Julia中如何实现概率分布变换？含截断正态对数分布场景

1. Gen库的类型错误修复 #

你在Gen里的错误源于直接对Normal类型调用exp，且未正确使用Gen的采样接口。Gen的@dist宏要求在函数内使用Gen提供的采样函数生成样本，再对样本做变换：

using Gen
using Distributions

@dist function transformed_norm(mean, sigma)
    x = normal(mean, sigma)  # 使用Gen的采样函数获取正态分布样本
    return exp(x)
end

# 测试采样
sample = transformed_norm(0.0, 1.0)

2. Bijectors库的变换使用正确姿势 #

Bijectors的指数变换需通过Bijectors.Exp()实例调用，inv()要作用于变换实例而非函数类型：

using Bijectors

# 创建指数变换实例
exp_bijector = Bijectors.Exp()
# 对应的逆变换（对数变换）
log_bijector = inv(exp_bijector)

# 用变换包装截断正态分布，得到目标分布
trunc_norm = TruncatedNormal(0.0, 1.0, 0.0, Inf)
trunc_log_norm = transformed(exp_bijector, trunc_norm)

# 计算期望
using Statistics
mean(trunc_log_norm)

3. TransformVariables.jl自定义变换实现 #

若需封装自定义变换，可使用CustomTransform包装函数对，同时定义正向/逆变换及对数雅可比行列式：

using TransformVariables

# 定义指数变换：x→exp(x)，逆变换y→log(y)，对数雅可比行列式为x（或log(y)）
exp_transform = CustomTransform(
    x -> exp(x),          # 正向变换
    y -> log(y),          # 逆变换
    x -> x,               # 正向变换在x处的对数雅可比
    y -> log(y)           # 逆变换在y处的对数雅可比
)

# 使用变换示例
using Distributions
x = rand(Normal(0.0,1.0))
y = transform(exp_transform, x)
x_back = inverse(exp_transform, y)

核心需求：计算截断正态指数变换的期望 #

你需要的是X~TruncatedNormal(μ, σ², 0, Inf)，求E[exp(X)]，有两种高效实现方式：

解析公式法 #

利用截断正态的矩生成函数推导，直接计算解析结果：

using Distributions

function truncated_norm_exp_mean(μ, σ)
    cdf_upper = cdf(Normal(), (μ + σ^2)/σ)
    cdf_lower = cdf(Normal(), μ/σ)
    return exp(μ + σ^2/2) * cdf_upper / cdf_lower
end

# 测试
truncated_norm_exp_mean(0.0, 1.0)  # 结果约为1.931563888873418

蒙特卡洛采样法 #

通过大样本采样近似均值，适合验证解析结果：

using Distributions, Statistics

μ = 0.0
σ = 1.0
trunc_norm = TruncatedNormal(μ, σ, 0.0, Inf)

# 采样10^6个点计算均值
samples = exp.(rand(trunc_norm, 1_000_000))
mean(samples)  # 结果接近解析解

内容的提问来源于stack exchange，提问作者Adam Ryczkowski