scipy.stats.gennorm#

scipy.stats.gennorm = <scipy.stats._continuous_distns.gennorm_gen object>[source]#

广义正态连续随机变量。

作为 rv_continuous 类的实例,gennorm 对象继承了它的一组通用方法(参见下面的完整列表),并用针对此特定分布的细节来完善它们。

方法

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

随机变量。

pdf(x, beta, loc=0, scale=1)

概率密度函数。

logpdf(x, beta, loc=0, scale=1)

概率密度函数的对数。

cdf(x, beta, loc=0, scale=1)

累积分布函数。

logcdf(x, beta, loc=0, scale=1)

累积分布函数的对数。

sf(x, beta, loc=0, scale=1)

生存函数(也定义为 1 - cdf,但 sf 有时更准确)。

logsf(x, beta, loc=0, scale=1)

生存函数的对数。

ppf(q, beta, loc=0, scale=1)

百分点函数(cdf 的反函数 — 百分位数)。

isf(q, beta, loc=0, scale=1)

逆生存函数(sf 的反函数)。

moment(order, beta, loc=0, scale=1)

指定阶数的非中心矩。

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

均值(‘m’),方差(‘v’),偏度(‘s’)和/或峰度(‘k’)。

entropy(beta, 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=(beta,), 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(beta, loc=0, scale=1)

分布的中位数。

mean(beta, loc=0, scale=1)

分布的均值。

var(beta, loc=0, scale=1)

分布的方差。

std(beta, loc=0, scale=1)

分布的标准差。

interval(confidence, beta, loc=0, scale=1)

中位数周围具有相等面积的置信区间。

另请参阅

laplace

拉普拉斯分布

norm

正态分布

说明

gennorm 的概率密度函数是 [1]

\[f(x, \beta) = \frac{\beta}{2 \Gamma(1/\beta)} \exp(-|x|^\beta),\]

其中 \(x\) 是实数,\(\beta > 0\),而 \(\Gamma\) 是伽玛函数 (scipy.special.gamma)。

gennormbeta 作为 \(\beta\) 的形状参数。 对于 \(\beta = 1\),它与拉普拉斯分布相同。 对于 \(\beta = 2\),它与正态分布相同(带有 scale=1/sqrt(2))。

参考文献

[2]

Nardon, Martina, and Paolo Pianca. “广义高斯密度的仿真技术。” Journal of Statistical Computation and Simulation 79.11 (2009): 1317-1329

[3]

Wicklin, Rick. “从广义高斯分布模拟数据”在 The DO Loop 博客中,2016 年 9 月 21 日,https://blogs.sas.com/content/iml/2016/09/21/simulate-generalized-gaussian-sas.html

示例

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

获取支持

>>> beta = 1.3
>>> lb, ub = gennorm.support(beta)

计算前四个矩

>>> mean, var, skew, kurt = gennorm.stats(beta, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(gennorm.ppf(0.01, beta),
...                 gennorm.ppf(0.99, beta), 100)
>>> ax.plot(x, gennorm.pdf(x, beta),
...        'r-', lw=5, alpha=0.6, label='gennorm 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。 这将返回一个“冻结”的 RV 对象,其中包含给定的固定参数。

冻结分布并显示冻结的 pdf

>>> rv = gennorm(beta)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdfppf 的准确性

>>> vals = gennorm.ppf([0.001, 0.5, 0.999], beta)
>>> np.allclose([0.001, 0.5, 0.999], gennorm.cdf(vals, beta))
True

生成随机数

>>> r = gennorm.rvs(beta, 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-gennorm-1.png