numpy.random.Generator.gumbel#
方法
- random.Generator.gumbel(loc=0.0, scale=1.0, size=None)#
从 Gumbel 分布中抽取样本。
从指定位置和尺度的 Gumbel 分布中抽取样本。有关 Gumbel 分布的更多信息,请参见下面的备注和参考资料。
- 参数:
- loc浮点数或浮点数数组,可选
分布众数的位置。默认值为 0。
- scale浮点数或浮点数数组,可选
分布的尺度参数。默认值为 1。必须是非负数。
- 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)
,则将抽取m * n * k
个样本。如果 size 为None
(默认),如果loc
和scale
都是标量,则将返回单个值。否则,将抽取np.broadcast(loc, scale).size
个样本。
- 返回值:
- outndarray 或标量
从参数化的 Gumbel 分布中抽取的样本。
备注
Gumbel(或最小极值 (SEV) 或最小极值类型 I)分布是用于建模极值问题的广义极值 (GEV) 分布类之一。Gumbel 是极值类型 I 分布的一种特殊情况,用于对具有“指数样”尾部的分布的最大值进行建模。
Gumbel 分布的概率密度为
\[p(x) = \frac{e^{-(x - \mu)/ \beta}}{\beta} e^{ -e^{-(x - \mu)/ \beta}},\]其中 \(\mu\) 是众数,一个位置参数,\(\beta\) 是尺度参数。
Gumbel(以德国数学家 Emil Julius Gumbel 的名字命名)在水文学文献中很早就被使用,用于对洪水事件的发生进行建模。它还用于对最大风速和降雨量进行建模。它是一个“胖尾”分布——分布尾部的事件概率大于使用高斯分布时的概率,因此解释了 100 年一遇洪水的惊人频率。洪水最初被建模为高斯过程,这低估了极端事件的频率。
它是广义极值 (GEV) 分布类中的一种极值分布,也包括 Weibull 和 Frechet。
该函数的平均值为 \(\mu + 0.57721\beta\),方差为 \(\frac{\pi^2}{6}\beta^2\)。
参考资料
[1]Gumbel, E. J., “Statistics of Extremes,” New York: Columbia University Press, 1958.
[2]Reiss, R.-D. and Thomas, M., “Statistical Analysis of Extreme Values from Insurance, Finance, Hydrology and Other Fields,” Basel: Birkhauser Verlag, 2001.
示例
从分布中抽取样本
>>> rng = np.random.default_rng() >>> mu, beta = 0, 0.1 # location and scale >>> s = rng.gumbel(mu, beta, 1000)
显示样本的直方图以及概率密度函数
>>> import matplotlib.pyplot as plt >>> count, bins, _ = plt.hist(s, 30, density=True) >>> plt.plot(bins, (1/beta)*np.exp(-(bins - mu)/beta) ... * np.exp( -np.exp( -(bins - mu) /beta) ), ... linewidth=2, color='r') >>> plt.show()
展示极值分布如何从高斯过程中产生,并与高斯分布进行比较
>>> means = [] >>> maxima = [] >>> for i in range(0,1000) : ... a = rng.normal(mu, beta, 1000) ... means.append(a.mean()) ... maxima.append(a.max()) >>> count, bins, _ = plt.hist(maxima, 30, density=True) >>> beta = np.std(maxima) * np.sqrt(6) / np.pi >>> mu = np.mean(maxima) - 0.57721*beta >>> plt.plot(bins, (1/beta)*np.exp(-(bins - mu)/beta) ... * np.exp(-np.exp(-(bins - mu)/beta)), ... linewidth=2, color='r') >>> plt.plot(bins, 1/(beta * np.sqrt(2 * np.pi)) ... * np.exp(-(bins - mu)**2 / (2 * beta**2)), ... linewidth=2, color='g') >>> plt.show()