C++17 STL Стандартная библиотека шаблонов

8. Сначала попробуем распределения uniform_int_distribution и normal_distribution. Они используются в большинстве случаев, когда нужно применить генератор случайных чисел. Все, кто когда-то изучал стохастику в университете, скорее всего, слышали о них. Равномерное распределение принимает два значения, указывая нижнюю и верхнюю границы диапазона, в котором будут распределены случайные значения. Выбрав 0 и 9, мы получим одинаково часто встречающиеся значения между 0 и 9 (включительно). Нормальное распределение принимает в качестве аргументов математическое ожидание и среднеквадратическое отклонение.

  cout << "uniform_int_distribution\n";

  print_distro(uniform_int_distribution{0, 9}, samples);

  cout << "normal_distribution\n";

  print_distro(normal_distribution{0.0, 2.0}, samples);

9. Еще одним очень интересным распределением является piecewise_constant_distribution. Оно принимает в качестве аргументов два входных диапазона. Первый диапазон содержит числа, которые указывают границы интервалов. Определив их как 0, 5, 10, 30, получим три интервала, простирающиеся от 0 до 4, от 5 до 9 и от 10 до 29. Еще один входной диапазон определяет веса входных диапазонов. Установив значения этих весов равными 0.2, 0.3, 0.5, мы укажем, что из соответствующих интервалов случайные числа будут получены с вероятностями 20, 30 и 50%. Внутри каждого из интервалов значения будут иметь одинаковую вероятность выпадения.

  initializer_list intervals {0, 5, 10, 30};

  initializer_list weights {0.2, 0.3, 0.5};

  cout << "piecewise_constant_distribution\n";

  print_distro(

    piecewise_constant_distribution{

      begin(intervals), end(intervals),

      begin(weights)},

    samples);

10. Распределение piecewise_linear_distribution создается аналогично, но веса работают совершенно по-другому. Для каждой граничной точки интервала существует одно значение веса. При переходе от одной границы к другой вероятность интерполируется линейно. Воспользуемся теми же интервалами, но передадим другой список весов:

  cout << "piecewise_linear_distribution\n";

  initializer_list weights2 {0, 1, 1, 0};

  print_distro(

    piecewise_linear_distribution{

      begin(intervals), end(intervals), begin(weights2)},

    samples);

11. Распределение Бернулли — это еще одно важное распределение, поскольку распределяет лишь значения «да/нет», «попадание/промах» или «орел/решка» с конкретной вероятностью. Его выходными значениями будут только 0 и 1. Еще одним интересным распределением, полезным во многих случаях, является discrete_distribution. В нашем случае инициализируем его дискретными значениями 1, 2, 4, 8. Они интерпретируются как веса для возможных выходных значений от 0 до 3.

  cout << "bernoulli_distribution\n";

  print_distro(std::bernoulli_distribution{0.75}, samples);

  cout << "discrete_distribution\n";

  print_distro(discrete_distribution{{1, 2, 4, 8}}, samples);

12. Существует множество других генераторов распределений. Они полезны только в очень специфических ситуациях. Если вы никогда о них не слышали, то они, возможно, вам и не нужны. Однако, поскольку наша программа создает «аккуратные» гистограммы, показывающие распределение, из интереса выведем их все:

  cout << "binomial_distribution\n";

  print_distro(binomial_distribution{10, 0.3}, samples);

  cout << "negative_binomial_distribution\n";

  print_distro(negative_binomial_distribution{10, 0.8}, samples);

  cout << "geometric_distribution\n";

  print_distro(geometric_distribution{0.4}, samples);

  cout << "exponential_distribution\n";

  print_distro(exponential_distribution{0.4}, samples);

  cout << "gamma_distribution\n";

  print_distro(gamma_distribution{1.5, 1.0}, samples);