在Python中可视化正弦分布随机变量：生成抽样直方图

1. 用逆变换法生成随机样本 #

要得到符合f(t)=0.5sin(t)（t∈[0,π]）分布的随机样本，最直接的方法是用逆变换法：

• 先计算该分布的累积分布函数(CDF)：F(t) = ∫₀ᵗ 0.5sin(x)dx = 0.5(1 - cos(t))
• 求CDF的逆函数：令u = 0.5(1 - cos(t))，解得t = arccos(1 - 2u)，其中u是0到1之间的均匀分布随机数

2. 完整代码实现（含PDF与直方图同图绘制） #

假设你用Python的numpy和matplotlib实现，以下是整合后的代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成10^4个目标分布的随机样本
np.random.seed(42)  # 设置随机种子，结果可复现
u_samples = np.random.uniform(0, 1, size=10**4)
target_samples = np.arccos(1 - 2 * u_samples)

# 绘制PDF曲线
t_range = np.linspace(0, np.pi, 1000)
pdf_curve = 0.5 * np.sin(t_range)

# 创建画布并绘图
plt.figure(figsize=(10, 6))
# 绘制直方图，density=True让直方图高度与PDF匹配（面积归一为1）
plt.hist(target_samples, bins=50, density=True, alpha=0.6, label='10^4个随机样本直方图')
# 绘制PDF曲线
plt.plot(t_range, pdf_curve, 'r-', linewidth=2, label='PDF: 0.5sin(t)')

# 图表样式设置
plt.xlabel('t')
plt.ylabel('概率密度')
plt.title('0.5sin(t)分布的PDF与随机抽样直方图')
plt.xlim(0, np.pi)
plt.legend()
plt.grid(alpha=0.3)

plt.show()

3. 关键细节说明 #

• 逆变换的正确性：代入均匀分布随机数到逆函数，生成的样本完全符合给定的概率密度分布
• 直方图与PDF匹配：density=True参数会把直方图的总面积归一为1，和PDF的积分（总概率）一致，两者可以直接对比
• 可视化优化：设置alpha让直方图和曲线的重叠部分更清晰，添加网格和图例提升可读性

内容的提问来源于stack exchange，提问作者WatT