numpy.random.RandomState.power

RandomState.power(a, size=None)

从具有正指数a-1的功率分布中在[0,1]中绘制样本。

也称为功函数分布。

参数:

a:float

参数,> 0

size:int或tuple的整数,可选

输出形状。如果给定形状是例如(m, n, k),则 m * n * k默认值为None,在这种情况下返回单个值。

返回:

samples:ndarray或scalar

返回的样本位于[0,1]。

上升:

ValueError

如果一个

笔记

概率密度函数是

幂函数分布只是帕累托分布的逆。它也可以被看作是Beta分布的一种特殊情况。

例如,它用于对保险索赔的超额报告建模。

参考文献

[R186]Christian Kleiber,Samuel Kotz,“经济学和精算科学中的统计大小分布”,Wiley,2003。
[R187]Heckert,N.A。和Filliben,James J.“NIST Handbook 148:Dataplot Reference Manual,Volume 2:Let subcommands and Library Functions”,National Institute of Standards and Technology Handbook Series,2003年6月。http://www.itl.nist.gov/div898/software/ dataplot / refman2 / auxillar / powpdf.pdf

例子

从分布绘制样本:

>>> a = 5. # shape
>>> samples = 1000
>>> s = np.random.power(a, samples)

显示样本的直方图,以及概率密度函数:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(s, bins=30)
>>> x = np.linspace(0, 1, 100)
>>> y = a*x**(a-1.)
>>> normed_y = samples*np.diff(bins)[0]*y
>>> plt.plot(x, normed_y)
>>> plt.show()

源代码pngpdf

../../_images/numpy-random-RandomState-power-1_00_00.png

将功率函数分布与帕累托逆矩阵进行比较。

>>> from scipy import stats
>>> rvs = np.random.power(5, 1000000)
>>> rvsp = np.random.pareto(5, 1000000)
>>> xx = np.linspace(0,1,100)
>>> powpdf = stats.powerlaw.pdf(xx,5)
>>> plt.figure()
>>> plt.hist(rvs, bins=50, normed=True)
>>> plt.plot(xx,powpdf,'r-')
>>> plt.title('np.random.power(5)')
>>> plt.figure()
>>> plt.hist(1./(1.+rvsp), bins=50, normed=True)
>>> plt.plot(xx,powpdf,'r-')
>>> plt.title('inverse of 1 + np.random.pareto(5)')
>>> plt.figure()
>>> plt.hist(1./(1.+rvsp), bins=50, normed=True)
>>> plt.plot(xx,powpdf,'r-')
>>> plt.title('inverse of stats.pareto(5)')
../../_images/numpy-random-RandomState-power-1_01_00.png

pngpdf

../../_images/numpy-random-RandomState-power-1_01_01.png

pngpdf

../../_images/numpy-random-RandomState-power-1_01_02.png

pngpdf