scipy.stats.halfgennorm#

scipy.stats.halfgennorm = <scipy.stats._continuous_distns.halfgennorm_gen object>[source]#

广义正态连续随机变量的上半部分。

作为 rv_continuous 类的实例，halfgennorm 对象从它那里继承了一系列通用方法（如下面的完整列表所示），并用适用于这个特定分布的详细信息对它们进行了完善。

另请参见

gennorm

广义正态分布

expon

指数分布

halfnorm

半正态分布

提示

halfgennorm 的概率密度函数为

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

对于 \(x, \beta > 0\)。 \(\Gamma\) 是伽马函数 (scipy.special.gamma)。

halfgennorm将beta作为\(\beta\)的形状参数。对于\(\beta = 1\)，它与指数分布相同。对于\(\beta = 2\)，它与半正态分布相同（具有scale=1/sqrt(2)）。

引用

示例

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

计算前四个矩

>>> beta = 0.675
>>> mean, var, skew, kurt = halfgennorm.stats(beta, moments='mvsk')

显示概率密度函数（pdf）

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

或者，可以调用分布对象（作为函数）来修复形状、位置和比例参数。这将返回一个“冻结”的 RV 对象，其中包含给定的修复参数。

冻结分布并显示冻结pdf

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

检查cdf和ppf的准确性

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

生成随机数

>>> r = halfgennorm.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-halfgennorm-1.png

方法

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

随机变数。

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)

百分位数函数（cdf的逆——百分位数）。

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

逆生存函数（sf的逆）。

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。请参见scipy.stats.rv_continuous.fit以了解关键字参数的详细说明。

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

根据分布，某个函数（一个自变量）的期望值。

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

分布的中值。

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)

围绕中值的相等面积的置信区间。
在本页