scipy.stats.pareto#
- scipy.stats.pareto = <scipy.stats._continuous_distns.pareto_gen object>[来源]#
帕累托连续随机变量。
作为
rv_continuous
类的实例,pareto
对象继承了它的一组通用方法(见下文的完整列表),并用针对此特定分布的详细信息完善了它们。方法
rvs(b, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, b, loc=0, scale=1)
概率密度函数。
logpdf(x, b, loc=0, scale=1)
概率密度函数的对数。
cdf(x, b, loc=0, scale=1)
累积分布函数。
logcdf(x, b, loc=0, scale=1)
累积分布函数的对数。
sf(x, b, loc=0, scale=1)
生存函数 (也被定义为
1 - cdf
, 但 sf 有时更准确)。logsf(x, b, loc=0, scale=1)
生存函数的对数。
ppf(q, b, loc=0, scale=1)
百分点函数 (
cdf
的逆函数 — 百分位数)。isf(q, b, loc=0, scale=1)
逆生存函数 (
sf
的逆函数)。moment(order, b, loc=0, scale=1)
指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)
均值(‘m’),方差(‘v’),偏度(‘s’) 和/或 峰度(‘k’)。
entropy(b, 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=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
具有相对于分布的函数 (一个参数) 的期望值。
median(b, loc=0, scale=1)
分布的中位数。
mean(b, loc=0, scale=1)
分布的均值。
var(b, loc=0, scale=1)
分布的方差。
std(b, loc=0, scale=1)
分布的标准差。
interval(confidence, b, loc=0, scale=1)
具有围绕中位数的相等面积的置信区间。
说明
pareto
的概率密度函数是\[f(x, b) = \frac{b}{x^{b+1}}\]对于 \(x \ge 1\), \(b > 0\).
pareto
将b
作为 \(b\) 的形状参数。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,pareto.pdf(x, b, loc, scale)
与pareto.pdf(y, b) / scale
完全等价,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; 一些分布的非中心泛化在单独的类中可用。示例
>>> import numpy as np >>> from scipy.stats import pareto >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> b = 2.62 >>> lb, ub = pareto.support(b)
计算前四个矩
>>> mean, var, skew, kurt = pareto.stats(b, moments='mvsk')
显示概率密度函数 (
pdf
)>>> x = np.linspace(pareto.ppf(0.01, b), ... pareto.ppf(0.99, b), 100) >>> ax.plot(x, pareto.pdf(x, b), ... 'r-', lw=5, alpha=0.6, label='pareto 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 = pareto(b) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = pareto.ppf([0.001, 0.5, 0.999], b) >>> np.allclose([0.001, 0.5, 0.999], pareto.cdf(vals, b)) True
生成随机数
>>> r = pareto.rvs(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()