scipy.stats.gibrat#

scipy.stats.gibrat = <scipy.stats._continuous_distns.gibrat_gen object>[source]#

吉夫拉特连续随机变量。

作为 rv_continuous 类的实例，gibrat 对象继承了其中一系列通用的方法（如下提供完整列表），并用针对特定分布的详细信息对这些方法进行了补充。

备注

gibrat 的概率密度函数为

\[f(x) = \frac{1}{x \sqrt{2\pi}} \exp(-\frac{1}{2} (\log(x))^2)\]

gibrat 是 s=1 的 lognorm 的特例。

上述概率密度采用“标准化”形式进行定义。若要偏移和/或缩放该分布，请使用 loc 和 scale 参数。具体来说， gibrat.pdf(x, loc, scale) 与 gibrat.pdf(y) / scale 完全相同，其中 y = (x - loc) / scale。请注意，偏移分布位置并不会使其成为“非中心”分布；某些分布的非中心泛化可通过其他类获得。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（作为函数）来修复形状、位置和缩放参数。这会返回一个冻结的 RV 对象，其中固定的已给参数。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = gibrat.rvs(size=1000)

对比直方图

>>> 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-gibrat-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但 sf 有时更为准确）。

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

生存函数的对数。

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

百分比点函数（cdf 的逆运算——百分位数）。

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

sf 的逆运算——逆生存函数。

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

指定阶数的非中心距。

stats(loc=0, scale=1, moments=’mv’)

均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或峰度(‘k’)。

entropy(loc=0, scale=1)

RV 的（微分）信息熵。

fit(data)

一般数据的参数估计。有关关键字参数的详细文档，请参阅 scipy.stats.rv_continuous.fit。

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

相对于分布，函数（一个参数的）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的平均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准偏差。

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

中位数周围具有相等面积的置信区间。
本页面