脚本宝典收集整理的这篇文章主要介绍了javascript代码实例教程-Javascript 随机数函数 学习之二：产生服从正态分布随机数，脚本宝典觉得挺不错的，现在分享给大家，也给大家做个参考。小宝典致力于为广大程序猿（媛）提供高品质的代码服务，请大家多多光顾小站，小宝典在此谢过。 一、为什么需要服从正态分布的随机函数
一般我们经常使用的随机数函数 Math.random() 产生的是服从均匀分布的随机数，能够模拟等概率出现的情况，例如 扔一个骰子，1到6点的概率应该相等，但现实生活中更多的随机现象是符合正态分布的，例如20岁成年人的体重分布等。
假如我们在制作一个游戏，要随机设定许许多多 NPC 的身高，如果还用Math.random()，生成从140 到 220 之间的数字，就会发现每个身高段的人数是一样多的，这是比较无趣的，这样的世界也与我们习惯不同，现实应该是特别高和特别矮的都很少，处于中间的人数最多，这就要求随机函数符合正态分布。
二、正态分布复习
图片来自：https://zh.wikiPEdia.org/zh-cn/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83
具体性质也请查阅上面链接，描述正态分布的主要特征是均值和方差，如上图，最左的倒钟形图的均值为-2, 其余为0 ;
方差越大，钟形越扁平，方差越小越陡;
密度函数图像关于均值对称。
在x=μ±σ处，曲线有拐点。
函数曲线下68.26%的面积在平均数左右的一个标准差σ的区间内。
95.44%的面积在平均数左右两个标准差2σ的区间内。
99.74%的面积在平均数左右三个标准差3σ的区间内。
当均值为0， 方差为 1 时称为标准正态分布;
三、由均匀分布经 “Box-Muller法” 转换为正态分布
通过查阅文献可知（请参见：https://en.wikipedia.org/wiki/Box%E2%80%93Muller_transform），有一个称为 Box-Muller (1958) 转换的算法能够将两个在区间（0,1] 的均匀分布转化为标准正态分布，其公式为：
y1 = sqrt( - 2 ln(u) ) cos( 2 pi v )
y2 = sqrt( - 2 ln(u) ) sin( 2 pi v )
因为三角函数计算较慢，我们可以通过上述公式的一个 polar form（极坐标形式）能够简化计算，
算法描述如下：
复制代码
function getNumberInNormalDistribution(mean,std_dev){
return mean+(randomNormalDistribution()*std_dev);
}
function randomNormalDistribution(){
VAR u=0.0, v=0.0, w=0.0, c=0.0;
do{
//获得两个（-1,1）的独立随机变量
u=Math.random()*2-1.0;
v=Math.random()*2-1.0;
w=u*u+v*v;
}while(w==0.0||w>=1.0)
//这里就是 Box-Muller转换
c=Math.sqrt((-2*Math.LOG(w))/w);
//返回2个标准正态分布的随机数，封装进一个数组返回
//当然，因为这个函数运行较快，也可以扔掉一个
//return [u*c,v*c];
return u*c;
}
复制代码
因此，假如我们要获得均值为180，要68.26%左右的NPC身高都在[170,190]之内，即1个标准差范围内，因此标准差为10, 可以通过getNumberInNormalDistribution(180,10) 调用，我们实验1000000词，得到结果如下：
复制代码
// 身高：频率
128:1
132:1
133:1
134:1
135:1
136:2
137:4
138:8
139:11
140:14
141:19
142:28
143:41
144:54
145:80
146:133
147:153
148:235
149:333
150:429
151:598
152:764
153:1059
154:1314
155:1776
156:2290
157:2835
158:3503
159:4373
160:5513
161:6475
162:7809
163:9437
164:11189
165:13282
166:15020
167:17239
168:19215
169:21597
170:24336
171:26684
172:29000
173:31413
174:33179
175:35027
176:37084
177:38047
178:38968
179:39635
180:39700
181:39548
182:38960
183:38674
184:36948
185:35220
186:33224
187:31038
188:29198
189:26668
190:23893
191:21662
192:19476
193:16898
194:15056
195:13046
196:10971
197:9456
198:7928
199:6697
200:5370
201:4334
202:3548
203:2810
204:2330
205:1765
206:1350
207:1093
208:797
209:595
210:371
211:328
212:255
213:165
214:121
215:91
216:71
217:29
218:32
219:28
220:20
221:6
222:7
223:7
224:3
225:2
228:1
复制代码
绘制成柱状图如下：
可见，这是有着非常明显的正态分布图像特征。
四、由均匀分布叠加获得正态分布
我们需要祭出万能的中心极限定理。
根据独立同分布的中心极限定理：设随机变量X1，X2，...Xn,...相互独立，服从同一分布，且数学期望为μ，标准差为σ (σ>0)，则随机变量之和的标准化变量:
Y=((X1+X2+...+Xn)-nμ)/(sqrt(n)*sqrt(σ)) 近似服从标准正态分布 N(0，1)
如果我们将足够多个均匀分布随机变量相加，相加之和将服从正态分布。但是，我们需要累加多少个均匀分布才能较好低近似正态分布呢？
由于 X~U(0, 1) , 可得 μ=1/2， σ=sqrt(1/12)，代入上面的式子即可近似模拟随机变量之和的概率密度函数(p.d.f).
下图是由2个服从 U(0，1) 分布的随机变量相加得到的 p.d.f 图像：
如果我们增加累加的均匀分布的数量会怎样呢？
上图是 n=3 时的图像，可以看到正态分布的形状出来了，但顶端还略为平缓。
特别低，当n=12时 (随机变量(X1+X2+...+Xn)的均值为6，方差为1) 这时有一个很好的特点，公式 Y=((X1+X2+...+Xn)-nμ)/(sqrt(n)*sqrt(σ)) 的分母正好为1，因此简化成了 Y=((X1+X2+...+Xn)-nμ)，非常便于编程计算，并且已经非常接近于标准正态分布，请见下图：
也就是说均值为μ，标准差为σ 的独立同分布变量 X1，X2, ..., Xn 的算数平均数 T=(X1+X2+ ...+ Xn)/n，当n充分大时，近似地服从均值为μ，方差为σ*σ/n 的正态分布。
最后，代码如下：
复制代码
function getNumberInNormalDistribution(mean,std_dev){
return mean+(uniform2NormalDistribution()*std_dev);
}
function uniform2NormalDistribution(){
var sum=0.0;
for(var i=0; i<12; i++){
sum=sum+Math.random();
}
return sum-6.0;
}
觉得可用，就经常来吧！ 脚本宝典 欢迎评论哦！ js脚本，巧夺天工，精雕玉琢。小宝典献丑了！
以上是脚本宝典为你收集整理的javascript代码实例教程-Javascript 随机数函数 学习之二：产生服从正态分布随机数全部内容，希望文章能够帮你解决javascript代码实例教程-Javascript 随机数函数 学习之二：产生服从正态分布随机数所遇到的问题。
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。