scipy.stats.gumbel_l#

scipy.stats.gumbel_l = <scipy.stats._continuous_distns.gumbel_l_gen object>[源代码]#

左偏 Gumbel 连续随机变量。

作为一个 rv_continuous 类实例，gumbel_l 对象从它继承了一组通用的方法（请见下方的完整列表），并用此特定分布的详细信息来补充它。

另请参见

gumbel_r, gompertz, genextreme

说明

gumbel_l 的概率密度函数为

\[f(x) = \exp(x - e^x)\]

Gumbel 分布有时称为 I 型费舍尔-蒂佩特分布。与极值分布、Log-Weibull 和 Gompertz 分布也有关联。

上面的概率密度采用“标准化”格式定义。若要位移和/或缩放分布，请使用loc和 scale参数。具体来说，gumbel_l.pdf(x, loc, scale)与 gumbel_l.pdf(y) / scale完全相同，其中 y = (x - loc) / scale。请注意，位移分布位置不会使其成为“非中心”分布；在不同的类中可获取一些分布的非中心泛化值。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（作为函数）以修复形状、位置和缩放参数。这将返回一个冻结的 RV 对象，保持给定的参数修复。

冻结分布并显示冻结的 pdf

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

检查 cdf和 ppf的准确性

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

生成随机数

>>> r = gumbel_l.rvs(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-gumbel_l-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 有时更准确）。

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

生存函数的对数。

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

百分位点函数（cdf的反函数——百分位数）。

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

逆生存函数（sf的反函数）。

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

指定阶的非中心矩。

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）熵。

fit(data)

通用数据参数估计。请参阅 scipy.stats.rv_continuous.fit 详细了解关键字参数的文档。

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

就分布而言，函数（一元）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准差。

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

以中位数为中心的置信区间（面积相等）。
本页内容