numpy.random.RandomState.wald#

方法

random.RandomState.wald(mean, scale, size=None)#

从 Wald 分布（或逆高斯分布）中抽取样本。

当尺度趋于无穷大时，分布越来越接近高斯分布。一些参考文献声称 Wald 分布是均值等于 1 的逆高斯分布，但这并非普遍适用。

逆高斯分布最初是在研究布朗运动时被研究的。1956 年，M.C.K. Tweedie 使用了“逆高斯”这个名称，因为覆盖单位距离所需的时间与单位时间内覆盖的距离之间存在反比关系。

注意

新的代码应该使用 wald 方法，该方法属于 Generator 实例；请参阅快速入门。

参数：

mean浮点数或浮点数数组: 分布均值，必须 > 0。
scale浮点数或浮点数数组: 尺度参数，必须 > 0。
size整数或整数元组，可选: 输出形状。如果给定的形状为，例如，(m, n, k)，则会抽取 m * n * k 个样本。如果 size 为 None（默认值），则如果 mean 和 scale 都是标量，则返回单个值。否则，会抽取 np.broadcast(mean, scale).size 个样本。

返回值：

另请参阅

注释

Wald 分布的概率密度函数为

\[P(x;mean,scale) = \sqrt{\frac{scale}{2\pi x^3}}e^ \frac{-scale(x-mean)^2}{2\cdotp mean^2x}\]

如上所述，逆高斯分布最初是为了模拟布朗运动而提出的。它也是可靠性建模、股票收益建模和利率过程建模中威布尔分布的竞争对手。

参考文献

[1]

[2]

Chhikara，Raj S. 和 Folks，J. Leroy，“逆高斯分布：理论：方法和应用”，CRC 出版社，1988 年。

[3]

示例

从分布中抽取值并绘制直方图

>>> import matplotlib.pyplot as plt
>>> h = plt.hist(np.random.wald(3, 2, 100000), bins=200, density=True)
>>> plt.show()