### 生成逆高斯过程图像的Python代码 逆高斯过程是一种特殊的随机过程，通常用于建模非负值的分布。在Python中，可以利用`scipy.stats`模块中的`invgauss`函数来生成逆高斯分布的样本，并绘制其概率密度函数或累积分布函数。以下是一个完整的示例代码，展示如何生成逆高斯过程的图像[^1]。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import invgauss # 定义逆高斯分布的参数 mu = 1.0 # 分布的均值参数 lambda_ = 2.0 # 分布的形状参数 # 生成x轴的范围 x = np.linspace(invgauss.ppf(0.01, mu / lambda_), invgauss.ppf(0.99, mu / lambda_), 100) # 计算逆高斯分布的概率密度函数 pdf = invgauss.pdf(x, mu / lambda_, scale=lambda_) # 绘制逆高斯分布的概率密度函数 plt.figure(figsize=(8, 5)) plt.plot(x, pdf, 'r-', lw=2, alpha=0.6, label='invgauss pdf') plt.title('Inverse Gaussian Distribution PDF') plt.xlabel('x') plt.ylabel('Probability Density') plt.legend(loc='best') plt.grid(True) plt.show() # 生成逆高斯分布的随机样本 samples = invgauss.rvs(mu / lambda_, scale=lambda_, size=1000) # 绘制随机样本的直方图 plt.figure(figsize=(8, 5)) plt.hist(samples, bins=30, density=True, alpha=0.6, color='g', label='Random Samples') plt.plot(x, pdf, 'r-', lw=2, alpha=0.6, label='invgauss pdf') plt.title('Histogram of Inverse Gaussian Random Samples') plt.xlabel('x') plt.ylabel('Density') plt.legend(loc='best') plt.grid(True) plt.show() ``` 上述代码首先定义了逆高斯分布的参数（均值`mu`和形状参数`lambda_`），然后生成了逆高斯分布的概率密度函数图像。接着，通过`invgauss.rvs`函数生成了1000个随机样本，并绘制了这些样本的直方图与概率密度函数的对比图[^2]。 ### 注意事项 - 在生成逆高斯分布时，需要确保`mu`和`lambda_`为正数，否则可能导致错误。 - 使用`matplotlib`库进行绘图，确保已正确安装相关依赖包[^3]。