numpy.random.gamma¶

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

从Gamma分布绘制样本。

样品从具有指定参数形状（有时称为“k”）和缩放（有时称为“θ”）的Gamma分布中绘制，其中两个参数都大于0。

参数：	shape：scalar> 0 伽马分布的形状。 scale：scalar> 0，可选伽马分布的规模。默认值为1。 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：	out：ndarray，float 返回一个样本，除非指定size参数。

参数：

shape：scalar> 0

伽马分布的形状。

scale：scalar> 0，可选

伽马分布的规模。默认值为1。

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。

out：ndarray，float

返回一个样本，除非指定size参数。

也可以看看

scipy.stats.distributions.gamma: 概率密度函数，分布或累积密度函数等。

笔记

Gamma分布的概率密度为

其中 $k$ 是形状， $\theta$ 标度， $\Gamma$ 是伽玛函数。

Gamma分布通常用于模拟电子部件故障的时间，并且在Poisson分布式事件之间的等待时间相关的过程中自然出现。

参考文献

[R221]

Weisstein，Eric W.“Gamma Distribution。”来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/GammaDistribution.html

[R222]

维基百科，“Gamma分布”，http://en.wikipedia.org/wiki/Gamma-distribution

例子

从分布绘制样本：

>>> shape, scale = 2., 2. # mean and dispersion
>>> 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, normed=True)
>>> y = bins**(shape-1)*(np.exp(-bins/scale) /
...                      (sps.gamma(shape)*scale**shape))
>>> plt.plot(bins, y, linewidth=2, color='r')
>>> plt.show()

（源代码，png，pdf）