numpy.random.Generator.power#

方法

random.Generator.power(a, size=None)#

从具有正指数 a - 1 的幂分布中在 [0, 1] 中抽取样本。

也称为幂函数分布。

参数:
afloat 或浮点数的类数组

分布的参数。必须是非负数。

sizeint 或 int 的元组,可选

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

返回值:
outndarray 或标量

从参数化的幂分布中抽取的样本。

引发:
ValueError

如果 a <= 0。

注释

概率密度函数为

\[P(x; a) = ax^{a-1}, 0 \le x \le 1, a>0.\]

幂函数分布只是帕累托分布的反函数。它也可以看作是 Beta 分布的特例。

例如,它用于对保险索赔的过度报告进行建模。

参考文献

[1]

Christian Kleiber,Samuel Kotz,“经济学和精算科学中的统计规模分布”,Wiley,2003。

[2]

Heckert,N. A. 和 Filliben,James J. “NIST 手册 148:Dataplot 参考手册,第 2 卷:Let 子命令和库函数”,国家标准与技术研究院手册系列,2003 年 6 月。https://www.itl.nist.gov/div898/software/dataplot/refman2/auxillar/powpdf.pdf

示例

从分布中抽取样本

>>> rng = np.random.default_rng()
>>> a = 5. # shape
>>> samples = 1000
>>> s = rng.power(a, samples)

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, bins=30)
>>> x = np.linspace(0, 1, 100)
>>> y = a*x**(a-1.)
>>> normed_y = samples*np.diff(bins)[0]*y
>>> plt.plot(x, normed_y)
>>> plt.show()
../../../_images/numpy-random-Generator-power-1_00_00.png

将幂函数分布与帕累托的反函数进行比较。

>>> from scipy import stats  
>>> rvs = rng.power(5, 1000000)
>>> rvsp = rng.pareto(5, 1000000)
>>> xx = np.linspace(0,1,100)
>>> powpdf = stats.powerlaw.pdf(xx,5)  
>>> plt.figure()
>>> plt.hist(rvs, bins=50, density=True)
>>> plt.plot(xx,powpdf,'r-')  
>>> plt.title('power(5)')
>>> plt.figure()
>>> plt.hist(1./(1.+rvsp), bins=50, density=True)
>>> plt.plot(xx,powpdf,'r-')  
>>> plt.title('inverse of 1 + Generator.pareto(5)')
>>> plt.figure()
>>> plt.hist(1./(1.+rvsp), bins=50, density=True)
>>> plt.plot(xx,powpdf,'r-')  
>>> plt.title('inverse of stats.pareto(5)')
../../../_images/numpy-random-Generator-power-1_01_00.png
../../../_images/numpy-random-Generator-power-1_01_01.png
../../../_images/numpy-random-Generator-power-1_01_02.png