numpy.random.RandomState.wald

原文：https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.RandomState.wald.html

译者：飞龙 UsyiyiCN

校对：（虚位以待）

RandomState.wald(mean, scale, size=None)

从Wald或反高斯分布绘制样本。

随着尺度接近无穷大，分布变得更像高斯。一些参考文献声称Wald是平均等于1的反高斯，但这不是通用的。

首先研究与布朗运动相关的反高斯分布。1956年M.C.K.Tweedie使用名称inverse Gaussian，因为在单位时间内覆盖单位距离和距离的时间之间存在反比关系。

参数：	表示：标量分布均值，应> 0。 scale：标量缩放参数，应为> = 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 绘制的样本，都大于零。

参数：

表示：标量

分布均值，应> 0。

scale：标量

缩放参数，应为> = 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。

samples：ndarray或scalar

绘制的样本，都大于零。

笔记

Wald分布的概率密度函数为

如上所述，反高斯分布首先来自对布朗运动建模的尝试。它也是Weibull的竞争对手，用于可靠性建模和建模股票回报和利率过程。

参考文献

Chhikara，Raj S.和Folks，J.Leroy，“The Inverse Gaussian Distribution：Theory：Methodology，and Applications”，CRC Press，1988。

例子

从分布中绘制值并绘制直方图：

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