@lazy-random/df-algorithm

@lazy-random/df-algorithm

各種統計分佈 (Statistical Distribution) 的亂數取樣函式 (Random Sampling Function) 集合，屬於 @lazy-random 系列的分佈函式 (Distribution Function) 套件。

每個 df* 函式都是工廠 (Factory)：傳入一個亂數來源 (RNG) 與分佈參數，回傳可反覆呼叫的取樣函式 (Sampler)。參數會在建立時一次驗證完畢，呼叫取樣函式時不再重複檢查，兼顧安全與效能。

特色 (Features)

• 涵蓋 9 種常見分佈：貝茲 (Bates)、伯努利 (Bernoulli)、二項 (Binomial)、指數 (Exponential)、幾何 (Geometric)、Irwin–Hall、對數常態 (Log-Normal)、常態 (Normal)、帕累托 (Pareto)
• 統一的 df 前綴 (Prefix) 命名，參數順序一致：先亂數來源，再分佈參數
• 建立時以 @lazy-random/expect 驗證參數範圍，錯誤參數會立即拋出 (Throw)
• 常態分佈採 Marsaglia 極座標法 (Polar Method)，對數常態直接複用常態分佈實作

安裝 (Installation)

yarn add @lazy-random/df-algorithm
yarn-tool add @lazy-random/df-algorithm
yt add @lazy-random/df-algorithm

使用方式 (Usage)

import { dfNormal, dfBernoulli } from '@lazy-random/df-algorithm'

// 亂數來源需提供 next()，回傳 [0, 1) 的均勻亂數
const random = {
	next: () => Math.random(),
}

// 建立常態分佈 (μ = 0, σ = 1) 取樣函式
const normal = dfNormal(random, 0, 1)
console.log(normal())

// 建立 p = 0.3 的伯努利取樣函式
const bernoulli = dfBernoulli(random, 0.3)
console.log(bernoulli())

一次建立、重複取樣：

import { dfBinomial } from '@lazy-random/df-algorithm'

const binomial = dfBinomial(random, 10, 0.5)

// 每次呼叫都回傳新的取樣結果（0 ～ 10 的整數）
const samples = Array.from({ length: 5 }, () => binomial())

API 文件

所有函式皆遵循下列慣例：

• 回傳值 (Returns)：無參數的函式，每次呼叫回傳一個取樣結果
• 例外 (Throws)：參數不符合範圍時，於建立時拋出驗證錯誤 (Validation Error)

dfBates(random, n = 1)

貝茲分佈 (Bates Distribution)：回傳 n 個均勻亂數的平均值，結果落在 [0, 1)；n = 1 時等同均勻分佈 (Uniform Distribution)。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源，需提供 next()
n	number	均勻樣本數，需為正整數 (> 0)

dfBernoulli(random, p = 0.5)

伯努利分佈 (Bernoulli Distribution)：以機率 p 回傳 1，否則回傳 0。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
p	number	成功機率，範圍 0 ≤ p ≤ 1

dfBinomial(random, n = 1, p = 0.5)

二項分佈 (Binomial Distribution)：回傳 n 次獨立伯努利試驗 (Bernoulli Trial) 的成功次數，結果為 0 ～ n 的整數。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
n	number	試驗次數，需為正整數 (> 0)
p	number	單次試驗的成功機率，範圍 0 ≤ p ≤ 1

dfExponential(random, lambda = 1)

指數分佈 (Exponential Distribution)：以反函數法 (Inverse Transform Sampling) 產生數值。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
lambda	number	率參數 (Rate Parameter) λ，需 > 0

dfGeometric(random, p = 0.5)

幾何分佈 (Geometric Distribution)：回傳首次成功所需的試驗次數（含成功那次），結果為 ≥ 1 的整數。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
p	number	成功機率，範圍 0 < p ≤ 1

dfIrwinHall(random, n = 1)

Irwin–Hall 分佈：回傳 n 個均勻亂數的總和，結果落在 [0, n)；n = 0 時固定回傳 0。Bates 分佈即由此函式除以 n 而得。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
n	number	均勻樣本數，需為非負整數 (≥ 0)

參考資料：

• https://zh.wikipedia.org/wiki/%E6%AD%90%E6%96%87%E2%80%93%E8%B3%80%E7%88%BE%E5%88%86%E4%BD%88
• https://en.wikipedia.org/wiki/Irwin%E2%80%93Hall_distribution

dfLogNormal(...args)

對數常態分佈 (Log-Normal Distribution)：建立常態取樣函式後取指數 exp()，參數與 dfNormal 完全相同。

參數 (Parameter)	型別 (Type)	說明
...args	Parameters<typeof dfNormal>	與 dfNormal(random, mu, sigma) 相同

dfNormal(random, mu = 0, sigma = 1)

常態分佈 (Normal Distribution / 高斯分佈 Gaussian)：以 Marsaglia 極座標法 (Polar Method) 產生標準常態值，再平移、縮放到 mu 與 sigma。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
mu	number	平均值 (Mean)，需為數字
sigma	number	標準差 (Standard Deviation)，需為數字

dfPareto(random, alpha = 1)

帕累托分佈 (Pareto Distribution)：以反函數法產生數值。

參數 (Parameter)	型別 (Type)	說明
random	IRNGLike	亂數來源
alpha	number	形狀參數 (Shape Parameter) α，需 > 0

開發 (Development)

pnpm run build
pnpm run lint
pnpm run test

變更日誌 (Changelog)

請見 CHANGELOG.md。

常見問題 (FAQ)

取樣函式可以共用嗎？

可以。建立時就把參數固定下來，同一個取樣函式可反覆呼叫；若需要不同的參數組合，請另外建立一個取樣函式。

為什麼參數錯誤要等到建立時才拋出？

參數範圍（例如機率 p、樣本數 n）在建立後就不會改變，提前驗證可避免每次取樣都重複檢查，也能在程式早期攔下錯誤。

相關資源 (Resources)

• Repository
• Issues