numpy.random.laplace

numpy.random.laplace(loc=0.0, scale=1.0, size=None)

Генерация выборок из лапласовского или двойного экспоненциального распределения со заданной локацией (или средним значением) и масштабом (затуханием).

Распределение Лапласа похоже на гауссово/нормальное распределение, но оно более острое в пике и имеет более толстые хвосты. Оно представляет разницу между двумя независимыми, одинаково распределенными экспоненциальными случайными величинами.

Параметры:	loc : float, необязательно Положение, , пика распределения. scale : float, необязательно , экспоненциальное затухание. size : int или кортеж из целых чисел, необязательно Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируется. По умолчанию None, в этом случае возвращается единственное значение.
Возвращаемое значение:	samples : ndarray или float

Примечания

Функция плотности вероятности:

Первый закон Лапласа, с 1774 года, утверждает, что частота ошибки может быть выражена как экспоненциальная функция абсолютного значения ошибки, что приводит к распределению Лапласа. Для многих задач в экономике и здравоохранении это распределение, кажется, лучше моделирует данные, чем стандартное гауссово распределение.

Ссылки

[R228]

Abramowitz, M. and Stegun, I. A. (Eds.). “Справочник по математическим функциям с формулами, графиками и математическими таблицами, 9-е издание,” Нью-Йорк: Dover, 1972.

[R229]

Kotz, Samuel, et. al. “Распределение Лапласа и обобщения, ” Birkhauser, 2001.

[R230]

Weisstein, Eric W. “Распределение Лапласа.” Из MathWorld–ресурса Wolfram Web. http://mathworld.wolfram.com/LaplaceDistribution.html

[R231]

Википедия, “Распределение Лапласа”, http://en.wikipedia.org/wiki/Laplace_distribution

Примеры

Генерация выборок из распределения

>>> loc, scale = 0., 1.
>>> s = np.random.laplace(loc, scale, 1000)

Отображение гистограммы выборок, а также функции плотности вероятности:

>>> 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)

Построение гауссова распределения для сравнения:

>>> g = (1/(scale * np.sqrt(2 * np.pi)) *
...      np.exp(-(x - loc)**2 / (2 * scale**2)))
>>> plt.plot(x,g)

(Исходный код, png, pdf)