scipy.stats.loggamma

scipy.stats.loggamma = <scipy.stats._continuous_distns.loggamma_gen object>

对数伽马连续随机变量。

作为 rv_continuous 类的实例，loggamma 对象继承自它的通用方法集合（请见下方获取完整列表），并用此特定分布的详细信息对其进行补充。

注释

loggamma 的概率密度函数如下：

\[f(x, c) = \frac{\exp(c x - \exp(x))} {\Gamma(c)}\]

对于所有 \(x, c > 0\)。此处 \(\Gamma\) 为伽马函数 (scipy.special.gamma)。

loggamma 将 c 作为 \(c\) 的形状参数。

上面的概率密度以“标准化”形式定义。若要平移和/或缩放分布，请使用 loc 和 scale 参数。具体来说，loggamma.pdf(x, c, loc, scale) 与 loggamma.pdf(y, c) / scale 完全等价，其中 y = (x - loc) / scale。请注意，平移分布的位置并不能得到“非中心”分布；一些分布的非中心泛化在独立的类中提供。

示例

在浏览器中尝试！

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

计算前 4 个矩

>>> c = 0.414
>>> mean, var, skew, kurt = loggamma.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(loggamma.ppf(0.01, c),
...                 loggamma.ppf(0.99, c), 100)
>>> ax.plot(x, loggamma.pdf(x, c),
...        'r-', lw=5, alpha=0.6, label='loggamma 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。这将返回一个保持给定参数固定的“冻结”RV 对象。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = loggamma.rvs(c, 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()

返回在新选项卡中打开

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, c, loc=0, scale=1)	概率密度函数。
logpdf(x, c, loc=0, scale=1)	概率密度函数的对数。
cdf(x, c, loc=0, scale=1)	累积分布函数。
logcdf(x, c, loc=0, scale=1)	累积分布函数的对数。
sf(x, c, loc=0, scale=1)	生存函数（也称为 1 - cdf，但 sf 有时更准确）。
logsf(x, c, loc=0, scale=1)	生存函数的对数。
ppf(q, c, loc=0, scale=1)	百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, c, loc=0, scale=1)	逆生存函数（sf 的反函数）。
moment(order, c, loc=0, scale=1)	指定阶的非中心矩。
stats(c, loc=0, scale=1, moments=’mv’)	均值（'m'）、方差（'v'）、偏度（'s'）和/或峰度（'k'）。
entropy(c, loc=0, scale=1)	RV 的（差分）熵。
fit(data)	通用数据的参数估计。请参阅 scipy.stats.rv_continuous.fit 以详细了解关键字参数的文档。
expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	分部下的函数（一个参数）的期望值。
median(c, loc=0, scale=1)	分部的中位数。
mean(c, loc=0, scale=1)	分部的平均值。
var(c, loc=0, scale=1)	分部的方差。
std(c, loc=0, scale=1)	分部的标准差。
interval(confidence, c, loc=0, scale=1)	在中位数周围面积相等的置信区间。