numpy.random.wald¶

numpy.random.wald(mean, scale, size=None)¶

从瓦尔德分布或逆高斯分布中提取样本。

当比例接近无穷大时，分布变得更像是高斯分布。一些参考文献声称wald是一个平均值等于1的逆高斯，但这绝不是普遍的。

首先研究了逆高斯分布与布朗运动的关系。1956年，M.C.K.Tweedie使用了逆高斯这个名字，因为覆盖单位距离的时间和覆盖单位时间的距离之间存在着逆关系。

参数:

参数:	mean : 浮点数或类似浮点数的数组分布平均值，应大于0。规模 : 浮点数或类似浮点数的数组比例参数，应大于等于0。 size : int或int的元组，可选输出形状。如果给定的形状是，例如， `(m, n, k)` 然后 `m * n * k` 取样。如果尺寸是 `None` （默认），如果 `mean` 和 `scale` 都是标量。否则， `np.broadcast(mean, scale).size` 取样。
返回:	out : ndarray或scalar 从参数化瓦尔德分布中提取样本。

mean : 浮点数或类似浮点数的数组: 分布平均值，应大于0。
规模 : 浮点数或类似浮点数的数组: 比例参数，应大于等于0。
size : int或int的元组，可选: 输出形状。如果给定的形状是，例如， (m, n, k) 然后 m * n * k 取样。如果尺寸是 None （默认），如果 mean 和 scale 都是标量。否则， np.broadcast(mean, scale).size 取样。

笔记

瓦尔德分布的概率密度函数是

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，逆高斯分布首先来自对布朗运动的建模。它也是威布尔的竞争对手，用于可靠性建模和股票收益和利率过程建模。

工具书类

[1]	Brighton Webs有限公司，Wald发行，https://web.archive.org/web/20090423014010/http://www.brighton-webs.co.uk:80/distributions/wald.asp

[2]	《逆高斯分布：理论：方法论与应用》，Chhikara，Raj S.与Feeks，J.Leroy出版社，1988年。

[3]	维基百科，“反向高斯分布”https://en.wikipedia.org/wiki/Inverse_Gaussian_Distribution

实例

从分布中绘制值并绘制柱状图：

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