分段型随机变量模拟问询：可否通过U(0,1)实现模拟？

当然可以！这其实就是咱们常用的逆变换采样法的典型场景，完美适配你这种分段定义CDF的随机变量模拟需求～

核心逻辑回顾 #

逆变换采样的核心思路很简单：如果我们能生成一个服从 $U(0,1)$ 的均匀随机变量 $U$，只要找到目标分布累积分布函数 $F(x)$ 的反函数 $F^{-1}(u)$，那么 $X = F^{-1}(U)$ 就会严格服从我们想要的目标分布。

针对你给出的分布的具体推导 #

你的目标分布CDF是分段定义的，我们需要分别对两个区间求反函数：

1. 当 $u \in [0, 0.5]$ 时（对应原变量 $x \in [-1,0]$）：
   此时CDF为 $F(x) = \frac{x^2}{2} + x + 0.5$，解方程 $u = \frac{x^2}{2} + x + 0.5$，整理后用求根公式可得：
   $$x = -1 + \sqrt{2u}$$
   （舍去了不符合区间的负根，因为x要落在[-1,0]）

2. 当 $u \in (0.5, 1]$ 时（对应原变量 $x \in (0,1]$）：
   此时CDF为 $F(x) = -\frac{x^2}{2} + x + 0.5$，解方程 $u = -\frac{x^2}{2} + x + 0.5$，整理后求根可得：
   $$x = 1 - \sqrt{2(1 - u)}$$
   （同样舍去了不符合区间的正根，因为x要落在(0,1]）

模拟步骤（附Python实现示例） #

• 第一步：生成若干个 $U(0,1)$ 均匀随机数
• 第二步：根据每个随机数的区间，选择对应的反函数计算目标变量值
• 第三步：得到的结果就是服从目标分布的样本

示例代码：

import numpy as np

def simulate_target_distribution(n_samples):
    # 生成均匀分布样本
    u_samples = np.random.uniform(low=0, high=1, size=n_samples)
    target_samples = np.zeros_like(u_samples)
    
    # 处理第一个区间的样本
    lower_mask = u_samples <= 0.5
    target_samples[lower_mask] = -1 + np.sqrt(2 * u_samples[lower_mask])
    
    # 处理第二个区间的样本
    upper_mask = u_samples > 0.5
    target_samples[upper_mask] = 1 - np.sqrt(2 * (1 - u_samples[upper_mask]))
    
    return target_samples

# 测试生成1000个样本
samples = simulate_target_distribution(1000)

你可以验证一下，比如当u=0时得到x=-1，u=0.5时得到x=0，u=1时得到x=1，完全符合CDF的边界特征，模拟出来的样本也会和目标分布的PDF匹配～

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