scipy.stats.recipinvgauss#

scipy.stats.recipinvgauss = <scipy.stats._continuous_distns.recipinvgauss_gen object>[源代码]#

倒逆高斯连续随机变量。

作为 rv_continuous 类的实例,recipinvgauss 对象继承了它的一组通用方法(请参见下面的完整列表),并使用此特定分布的详细信息完成了它们。

方法

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

随机变量。

pdf(x, mu, loc=0, scale=1)

概率密度函数。

logpdf(x, mu, loc=0, scale=1)

概率密度函数的对数。

cdf(x, mu, loc=0, scale=1)

累积分布函数。

logcdf(x, mu, loc=0, scale=1)

累积分布函数的对数。

sf(x, mu, loc=0, scale=1)

生存函数(也定义为 1 - cdf,但 sf 有时更准确)。

logsf(x, mu, loc=0, scale=1)

生存函数的对数。

ppf(q, mu, loc=0, scale=1)

百分点函数(cdf 的反函数 - 百分位数)。

isf(q, mu, loc=0, scale=1)

逆生存函数(sf 的反函数)。

moment(order, mu, loc=0, scale=1)

指定阶的非中心矩。

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

均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。

entropy(mu, 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=(mu,), 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(mu, loc=0, scale=1)

分布的中位数。

mean(mu, loc=0, scale=1)

分布的均值。

var(mu, loc=0, scale=1)

分布的方差。

std(mu, loc=0, scale=1)

分布的标准差。

interval(confidence, mu, loc=0, scale=1)

中位数周围具有相等面积的置信区间。

说明

recipinvgauss 的概率密度函数为

\[f(x, \mu) = \frac{1}{\sqrt{2\pi x}} \exp\left(\frac{-(1-\mu x)^2}{2\mu^2x}\right)\]

对于 \(x \ge 0\)

recipinvgauss 接受 mu 作为 \(\mu\) 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 locscale 参数。 具体来说,recipinvgauss.pdf(x, mu, loc, scale) 等同于 recipinvgauss.pdf(y, mu) / scale,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; 一些分布的非中心概括在单独的类中提供。

示例

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

获取支持

>>> mu = 0.63
>>> lb, ub = recipinvgauss.support(mu)

计算前四个矩

>>> mean, var, skew, kurt = recipinvgauss.stats(mu, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(recipinvgauss.ppf(0.01, mu),
...                 recipinvgauss.ppf(0.99, mu), 100)
>>> ax.plot(x, recipinvgauss.pdf(x, mu),
...        'r-', lw=5, alpha=0.6, label='recipinvgauss 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。 这会返回一个“冻结”的 RV 对象,其中包含给定的固定参数。

冻结分布并显示冻结的 pdf

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

检查 cdfppf 的准确性

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

生成随机数

>>> r = recipinvgauss.rvs(mu, 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-recipinvgauss-1.png