745075 -1 0.12579440923099774 0 0.1329807601338109 1 0.12579440923099774 2 0.10648266850745075 3 0.0806569081730478 4 0.05467002489199788 5 0.03315904626424957 6 0.017996988837729353 7 0.008740629697903166 8 0.003798662007932481 9 0.001477282803979336 10 0.0007187932912256041 Rough total = 0.9999715875468381 pdf: [0.000718813714486599, 0.0014773247784004072, 0.003798769940305483, 0.008740878047691289, 0.017997500190860556, 0.033159988420867426, 0.05467157824565407, 0.08065919989878699, 0.10648569402724471, 0.12579798346031068, 0.13298453855078374, 0.12579798346031068, 0.10648569402724471, 0.08065919989878699, 0.05467157824565407, 0.033159988420867426, 0.017997500190860556, 0.008740878047691289, 0.003798769940305483, 0.0014773247784004072, 0.000718813714486599]

introduzca la descripción de la imagen aquí

La respuesta aceptada aquí funciona, pero probé la solución de Will Vousden y también funciona bien: 

 import numpy as np # Generate Distribution: randomNums = np.random.normal(scale=3, size=100000) randomInts = np.round(randomNums) # Plot: axis = np.arange(start=min(randomInts), stop = max(randomInts) + 1) plt.hist(randomInts, bins = axis)

Se ve bien no?