NumPy参考 >例行程序 >Random sampling (numpy.random) >Legacy Generator (RandomState) > numpy.random.wald
numpy.random.
wald
(mean,scale,size = None )¶从Wald或高斯逆分布中抽取样本。
随着尺度接近无穷大,分布变得更像高斯。一些参考文献声称Wald是均值等于1的逆高斯函数,但这绝不是通用的。
高斯逆分布首先是与布朗运动有关的。1956年,MCK Tweedie使用了逆高斯这个名称,因为覆盖单位距离的时间与单位时间所覆盖的距离之间存在反比关系。
注意
新代码应
改为使用实例的wald
方法default_rng()
。参见random-quick-start。
分布平均值,必须> 0。
比例参数,必须> 0。
输出形状。如果给定的形状,例如,然后
样品被吸引。如果size为(默认),则和均为标量时,将返回单个值。否则,将抽取样本。(m, n, k)
m * n * k
None
mean
scale
np.broadcast(mean, scale).size
从参数化的Wald分布中抽取样本。
也可以看看
Generator.wald
应该用于新代码。
笔记
Wald分布的概率密度函数为
如上所述,高斯逆分布首先源于对布朗运动建模的尝试。它也是Weibull的竞争对手,可用于可靠性建模以及股票收益和利率过程的建模。
参考文献
Brighton Webs Ltd.,Wald Distribution,https: //web.archive.org/web/20090423014010/http://www.brighton-webs.co.uk:80/distributions/wald.asp
Chhikara,Raj S.和Folks,J。Leroy,“反高斯分布:理论:方法和应用”,CRC出版社,1988年。
维基百科,“高斯逆分布” https://en.wikipedia.org/wiki/Inverse_Gaussian_distribution
例子
从分布中绘制值并绘制直方图:
>>> import matplotlib.pyplot as plt
>>> h = plt.hist(np.random.wald(3, 2, 100000), bins=200, density=True)
>>> plt.show()