scipy.stats.skewnorm#

scipy.stats.skewnorm = <scipy.stats._continuous_distns.skewnorm_gen object>[source]#

一个偏态正态随机变量。

作为rv_continuous类的实例，skewnorm对象从该类继承了一组通用方法（请见下文中的完整列表），并补充了适用于此特定分布的细节。

注释

该 PDF 为

skewnorm.pdf(x, a) = 2 * norm.pdf(x) * norm.cdf(a*x)

skewnorm以实数\(a\)作为偏度参数，当a = 0时，该分布与正态分布（norm）相同。rvs实现了 [1] 的方法。

上面定义的概率密度为“标准化”形式。若想对分布进行偏移和/或缩放，可使用 loc 和 scale 参数。具体而言，skewnorm.pdf(x, a, loc, scale) 与 skewnorm.pdf(y, a) / scale 完全等价，其中 y = (x - loc) / scale。请注意，偏移分布的位置并不能使其成为“非中心”分布；某些分布的非中心泛化在单独的类中提供。

参考资料

[1]

A. Azzalini 和 A. Capitanio (1999)。多元偏态正态分布的统计应用。J. Roy. Statist. Soc., B 61, 579-602。 arXiv:0911.2093

示例

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

计算前四阶矩

>>> a = 4
>>> mean, var, skew, kurt = skewnorm.stats(a, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(skewnorm.ppf(0.01, a),
...                 skewnorm.ppf(0.99, a), 100)
>>> ax.plot(x, skewnorm.pdf(x, a),
...        'r-', lw=5, alpha=0.6, label='skewnorm pdf')

或者，可以调用分布对象（作为函数）来修复形状、位置和比例参数。这会返回一个“固定”的 RV 对象，其中包含给定的固定参数。

冻结分布并显示已冻结 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = skewnorm.rvs(a, size=1000)

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-skewnorm-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

存活函数（也定义为 1 - cdf，但 sf 有时更准确）。

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

存活函数的对数。

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

百分位点函数（cdf 的逆函数——百分位数）。

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

逆生存函数（sf 的逆函数）。

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

指定阶数的非中心矩。

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

平均值（'m'）、方差（'v'）、偏度（'s'）和/或峰度（'k'）。

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

RV 的（微分）熵。

fit(data)

泛型数据的参数估计。有关关键字参数的详细文档，请参见scipy.stats.rv_continuous.fit。

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

对分布中给定（一个参数）函数的期望值。

median(a, loc=0, scale=1)

分布的中值。

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

分布的均值。

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

分布的方差。

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

分布的标准差。

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

在中值周围具有相等面积的置信区间。
本页内容