numpy.random.laplace¶
-
numpy.random.
laplace
(loc=0.0, scale=1.0, size=None)¶ 从拉普拉斯或指定位置(或平均值)和比例(衰减)的双指数分布绘制样本。
拉普拉斯分布与高斯/正态分布类似,但是在峰值处更尖锐,并且具有较窄的尾部。它表示两个独立的,相同分布的指数随机变量之间的差异。
参数: loc:float,可选
分布峰的位置,。
scale:float,可选
,指数衰减。
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float
笔记
它具有概率密度函数
拉普拉斯的第一定律,从1774年,指出误差的频率可以表示为误差的绝对幅度的指数函数,其导致拉普拉斯分布。对于经济学和健康科学中的许多问题,这种分布似乎比标准高斯分布更好地建模数据。
参考文献
[R228] Abramowitz,M。和Stegun,I。一个。(Eds。)。“Handbook of Mathematical Functions with Formula,Graphs,and Mathematical Tables,9th printing,”New York:Dover,1972。 [R229] Kotz,Samuel,et。et al。“拉普拉斯分布和泛化,”Birkhauser,2001年。 [R230] Weisstein,Eric W.“Laplace Distribution。”来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/LaplaceDistribution.html [R231] 维基百科,“拉普拉斯分布”,http://en.wikipedia.org/wiki/Laplace_distribution 例子
从分布中绘制样本
>>> loc, scale = 0., 1. >>> s = np.random.laplace(loc, scale, 1000)
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, 30, normed=True) >>> x = np.arange(-8., 8., .01) >>> pdf = np.exp(-abs(x-loc)/scale)/(2.*scale) >>> plt.plot(x, pdf)
绘图高斯比较:
>>> g = (1/(scale * np.sqrt(2 * np.pi)) * ... np.exp(-(x - loc)**2 / (2 * scale**2))) >>> plt.plot(x,g)