numpy.random.Generator.exponential#

方法

random.Generator.exponential(scale=1.0, size=None)#

从指数分布中抽取样本。

其概率密度函数为

\[f(x; \frac{1}{\beta}) = \frac{1}{\beta} \exp(-\frac{x}{\beta}),\]

对于 x > 0 且其他地方为 0。 \(\beta\) 是尺度参数,它是速率参数 \(\lambda = 1/\beta\) 的倒数。速率参数是指数分布的另一种广泛使用的参数化方法 [3]

指数分布是几何分布的连续模拟。它描述了许多常见的情况,例如在多次降雨中测量的雨滴大小 [1],或对维基百科的页面请求之间的时间 [2]

参数:
scalefloat 或 array_like of floats

尺度参数, \(\beta = 1/\lambda\)。必须是非负数。

sizeint 或 int 元组,可选

输出形状。如果给定的形状为,例如,(m, n, k),则将抽取 m * n * k 个样本。如果 size 为 None(默认值),则如果 scale 是标量,则返回单个值。否则,将抽取 np.array(scale).size 个样本。

返回值:
outndarray 或标量

从参数化的指数分布中抽取的样本。

参考文献

[1]

Peyton Z. Peebles Jr.,“概率、随机变量和随机信号原理”,第 4 版,2001 年,第 57 页。

[2]

维基百科,“泊松过程”,https://en.wikipedia.org/wiki/Poisson_process

[3]

维基百科,“指数分布”,https://en.wikipedia.org/wiki/Exponential_distribution

示例

假设一家公司有 10000 名客户支持代理,并且客户呼叫之间的时间服从指数分布,并且客户呼叫之间的平均时间为 4 分钟。

>>> scale, size = 4, 10000
>>> rng = np.random.default_rng()
>>> time_between_calls = rng.exponential(scale=scale, size=size)

客户在接下来的 4 到 5 分钟内打电话的概率是多少?

>>> x = ((time_between_calls < 5).sum())/size
>>> y = ((time_between_calls < 4).sum())/size
>>> x - y
0.08  # may vary

相应的分布可以可视化如下

>>> import matplotlib.pyplot as plt
>>> scale, size = 4, 10000
>>> rng = np.random.default_rng()
>>> sample = rng.exponential(scale=scale, size=size)
>>> count, bins, _ = plt.hist(sample, 30, density=True)
>>> plt.plot(bins, scale**(-1)*np.exp(-scale**-1*bins), linewidth=2, color='r')
>>> plt.show()
../../../_images/numpy-random-Generator-exponential-1.png