numpy.random.Generator.gamma#
方法
- random.Generator.gamma(shape, scale=1.0, size=None)#
从伽马分布中抽取样本。
样本从具有指定参数的伽马分布中抽取，这些参数包括
shape（有时表示为 “k”）和 scale（有时表示为 “theta”），两个参数都必须大于 0。- 参数:
- shape浮点数或浮点数数组
伽马分布的形状参数。必须是非负数。
- scale浮点数或浮点数数组，可选
伽马分布的尺度参数。必须是非负数。默认为 1。
- size整数或整数元组，可选
输出形状。如果给定的形状是，例如
(m, n, k)，则会抽取m * n * k个样本。如果 size 为None（默认），则当shape和scale都是标量时，会返回一个单一值。否则，将抽取np.broadcast(shape, scale).size个样本。
- 返回:
- outndarray 或 标量
从参数化伽马分布中抽取的样本。
另请参阅
scipy.stats.gamma概率密度函数、分布或累积密度函数等。
说明
伽马分布的概率密度函数为
\[p(x) = x^{k-1}\frac{e^{-x/\theta}}{\theta^k\Gamma(k)},\]其中 \(k\) 是形状参数，\(\theta\) 是尺度参数，\(\Gamma\) 是伽马函数。
伽马分布常用于模拟电子元件的故障时间，并且自然出现在泊松分布事件之间等待时间相关的过程中。
参考文献
[1]Weisstein, Eric W. “伽马分布。” 来自 MathWorld–Wolfram Web 资源。 https://mathworld.net.cn/GammaDistribution.html
[2]维基百科，“伽马分布”， https://en.wikipedia.org/wiki/Gamma_distribution
示例
从分布中抽取样本
>>> shape, scale = 2., 2. # mean=4, std=2*sqrt(2) >>> rng = np.random.default_rng() >>> s = rng.gamma(shape, scale, 1000)
显示样本的直方图以及概率密度函数
>>> import matplotlib.pyplot as plt >>> import scipy.special as sps >>> count, bins, _ = plt.hist(s, 50, density=True) >>> y = bins**(shape-1)*(np.exp(-bins/scale) / ... (sps.gamma(shape)*scale**shape)) >>> plt.plot(bins, y, linewidth=2, color='r') >>> plt.show()
