scipy.stats.jf_skew_t#

scipy.stats.jf_skew_t = <scipy.stats._continuous_distns.jf_skew_t_gen 对象>[源代码]#

Jones 和 Faddy 偏态-t 分布。

作为 rv_continuous 类的实例，jf_skew_t 对象从该类继承了通用方法的集合（完整列表见下），并用此特定分布的详情对其进行了补充。

注释

对 jf_skew_t 的概率密度函数为

\[f(x; a, b) = C_{a,b}^{-1} \left(1+\frac{x}{\left(a+b+x^2\right)^{1/2}}\right)^{a+1/2} \left(1-\frac{x}{\left(a+b+x^2\right)^{1/2}}\right)^{b+1/2}\]

实数 \(a>0\) 和 \(b>0\)，其中 \(C_{a,b} = 2^{a+b-1}B(a,b)(a+b)^{1/2}\)，\(B\) 表示 beta 函数 (scipy.special.beta）。

当 \(a<b\) 时，分布是负偏度的，当 \(a>b\) 时，分布是正偏度的。如果 \(a=b\)，那么我们将恢复 t 自由度为 \(2a\) 的分布。

jf_skew_t 将 \(a\) 和 \(b\) 作为形状参数。

上面定义的概率密度采用“标准化”形式。要平移和/或缩放分布，请使用 loc 和 scale 参数。具体来说，jf_skew_t.pdf(x, a, b, loc, scale) 与 jf_skew_t.pdf(y, a, b) / scale 等价，其中 y = (x - loc) / scale。请注意，平移分布的位置并不能使它成为“非中心”分布；某些分布的非中心广义分布可在单独的类中获取。

参考文献

[1]

M.C. Jones 和 M.J. Faddy。“t 分布的偏度扩展及其应用”，《皇家统计学会杂志》。B 系列（统计方法）65，第 1 期（2003）：159-174。 DOI:10.1111/1467-9868.00378

示例

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

计算前四个矩

>>> a, b = 8, 4
>>> mean, var, skew, kurt = jf_skew_t.stats(a, b, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（作为函数）来修复形状、位置和尺度参数。这将返回一个“冻结”的 RV 对象，其中给定的参数固定。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = jf_skew_t.rvs(a, b, 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-jf_skew_t-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但 sf 有时会更准确）。

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

生存函数的对数。

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

百分位点函数（cdf 的逆 - 百分位数）。

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

逆生存函数（sf 的逆）。

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

指定阶数的非中心距。

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

均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。

entropy(a, b, loc=0, scale=1)

随机变量的（微分）熵。

fit(data)

针对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=(a, b), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

关于分布的函数（一个参数）的预期值。

median(a, b, loc=0, scale=1)

分布的中位数。

mean(a, b, loc=0, scale=1)

分布的均值。

var(a, b, loc=0, scale=1)

分布的方差。

std(a, b, loc=0, scale=1)

分布的标准差。

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

中位数周围具有相等面积的置信区间。
此页面上