scipy.stats.burr#

scipy.stats.burr = <scipy.stats._continuous_distns.burr_gen object>[source]#

Burr (Type III) 连续随机变量。

作为 rv_continuous 类的实例,burr 对象从中继承了一组通用方法(参见下面的完整列表),并使用此特定分布的详细信息完成它们。

方法

rvs(c, d, loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, c, d, loc=0, scale=1)

概率密度函数。

logpdf(x, c, d, loc=0, scale=1)

概率密度函数的对数。

cdf(x, c, d, loc=0, scale=1)

累积分布函数。

logcdf(x, c, d, loc=0, scale=1)

累积分布函数的对数。

sf(x, c, d, loc=0, scale=1)

生存函数(也定义为 1 - cdf,但 sf 有时更准确)。

logsf(x, c, d, loc=0, scale=1)

生存函数的对数。

ppf(q, c, d, loc=0, scale=1)

百分点函数(cdf 的反函数 - 百分位数)。

isf(q, c, d, loc=0, scale=1)

逆生存函数(sf 的反函数)。

moment(order, c, d, loc=0, scale=1)

指定阶的非中心矩。

stats(c, d, loc=0, scale=1, moments=’mv’)

均值('m'),方差('v'),偏度('s')和/或峰度('k')。

entropy(c, d, loc=0, scale=1)

RV的(微分)熵。

fit(data)

通用数据的参数估计。 有关关键字参数的详细文档,请参见scipy.stats.rv_continuous.fit

expect(func, args=(c, d), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函数(一个参数)相对于分布的期望值。

median(c, d, loc=0, scale=1)

分布的中位数。

mean(c, d, loc=0, scale=1)

分布的均值。

var(c, d, loc=0, scale=1)

分布的方差。

std(c, d, loc=0, scale=1)

分布的标准差。

interval(confidence, c, d, loc=0, scale=1)

中位数周围具有相等面积的置信区间。

参见

fisk

burrburr12 的特例,其中 d=1

burr12

Burr Type XII 分布

mielke

Mielke Beta-Kappa / Dagum 分布

注释

burr 的概率密度函数为

\[f(x; c, d) = c d \frac{x^{-c - 1}} {{(1 + x^{-c})}^{d + 1}}\]

对于 \(x >= 0\)\(c, d > 0\).

burrcd 作为 \(c\)\(d\) 的形状参数。

这是 Burr 列表中给出的第三个 CDF 对应的 PDF; 具体来说,它是 Burr 的论文 [1] 中的公式 (11)。 该分布通常也称为 Dagum 分布 [2]。 如果参数 \(c < 1\),则分布的均值不存在,如果 \(c < 2\),则方差不存在 [2]。 如果 \(c * d >= 1\),则 PDF 在左端点 \(x = 0\) 处是有限的。

上面的概率密度以“标准化”形式定义。 要移动和/或缩放分布,请使用 locscale 参数。 具体来说,burr.pdf(x, c, d, loc, scale)burr.pdf(y, c, d) / scale 完全等效,其中 y = (x - loc) / scale。 请注意,移动分布的位置不会使其成为“非中心”分布; 一些分布的非中心概括在单独的类中可用。

参考文献

[1]

Burr, I. W. “Cumulative frequency functions”, Annals of Mathematical Statistics, 13(2), pp 215-232 (1942).

[3]

Kleiber, Christian. “A guide to the Dagum distributions.” Modeling Income Distributions and Lorenz Curves pp 97-117 (2008).

示例

>>> import numpy as np
>>> from scipy.stats import burr
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

获取支持

>>> c, d = 10.5, 4.3
>>> lb, ub = burr.support(c, d)

计算前四阶矩

>>> mean, var, skew, kurt = burr.stats(c, d, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(burr.ppf(0.01, c, d),
...                 burr.ppf(0.99, c, d), 100)
>>> ax.plot(x, burr.pdf(x, c, d),
...        'r-', lw=5, alpha=0.6, label='burr pdf')

或者,可以调用分布对象(作为函数)以固定形状、位置和比例参数。 这将返回一个“冻结”的 RV 对象,该对象保持给定的参数固定。

冻结分布并显示冻结的 pdf

>>> rv = burr(c, d)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdfppf 的准确性

>>> vals = burr.ppf([0.001, 0.5, 0.999], c, d)
>>> np.allclose([0.001, 0.5, 0.999], burr.cdf(vals, c, d))
True

生成随机数

>>> r = burr.rvs(c, d, size=1000)

并比较直方图

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
../../_images/scipy-stats-burr-1.png