scipy.stats.dpareto_lognorm#
- scipy.stats.dpareto_lognorm = <scipy.stats._continuous_distns.dpareto_lognorm_gen object>[源码]#
双帕累托对数正态连续随机变量。
作为
rv_continuous
类的实例,dpareto_lognorm
对象从中继承了一组通用方法(请参阅下面的完整列表),并使用此特定分布的详细信息对其进行补充。方法
rvs(u, s, a, b, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, u, s, a, b, loc=0, scale=1)
概率密度函数。
logpdf(x, u, s, a, b, loc=0, scale=1)
概率密度函数的对数。
cdf(x, u, s, a, b, loc=0, scale=1)
累积分布函数。
logcdf(x, u, s, a, b, loc=0, scale=1)
累积分布函数的对数。
sf(x, u, s, a, b, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但 sf 有时更准确)。logsf(x, u, s, a, b, loc=0, scale=1)
生存函数的对数。
ppf(q, u, s, a, b, loc=0, scale=1)
百分点函数(
cdf
的逆函数 - 百分位数)。isf(q, u, s, a, b, loc=0, scale=1)
逆生存函数(
sf
的逆函数)。moment(order, u, s, a, b, loc=0, scale=1)
指定阶的非中心矩。
stats(u, s, a, b, loc=0, scale=1, moments=’mv’)
均值(‘m’),方差(‘v’),偏度(‘s’)和/或峰度(‘k’)。
entropy(u, s, a, b, 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=(u, s, a, b), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
关于分布的函数(一个参数)的期望值。
median(u, s, a, b, loc=0, scale=1)
分布的中位数。
mean(u, s, a, b, loc=0, scale=1)
分布的均值。
var(u, s, a, b, loc=0, scale=1)
分布的方差。
std(u, s, a, b, loc=0, scale=1)
分布的标准差。
interval(confidence, u, s, a, b, loc=0, scale=1)
中位数周围具有相等面积的置信区间。
注释
dpareto_lognorm
的概率密度函数为\[f(x, \mu, \sigma, \alpha, \beta) = \frac{\alpha \beta}{(\alpha + \beta) x} \phi\left( \frac{\log x - \mu}{\sigma} \right) \left( R(y_1) + R(y_2) \right)\]其中 \(R(t) = \frac{1 - \Phi(t)}{\phi(t)}\),\(\phi\) 和 \(\Phi\) 分别是正态 PDF 和 CDF,\(y_1 = \alpha \sigma - \frac{\log x - \mu}{\sigma}\),和 \(y_2 = \beta \sigma + \frac{\log x - \mu}{\sigma}\) 对于实数 \(x\) 和 \(\mu\), \(\sigma > 0\), \(\alpha > 0\),和 \(\beta > 0\) [1]。
dpareto_lognorm
将u
作为 \(\mu\) 的形状参数,s
作为 \(\sigma\) 的形状参数,a
作为 \(\alpha\) 的形状参数,以及b
作为 \(\beta\) 的形状参数。根据上面的 PDF 分布的随机变量 \(X\) 可以表示为 \(X = U \frac{V_1}{V_2}\) 其中 \(U\), \(V_1\), 和 \(V_2\) 是独立的,\(U\) 是对数正态分布的,使得 \(\log U \sim N(\mu, \sigma^2)\),并且 \(V_1\) 和 \(V_2\) 分别遵循参数为 \(\alpha\) 和 \(\beta\) 的帕累托分布 [2]。
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
loc
和scale
参数。具体来说,dpareto_lognorm.pdf(x, u, s, a, b, loc, scale)
与dpareto_lognorm.pdf(y, u, s, a, b) / 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;某些分布的非中心推广在单独的类中可用。参考文献
[1]Hajargasht, Gholamreza, and William E. Griffiths. “Pareto-lognormal distributions: Inequality, poverty, and estimation from grouped income data.” Economic Modelling 33 (2013): 593-604.
[2]Reed, William J., and Murray Jorgensen. “The double Pareto-lognormal distribution - a new parametric model for size distributions.” Communications in Statistics - Theory and Methods 33.8 (2004): 1733-1753.
示例
>>> import numpy as np >>> from scipy.stats import dpareto_lognorm >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> u, s, a, b = 3, 1.2, 1.5, 2 >>> lb, ub = dpareto_lognorm.support(u, s, a, b)
计算前四个矩
>>> mean, var, skew, kurt = dpareto_lognorm.stats(u, s, a, b, moments='mvsk')
显示概率密度函数(
pdf
)>>> x = np.linspace(dpareto_lognorm.ppf(0.01, u, s, a, b), ... dpareto_lognorm.ppf(0.99, u, s, a, b), 100) >>> ax.plot(x, dpareto_lognorm.pdf(x, u, s, a, b), ... 'r-', lw=5, alpha=0.6, label='dpareto_lognorm pdf')
或者,可以调用分布对象(作为函数)来固定形状、位置和比例参数。 这会返回一个“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 = dpareto_lognorm(u, s, a, b) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = dpareto_lognorm.ppf([0.001, 0.5, 0.999], u, s, a, b) >>> np.allclose([0.001, 0.5, 0.999], dpareto_lognorm.cdf(vals, u, s, a, b)) True
生成随机数
>>> r = dpareto_lognorm.rvs(u, s, a, b, 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()