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()