生成相关二项分布变量：n=4、p=0.5的导弹命中模拟需求

针对你提出的4枚存在相关性的导弹命中数生成需求，这里提供一套基于多元正态Copula的实现方案，完美适配corr∈[0,1]的场景，具体步骤和代码如下：

核心思路 #

每枚导弹的命中状态是伯努利变量（0=未命中，1=命中），我们需要先生成一组带指定相关性的伯努利变量，再求和得到0-4之间的离散结果。由于直接构造多元伯努利联合分布较复杂，正态Copula是最实用的方法——它通过先生成相关的正态变量，再转换为符合边际分布的离散变量。

步骤拆解 #

1. 构建相关性对应的协方差结构 #

每枚导弹的边际分布是Bernoulli(p=0.5)，其方差为p*(1-p)=0.25。对于任意两枚导弹，它们的协方差为：
cov = corr * sqrt(var1 * var2) = corr * 0.25
对应到多元正态分布的相关系数矩阵，对角线元素为1（变量自身完全相关），非对角线元素为指定的corr。

2. 生成相关伯努利变量并求和 #

具体流程：

• 生成服从多元正态分布的4维变量，其相关系数矩阵与我们需要的导弹相关性一致
• 将正态变量转换为[0,1]区间的均匀分布变量（通过正态分布的累积分布函数）
• 用伯努利分布的阈值p=0.5将均匀变量映射为命中/未命中状态
• 对4个状态变量求和，得到最终的命中数

Python代码实现 #

用scipy和numpy即可快速实现：

import numpy as np
from scipy.stats import multivariate_normal, norm

def generate_correlated_hit_count(n=4, p=0.5, corr=0.5):
    # 构建多元正态分布的相关系数矩阵
    corr_matrix = np.full((n, n), corr)
    np.fill_diagonal(corr_matrix, 1.0)  # 对角线为1（自身相关）
    
    # 生成多元正态随机变量
    normal_vars = multivariate_normal.rvs(mean=np.zeros(n), cov=corr_matrix)
    
    # 转换为均匀分布变量
    uniform_vars = norm.cdf(normal_vars)
    
    # 转换为伯努利变量：<=p则命中（1），否则未命中（0）
    hit_flags = (uniform_vars <= p).astype(int)
    
    # 返回总命中数
    return hit_flags.sum()

# 测试示例：生成5个corr=0.8的样本
for _ in range(5):
    print(f"命中数：{generate_correlated_hit_count(corr=0.8)}")

特殊场景验证 #

• 当corr=0时：生成的伯努利变量完全独立，求和结果服从标准二项分布Binomial(4, 0.5)，和预期一致
• 当corr=1时：所有正态变量完全相同，最终所有导弹要么全命中（返回4）要么全未命中（返回0），符合题目描述的极端相关情况

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