numpy.random.wald#

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

从 Wald 分布（或逆高斯分布）中抽取样本。

当尺度接近无穷大时，分布变得越来越像高斯分布。一些参考文献声称 Wald 分布是均值为 1 的逆高斯分布，但这一点并非普遍认同。

逆高斯分布最早是在与布朗运动相关的情况下进行研究的。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

新代码应使用 wald 方法，该方法属于 Generator 实例；请参阅快速入门。

参数:

meanfloat 或类数组的 float: 分布均值，必须 > 0。
scalefloat 或类数组的 float: 尺度参数，必须 > 0。
sizeint 或 int 元组，可选: 输出形状。如果给定的形状是例如 (m, n, k)，那么将抽取 m * n * k 个样本。如果 size 为 None（默认值），如果 mean 和 scale 都是标量，则返回单个值。否则，将抽取 np.broadcast(mean, scale).size 个样本。

返回值:

另请参阅

备注

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，逆高斯分布最初是在试图对布朗运动进行建模时出现的。它也是 Weibull 分布的竞争对手，可用于可靠性建模以及对股票收益和利率过程进行建模。

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()