scipy.stats.landau#
- scipy.stats.landau = <scipy.stats._continuous_distns.landau_gen object>[源代码]#
Landau 连续随机变量。
作为
rv_continuous
类的实例,landau
对象从中继承了一组通用方法(完整列表见下文),并使用此特定分布的详细信息完成它们。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)
百分点函数(
cdf
的逆函数 — 百分位数)。isf(q, loc=0, scale=1)
逆生存函数(
sf
的逆函数)。moment(order, loc=0, scale=1)
指定阶次的非中心矩。
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=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
关于分布的函数(一个参数)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)
中位数周围具有相等区域的置信区间。
注释
\[f(x) = \frac{1}{\pi}\int_0^\infty \exp(-t \log t - xt)\sin(\pi t) dt\]对于实数 \(x\)。
上面的概率密度以“标准化”形式定义。 要移动和/或缩放分布,请使用
loc
和scale
参数。 具体来说,landau.pdf(x, loc, scale)
与landau.pdf(y) / scale
完全等效,其中y = (x - loc) / scale
。 请注意,移动分布的位置不会使其成为“非中心”分布; 某些分布的非中心推广在单独的类中可用。通常(例如 [2]),Landau 分布根据位置参数 \(\mu\) 和比例参数 \(c\) 参数化,后者也引入了位置偏移。 如果
mu
和c
用于表示这些参数,则这与 SciPy 的参数化对应,其中loc = mu + 2*c / np.pi * np.log(c)
和scale = c
。此分布使用 Boost Math C++ 库中的例程来计算
pdf
,cdf
,ppf
,sf
和isf
方法。 [1]参考文献
[1] (1,2)Landau, L. (1944). “On the energy loss of fast particles by ionization”. J. Phys. (USSR). 8: 201.
[3]Chambers, J. M., Mallows, C. L., & Stuck, B. (1976). “A method for simulating stable random variables.” Journal of the American Statistical Association, 71(354), 340-344.
[4]The Boost Developers. “Boost C++ Libraries”. https://boost.ac.cn/.
[5]Yoshimura, T. “Numerical Evaluation and High Precision Approximation Formula for Landau Distribution”. DOI:10.36227/techrxiv.171822215.53612870/v2
示例
>>> import numpy as np >>> from scipy.stats import landau >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> lb, ub = landau.support()
计算前四个矩
>>> mean, var, skew, kurt = landau.stats(moments='mvsk')
显示概率密度函数 (
pdf
)>>> x = np.linspace(landau.ppf(0.01), ... landau.ppf(0.99), 100) >>> ax.plot(x, landau.pdf(x), ... 'r-', lw=5, alpha=0.6, label='landau 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,该对象保存给定的固定参数。
冻结分布并显示冻结的
pdf
>>> rv = landau() >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = landau.ppf([0.001, 0.5, 0.999]) >>> np.allclose([0.001, 0.5, 0.999], landau.cdf(vals)) True
生成随机数
>>> r = landau.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()