numpy.random.RandomState.wald#

方法

random.RandomState.wald(mean, scale, size=None)#

從 Wald 或反高斯分佈中抽取樣本。

當 scale 接近無窮大時，分佈會變得更像高斯分佈。有些參考文獻聲稱 Wald 是平均值等於 1 的反高斯分佈，但這絕非普遍適用。

反高斯分佈最初是在與布朗運動的關係中研究的。1956 年，M.C.K. Tweedie 使用了反高斯這個名稱，因為單位距離的行進時間與單位時間內行進的距離之間存在反比關係。

注意

新程式碼應改為使用 wald 方法，此方法屬於 Generator 實例；請參閱快速入門。

參數:

meanfloat 或 float 的類陣列 (array_like): 分佈均值，必須 > 0。
scalefloat 或 float 的類陣列 (array_like): 尺度參數，必須 > 0。
sizeint 或 int 元組，可選: 輸出形狀。如果給定的形狀是例如 (m, n, k)，則會抽取 m * n * k 個樣本。如果 size 為 None (預設值)，則如果 mean 和 scale 都是純量，則傳回單一值。否則，會抽取 np.broadcast(mean, scale).size 個樣本。

傳回:

參見

註釋

Wald 分佈的機率密度函數為

\[P(x;mean,scale) = \sqrt{\frac{scale}{2\pi x^3}}e^ \frac{-scale(x-mean)^2}{2\cdotp mean^2x}\]

如上所述，反高斯分佈首先源於模擬布朗運動的嘗試。它也是 Weibull 分佈的競爭對手，可用於可靠性建模以及股票報酬和利率流程建模。

參考文獻

[1]

[2]

Chhikara, Raj S., and Folks, J. Leroy, “The Inverse Gaussian Distribution: Theory : Methodology, and Applications”, CRC Press, 1988.

[3]

範例

從分佈中抽取值並繪製直方圖

>>> import matplotlib.pyplot as plt
>>> h = plt.hist(np.random.wald(3, 2, 100000), bins=200, density=True)
>>> plt.show()