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。
说明
\[f(x, \beta) = \frac{\beta}{2 \Gamma(1/\beta)} \exp(-|x|^\beta),\]其中 \(x\) 是实数,\(\beta > 0\),而 \(\Gamma\) 是伽玛函数 (
scipy.special.gamma
)。gennorm
将beta
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
[1]“广义正态分布,第 1 版”,https://en.wikipedia.org/wiki/Generalized_normal_distribution#Version_1
[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
cdf
和ppf
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()