4、随机数与概率分布：均匀分布、正态分布、指数分布生成方法
做仿真这么多年，我越来越觉得随机数这东西，就像仿真系统的「味精」——放少了没味道，放多了又容易串味。很多刚入行的朋友以为随机数就是随便取个数，其实不然。你想想看，如果仿真里的客户到达时间全是均匀的，那跟现实世界差得也太远了。
今天咱们就聊聊三种最常用的分布：均匀分布、正态分布、指数分布。我会结合我踩过的坑，把生成方法讲透。
4.1 均匀分布：最基础的随机数
均匀分布是所有随机数的「祖宗」。说白了，就是在某个区间内，每个数出现的概率都一样。
数学定义：在区间 [a, b] 上，概率密度函数为 f(x) = 1/(b-a)。
生成方法：几乎所有编程语言都内置了均匀随机数生成器。比如 Python 的 random.uniform(a, b)。
核心要点：均匀分布常用于模拟「无偏」的随机事件，比如骰子点数、抽奖等。
import random
# 生成 [0, 1) 之间的均匀随机数
r = random.random()
print(f"随机数: {r}")
# 生成 [10, 20] 之间的均匀随机数
r2 = random.uniform(10, 20)
print(f"区间随机数: {r2}")我的经验：我在做物流仿真时，曾用均匀分布模拟仓库拣货时间。结果发现实际数据偏差很大——因为工人会疲劳，速度会下降。均匀分布只适合「稳定状态」下的随机过程。
4.2 正态分布：自然界最常见的分布
正态分布，也叫高斯分布。你想想看，人的身高、考试成绩、测量误差……几乎都服从正态分布。为什么会这样？因为中心极限定理告诉我们，大量独立随机变量的和会趋近正态分布。
数学定义：概率密度函数为 f(x) = (1/(σ√(2π))) * e^(-(x-μ)²/(2σ²))，其中 μ 是均值，σ 是标准差。
生成方法：Python 的 random.gauss(mu, sigma) 或 numpy.random.normal(mu, sigma)。
import random
import math
# Box-Muller 变换：从均匀分布生成正态分布
def box_muller():
u1 = random.random()
u2 = random.random()
z0 = math.sqrt(-2 * math.log(u1)) * math.cos(2 * math.pi * u2)
z1 = math.sqrt(-2 * math.log(u1)) * math.sin(2 * math.pi * u2)
return z0, z1
# 生成均值为 100，标准差为 15 的正态分布
mu, sigma = 100, 15
z, _ = box_muller()
x = mu + sigma * z
print(f"正态分布样本: {x:.2f}")
# 直接用库函数
import numpy as np
samples = np.random.normal(mu, sigma, 1000)
print(f"前5个样本: {samples[:5]}")避坑指南：我曾经在仿真中直接用正态分布模拟「响应时间」，结果出现了负数——因为正态分布理论上可以取任何值。对于时间、长度等非负量，建议用截断正态分布或对数正态分布。
4.3 指数分布：描述「等待时间」的利器
指数分布是仿真里最常用的分布之一。它描述的是「事件发生的时间间隔」。比如：电话呼叫的间隔、机器故障的间隔、顾客到达的间隔。
数学定义：概率密度函数为 f(x) = λe^(-λx)，x ≥ 0。其中 λ 是事件发生率（单位时间内事件发生的次数）。
关键性质：无记忆性。也就是说，已经等了多久，不影响还要等多久。这一点在排队论里特别重要。
import random
import math
# 逆变换法：从均匀分布生成指数分布
def exponential(lambda_rate):
u = random.random()
return -math.log(1 - u) / lambda_rate
# 生成事件率为 0.5 的指数分布（平均间隔 2 秒）
lambda_rate = 0.5
intervals = [exponential(lambda_rate) for _ in range(10)]
print(f"前10个时间间隔: {[f'{x:.2f}' for x in intervals]}")
# 用库函数
import numpy as np
samples = np.random.exponential(1/lambda_rate, 1000)
print(f"平均间隔: {np.mean(samples):.2f} 秒")实际应用：我在做呼叫中心仿真时，用指数分布模拟客户来电间隔。λ 取 0.2（平均每5秒一个电话），配合正态分布的服务时长，效果非常接近真实数据。
4.4 三种分布的对比与选择
| 分布类型 | 适用场景 | 参数 | 取值范围 | 典型例子 |
|---|---|---|---|---|
| 均匀分布 | 无偏随机、等概率事件 | a（下限）、b（上限） | [a, b] | 骰子点数、随机抽样 |
| 正态分布 | 自然现象、测量误差 | μ（均值）、σ（标准差） | (-∞, +∞) | 身高、考试成绩 |
| 指数分布 | 等待时间、事件间隔 | λ（事件率） | [0, +∞) | 电话间隔、故障间隔 |
4.5 知识体系图
下面这张图展示了三种分布的核心关系和应用场景，我建议你保存下来，做仿真时对照着看。
4.6 实战建议
- 先看数据：拿到真实数据后，先画直方图，看看形状像哪种分布。
- 参数估计：用最大似然估计或矩估计来拟合参数。
- 验证：用 Kolmogorov-Smirnov 检验或卡方检验来验证拟合效果。
- 注意边界：正态分布可能产生负数，指数分布适合无记忆场景。
我的习惯：每次做仿真前，我都会先跑 10000 个随机数，画个分布图看看。如果形状跟预期不符，赶紧检查参数。这一步能省掉后面很多调试时间。
好了，关于随机数与概率分布，今天就聊到这儿。记住一句话：仿真不是猜谜，随机数也不是随便数。选对分布，你的仿真就成功了一半。
公众号:蓝海资料掘金营，微信deep3321