numpy.random.gamma

random.gamma(shape, scale=1.0, size=None)

从伽马分布中抽取样本。

样本是从具有指定参数的伽马分布中抽取的，shape（有时指定为“k”）和 scale（有时指定为“theta”），其中两个参数都 > 0。

注意

新代码应该使用 Generator 实例的 gamma 方法；请参阅 快速入门。

参数:

shapefloat 或浮点数数组

伽马分布的形状。必须为非负数。

scalefloat 或浮点数数组，可选

伽马分布的尺度。必须为非负数。默认值等于 1。

sizeint 或 int 元组，可选

输出形状。如果给定的形状是例如 (m, n, k)，则会抽取 m * n * k 个样本。如果 size 为 None（默认值），则如果 shape 和 scale 都是标量，则返回单个值。否则，将抽取 np.broadcast(shape, scale).size 个样本。

返回:

outndarray 或标量

从参数化的伽马分布中抽取的样本。

另请参阅

scipy.stats.gamma

概率密度函数、分布或累积密度函数等。

random.Generator.gamma

新代码应使用的方法。

说明

伽马分布的概率密度为

\[p(x) = x^{k-1}\frac{e^{-x/\theta}}{\theta^k\Gamma(k)},\]

其中 \(k\) 是形状，\(\theta\) 是尺度，而 \(\Gamma\) 是伽马函数。

伽马分布通常用于模拟电子元件的失效时间，并且自然地出现在泊松分布事件之间的等待时间相关的过程中。

参考文献

[1]

Weisstein, Eric W. “伽马分布。” 来自 MathWorld–Wolfram Web 资源。 https://mathworld.wolfram.com/GammaDistribution.html

[2]

维基百科，“伽马分布”，https://en.wikipedia.org/wiki/Gamma_distribution

示例

从分布中抽取样本

>>> shape, scale = 2., 2.  # mean=4, std=2*sqrt(2)
>>> s = np.random.gamma(shape, scale, 1000)

显示样本的直方图以及概率密度函数

>>> import matplotlib.pyplot as plt
>>> import scipy.special as sps  
>>> count, bins, ignored = plt.hist(s, 50, density=True)
>>> y = bins**(shape-1)*(np.exp(-bins/scale) /  
...                      (sps.gamma(shape)*scale**shape))
>>> plt.plot(bins, y, linewidth=2, color='r')  
>>> plt.show()