方法三：由正态分布曲线图形得到的直观结果
图1 正态分布曲线
从上图可以看出，在μ附近的概率密度大，远离μ的地方概率密度小，我们要产生的随
机数要服从这种分布，就是要使产生的随机数在μ附近的概率要大，远离μ处小。算法的主要思想是：在上图的大矩形中随机产生点，这些点是平均分布的，如果产生的点落在概率密度曲线的下方，则认为产生的点是符合要求的，将它们保留，如果在概率密度曲线的上方，
则认为这些点不合格，将它们去除。如果随机产生了一大批在整个矩形中均匀分布的点，那
么被保留下来的点的横坐标就服从了正态分布。可以设想，由于在μ处的
f(x)的值比较大，理所当然的在μ附近的点个数要多，远离μ处的少，这从面积上就可以看出来。我们要产生的随机数就是这里的横坐标。
根据以上所述三种方法，编写C++测试代码如下：
#include
#include
#include
#include
#include
using namespace
std;
#define pi 3.1415926
#define rd (rand()/(RAND_MAX+1.0))
//区间[min,max]上的均匀分布,min和max要求传入的参数类型一致
template
T>
T rand(T min, T max)
{
return
min+(max-min)*rand()/(RAND_MAX+1.0);
}
//求均值为miu，方差为sigma的正太分布函数在x处的函数值
double normal(double x,
double miu,double sigma)
{
return
1.0/sqrt(2*pi)/sigma*exp(-1*(x-miu)*(x-miu)/(2*sigma*sigma));
}
//按照矩形区域在函数值曲线上下位置分布情况得到正太函数x值
double randn(double
miu,double sigma, double min ,double max)
{
double x,y,dScope;
do{
x=rand(min,max);
y=normal(x,miu,sigma);
dScope=rand(0.0,normal(miu,miu,sigma));
}while(dScope>y);
return x;
}
double randn(int
type)
{
//按照12个均匀分布之和减去6得到正态分布函数的x值
if (type==1)
return
rd+rd+rd+rd+rd+rd+rd+rd+rd+rd+rd+rd-6.0;
//按照计算公式y=sqrt(-2*ln(U))*cos(2*PI*V)计算得到x
else if(type==2)
return
sqrt(-2*log(rand()/(RAND_MAX+1.0)))*cos(2*pi*rand()/(RAND_MAX+1.0));
else
return
randn(0.0,1.0,-10.0,10.0);
}
int main(int
argc,char* argv[])
{
srand((unsigned)time( NULL
));
ofstream outfile("321.txt");
for (int i=0;i<100;i++)
{
//randn(1)、randn(2)和randn(3)效果差不多
outfile << randn(3) << endl;
}
return 0;
}
参考：
[1] http://zh.wikipedia.org/wiki/正态分布
[2] http://en.wikipedia.org/wiki/Normal_distribution
[3]
http://wenku.baidu.com/view/e9de620d7cd184254b3535c9?pn=2&ssid=&from=&bd_page_type=1&uid=bd_1332071259_725&pu=sl@1,pw@1000,sz@224_220,pd@1,fz@2,lp@0,tpl@color,