scipy.stats.recipinvgauss#

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

一个倒数逆高斯连续随机变量。

作为 rv_continuous 类的实例，recipinvgauss 对象从该类继承一个通用的方法集合（请参见以下有关完整列表的内容），并使用特定于此特定分布的详细信息对其进行补充。

注释

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 将 mu 作为 \(\mu\) 的形状参数。

上述概率密度采用“标准化”形式进行定义。如需转换和/或缩放分布，请使用 loc 和 scale 参数。具体而言，recipinvgauss.pdf(x, mu, loc, scale) 等同于 recipinvgauss.pdf(y, mu) / scale，其中 y = (x - loc) / scale。请注意，转换分布位置并不会将其变为“非中心”分布，一些分布的非中心泛化可以在单独的类中获得。

示例

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

计算头四个矩

>>> mu = 0.63
>>> 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')

另外，可以调用分布对象（作为函数）来固定形状、位置和范围参数。这会返回包含固定给定参数的“冻结”RV 对象。

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 cdf 和 ppf 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)

并对比直方图

>>> 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

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)

百分位点函数（cdf 的逆，即百分位数）。

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

逆生存函数（sf 的逆）。

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

指定阶次的不中心矩。

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

平均数（'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说明，请访问 scipy.stats.rv_continuous.fit 。

expect(func, args=(mu,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

分布相对于函数（一个自变量）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)

在中位数周围相等的面积的置信区间。
本页内容