scipy.stats.gengamma

scipy.stats.gengamma = <scipy.stats._continuous_distns.gengamma_gen object>

广义伽马连续随机变量。

作为 rv_continuous 类的实例，gengamma 对象继承了该类的一组通用方法（请参见下面的完整列表），并使用此特定分布的细节对其进行了完善。

另请参见

gamma, invgamma, weibull_min

说明

gengamma 的概率密度函数为 ([1])

\[f(x, a, c) = \frac{|c| x^{c a-1} \exp(-x^c)}{\Gamma(a)}\]

对于 \(x \ge 0\), \(a > 0\), 且 \(c \ne 0\)。\(\Gamma\) 是伽马函数 (scipy.special.gamma)。

gengamma 将 \(a\) 和 \(c\) 作为形状参数。

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，gengamma.pdf(x, a, c, loc, scale) 与 gengamma.pdf(y, a, c) / scale 完全等效，其中 y = (x - loc) / scale。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心推广在单独的类中提供。

参考文献

[1]

E.W. Stacy, “伽马分布的推广”，《数学统计年鉴》，第 33(3) 卷，第 1187–1192 页。

示例

在您的浏览器中尝试一下！

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

计算前四个矩

>>> a, c = 4.42, -3.12
>>> mean, var, skew, kurt = gengamma.stats(a, c, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(gengamma.ppf(0.01, a, c),
...                 gengamma.ppf(0.99, a, c), 100)
>>> ax.plot(x, gengamma.pdf(x, a, c),
...        'r-', lw=5, alpha=0.6, label='gengamma 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 = gengamma(a, c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = gengamma.rvs(a, c, 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()

返回在新标签页中打开

方法

rvs(a, c, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, a, c, loc=0, scale=1)	概率密度函数。
logpdf(x, a, c, loc=0, scale=1)	概率密度函数的对数。
cdf(x, a, c, loc=0, scale=1)	累积分布函数。
logcdf(x, a, c, loc=0, scale=1)	累积分布函数的对数。
sf(x, a, c, loc=0, scale=1)	生存函数（也定义为 1 - cdf，但 sf 有时更准确）。
logsf(x, a, c, loc=0, scale=1)	生存函数的对数。
ppf(q, a, c, loc=0, scale=1)	百分点函数（cdf 的反函数 — 百分位数）。
isf(q, a, c, loc=0, scale=1)	逆生存函数（sf 的反函数）。
moment(order, a, c, loc=0, scale=1)	指定阶数的非中心矩。
stats(a, c, loc=0, scale=1, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或峰度(‘k’)。
entropy(a, c, 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，请参阅 scipy.stats.rv_continuous.fit。
expect(func, args=(a, c), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	相对于分布的函数（一个参数）的期望值。
median(a, c, loc=0, scale=1)	分布的中位数。
mean(a, c, loc=0, scale=1)	分布的均值。
var(a, c, loc=0, scale=1)	分布的方差。
std(a, c, loc=0, scale=1)	分布的标准差。
interval(confidence, a, c, loc=0, scale=1)	中位数周围区域相等的置信区间。