maxframe.tensor.random.wald#

maxframe.tensor.random.wald(mean, scale, size=None, chunk_size=None, gpu=None, dtype=None)[源代码]#

从 Wald 分布（或逆高斯分布）中抽取样本。

当 scale 趋近于无穷大时，该分布越来越接近高斯分布。一些文献认为 Wald 分布是均值为 1 的逆高斯分布，但这并不具有普遍性。

逆高斯分布最初是在研究布朗运动时被引入的。1956 年，M.C.K. Tweedie 使用“逆高斯”这一名称，因为单位距离所需时间和单位时间内所走距离之间存在反比关系。

参数:

mean (float or array_like of floats) -- 分布的均值，应大于 0。
scale (float or array_like of floats) -- 尺度参数，应大于等于 0。
size (int or tuple of ints, optional) -- 输出形状。如果给定形状为 (m, n, k)，则抽取 m * n * k 个样本。如果 size 为 None``（默认），且 ``mean 和 scale 均为标量，则返回单个值。否则，抽取 np.broadcast(mean, scale).size 个样本。
chunk_size (int or tuple of int or tuple of ints, optional) -- 每个维度上期望的分块大小
gpu (bool, optional) -- 如果为 True，则将张量分配在 GPU 上，默认为 False
dtype (data-type, optional) -- 返回张量的数据类型。

返回:

out -- 从参数化的 Wald 分布中抽取的样本。

返回类型:

Tensor or scalar

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，逆高斯分布最初源于对布朗运动的建模尝试。它也是 Weibull 分布在可靠性建模以及股票收益和利率过程建模中的竞争模型。

引用

示例

从分布中抽取值并绘制直方图：

>>> import matplotlib.pyplot as plt
>>> import maxframe.tensor as mt
>>> h = plt.hist(mt.random.wald(3, 2, 100000).execute(), bins=200, normed=True)
>>> plt.show()