如何从自定义梯形概率密度函数生成样本以拟合梯形直方图？

要从自定义的梯形PDF生成符合分布的样本，最直接的方法是逆变换采样法——先推导PDF对应的累积分布函数（CDF），再通过CDF的逆函数，将均匀分布的随机数转换为目标分布的样本。

步骤1：推导梯形PDF的CDF与逆CDF #

已知你的梯形PDF参数为a（左起点）、b（左平顶起点）、c（右平顶终点）、d（右终点），先计算关键常数：

• 归一化常数const = 2 / (d + c - a - b)
• 总区间长度相关的S = d + c - a - b
• CDF在b点的值u1 = (b - a) / S
• CDF在c点的值u2 = 1 - (d - c) / S

针对均匀分布随机数u ∈ [0,1)，逆CDF的分情况计算逻辑：

• 当0 ≤ u < u1：x = a + sqrt(u * (b - a) * S)
• 当u1 ≤ u < u2：x = b + (u - u1) / const
• 当u2 ≤ u < 1：x = d - sqrt( (1 - u) * (d - c) * S )

步骤2：实现逆CDF并生成样本 #

用numpy实现向量化的逆CDF函数，批量生成样本：

import numpy as np
import matplotlib.pyplot as plt

# 你定义的梯形PDF
def trapezoidal_pdf(x, a, b, c, d):
    const = (2 / (d + c - a - b))
    if a <= x < b:
        return const * (x - a) / (b - a)
    elif b <= x < c:
        return const
    elif c <= x < d:
        return const * (d - x) / (d - c)
    else:
        return 0.0

# 向量化的梯形PDF（方便画图）
vec_trapezoidal_pdf = np.vectorize(trapezoidal_pdf)

# 实现逆CDF函数
def trapezoidal_icdf(u, a, b, c, d):
    S = d + c - a - b
    u1 = (b - a) / S
    u2 = 1 - (d - c) / S
    const = 2 / S
    
    # 分情况计算，用numpy的where处理向量化
    x = np.where(
        u < u1,
        a + np.sqrt(u * (b - a) * S),
        np.where(
            u < u2,
            b + (u - u1) / const,
            d - np.sqrt( (1 - u) * (d - c) * S )
        )
    )
    return x

# 生成样本
a, b, c, d = 1, 2, 4, 5  # 示例参数
num_samples = 100000
u = np.random.uniform(0, 1, num_samples)
samples = trapezoidal_icdf(u, a, b, c, d)

# 画图验证：直方图 + PDF曲线
plt.figure(figsize=(10,6))
# 画直方图，密度归一化
plt.hist(samples, bins=100, density=True, alpha=0.6, label='样本直方图')
# 画PDF曲线
x_range = np.linspace(a-0.5, d+0.5, 1000)
pdf_values = vec_trapezoidal_pdf(x_range, a, b, c, d)
plt.plot(x_range, pdf_values, 'r', linewidth=2, label='梯形PDF')
plt.xlabel('x')
plt.ylabel('概率密度')
plt.legend()
plt.title('梯形分布样本直方图与PDF对比')
plt.show()

说明 #

• 逆变换采样的核心是利用“任何分布的CDF都是[0,1]上的均匀分布”这一性质，通过反推得到目标样本。
• 用numpy的向量化操作处理批量样本，比循环高效得多，适合生成大量样本。
• 运行代码后，直方图会和你定义的梯形PDF完全匹配，验证样本的正确性。

内容的提问来源于stack exchange，提问作者Fazlur Rahman