scipy.stats.mielke#
- scipy.stats.mielke = <scipy.stats._continuous_distns.mielke_gen object>[源码]#
Mielke Beta-Kappa / Dagum 连续随机变量。
作为
rv_continuous
类的实例,mielke
对象继承了它的一组通用方法(见下面的完整列表),并用特定于此特定分布的详细信息完善了它们。方法
rvs(k, s, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, k, s, loc=0, scale=1)
概率密度函数。
logpdf(x, k, s, loc=0, scale=1)
概率密度函数的对数。
cdf(x, k, s, loc=0, scale=1)
累积分布函数。
logcdf(x, k, s, loc=0, scale=1)
累积分布函数的对数。
sf(x, k, s, loc=0, scale=1)
生存函数 (也定义为
1 - cdf
, 但 sf 有时更准确)。logsf(x, k, s, loc=0, scale=1)
生存函数的对数。
ppf(q, k, s, loc=0, scale=1)
百分点函数 (
cdf
的逆函数 - 百分位数)。isf(q, k, s, loc=0, scale=1)
逆生存函数 (
sf
的逆函数)。moment(order, k, s, loc=0, scale=1)
指定阶的非中心矩。
stats(k, s, loc=0, scale=1, moments=’mv’)
均值(‘m’),方差(‘v’),偏度(‘s’) 和/或 峰度(‘k’)。
entropy(k, s, 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,请参阅 scipy.stats.rv_continuous.fit 。
expect(func, args=(k, s), 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(k, s, loc=0, scale=1)
分布的中位数。
mean(k, s, loc=0, scale=1)
分布的均值。
var(k, s, loc=0, scale=1)
分布的方差。
std(k, s, loc=0, scale=1)
分布的标准差。
interval(confidence, k, s, loc=0, scale=1)
中位数周围具有相等面积的置信区间。
注释
mielke
的概率密度函数为\[f(x, k, s) = \frac{k x^{k-1}}{(1+x^s)^{1+k/s}}\]对于 \(x > 0\) 和 \(k, s > 0\)。 该分布有时称为 Dagum 分布 ([2])。 它已经在 [3] 中定义,称为 Burr Type III 分布 (
burr
带有参数c=s
和d=k/s
)。mielke
将k
和s
作为形状参数。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,mielke.pdf(x, k, s, loc, scale)
等同于mielke.pdf(y, k, s) / scale
,其中y = (x - loc) / scale
。 请注意,移动分布的位置并不会使其成为“非中心”分布; 一些分布的非中心推广版本在单独的类中可用。参考文献
[1]Mielke, P.W., 1973 “Another Family of Distributions for Describing and Analyzing Precipitation Data.” J. Appl. Meteor., 12, 275-280
[2]Dagum, C., 1977 “A new model for personal income distribution.” Economie Appliquee, 33, 327-367.
[3]Burr, I. W. “Cumulative frequency functions”, Annals of Mathematical Statistics, 13(2), pp 215-232 (1942).
示例
>>> import numpy as np >>> from scipy.stats import mielke >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> k, s = 10.4, 4.6 >>> lb, ub = mielke.support(k, s)
计算前四个矩
>>> mean, var, skew, kurt = mielke.stats(k, s, moments='mvsk')
显示概率密度函数 (
pdf
)>>> x = np.linspace(mielke.ppf(0.01, k, s), ... mielke.ppf(0.99, k, s), 100) >>> ax.plot(x, mielke.pdf(x, k, s), ... 'r-', lw=5, alpha=0.6, label='mielke 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,其中保存了给定的固定参数。
冻结分布并显示冻结的
pdf
>>> rv = mielke(k, s) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = mielke.ppf([0.001, 0.5, 0.999], k, s) >>> np.allclose([0.001, 0.5, 0.999], mielke.cdf(vals, k, s)) True
生成随机数
>>> r = mielke.rvs(k, s, 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()