如何基于中心极限定理从均匀随机数生成无阶乘泊松噪声？

1. 从均匀随机数近似生成高斯噪声 #

利用中心极限定理：多个独立同分布的均匀随机变量的和，会趋近于正态（高斯）分布。其中最实用的简化实现是使用12个[0,1)区间的均匀随机数，计算上无需额外开根号操作：

每个[0,1)均匀随机变量的均值为0.5，方差为1/12。12个这样的变量求和后，均值为6，方差为1。将求和结果减去6，就能得到近似标准正态分布（均值0，方差1）的随机数。再通过线性变换mu + z * sigma，即可得到任意均值mu、标准差sigma的高斯分布样本。

伪代码示例：

import random

def approx_gaussian(mu, sigma):
    # 用12个均匀随机数生成近似高斯样本
    sum_u = sum(random.uniform(0, 1) for _ in range(12))
    z = sum_u - 6  # 标准正态分布近似值
    return mu + z * sigma

这个方法计算高效，无需复杂运算，12个样本的近似度在大多数工程场景中足够使用；若需要更高精度，可增加均匀随机数的数量（如24个），近似效果会更接近真实高斯分布。

2. λ较小时用高斯噪声近似泊松噪声的优化方法 #

泊松分布的均值和方差均为λ，理论上可用高斯分布N(λ, λ)（均值λ，标准差sqrt(λ)）近似，但λ较小时（通常λ<5），泊松分布是右偏的离散分布，而高斯是对称连续分布，直接近似误差较大，需通过以下修正优化：

核心修正技巧 #

• 连续性修正：泊松变量是离散整数，高斯变量是连续值。为匹配两者的概率对应关系，生成高斯样本后，需将其调整为gauss_sample - 0.5再取整，让离散的泊松整数k对应高斯分布中[k-0.5, k+0.5)的区间概率。
• 非负截断：泊松变量取值非负，但λ较小时高斯样本可能出现负值，需将所有负样本截断为0。

完整伪代码实现 #

import random
import math

def approx_poisson(lam):
    # 生成近似高斯N(lam, lam)的样本
    sum_u = sum(random.uniform(0, 1) for _ in range(12))
    z = sum_u - 6
    gauss_sample = lam + z * math.sqrt(lam)
    
    # 应用连续性修正+非负截断，得到泊松近似样本
    corrected = gauss_sample - 0.5
    poisson_sample = max(0, round(corrected))
    return poisson_sample

λ极小时的额外优化 #

当λ<0.5时，高斯近似的负样本概率会升高，此时可：

• 增加生成高斯样本的均匀随机数数量（如24个），提升高斯分布的近似精度；
• 结合泊松分布的可加性：将λ拆分为n个小值λ/n，分别生成每个小值的近似泊松样本后求和（每个小值的高斯近似误差更小）。

内容的提问来源于stack exchange，提问作者nishi