scipy.stats.tukeylambda#

scipy.stats.tukeylambda = <scipy.stats._continuous_distns.tukeylambda_gen object>[source]#

Tukey-Lamdba 连续随机变量。

作为 rv_continuous 类的实例，tukeylambda 对象从其中继承了一组通用方法（请见下方以了解完整列表），并使用特定于此特定分布的详细信息对它们进行了补充。

注意

灵活的分布，能够表示和在以下分布之间插值

  • 柯西 (\(lambda = -1\))

  • 逻辑 (\(lambda = 0\))

  • 近似正态 (\(lambda = 0.14\))

  • -1 到 1 之间的均匀分布 (\(lambda = 1\))

tukeylambda 取一个实数 \(lambda\)（在实现中表示为 lam）作为形状参数。

上面的概率密度以“标准化”形式定义。要偏移和/或缩放分布，请使用 loc 和 scale 参数。具体而言，tukeylambda.pdf(x, lam, loc, scale) 与 tukeylambda.pdf(y, lam) / scale 完全等效，其中 y = (x - loc) / scale。 请注意，偏移分布的位置并不会使其成为“非中心”分布；某些分布的非中心泛化在单独的类别中可用。

示例

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

计算前四阶矩

>>> lam = 3.13
>>> mean, var, skew, kurt = tukeylambda.stats(lam, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可以将分布对象（作为函数）调用以修复形状、位置和缩放参数。这返回一个固定的 RV 对象，其中包含给定的固定参数。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = tukeylambda.rvs(lam, 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-tukeylambda-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但sf 有时更准确）。

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

生存函数的对数。

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

百分位函数（cdf 的逆 - 百分位数）。

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

sf 的逆生存函数（逆）。

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

指定阶数的非中心矩。

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

均值（'m'）、方差（'v'）、偏度（'s'）和/或峰度（'k'）。

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

RV 的（差分）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=(lam,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

相对于分布的一个函数（含一个参数）的期望值。

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

分布的中位数。

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

分布的平均值。

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

分布的方差。

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

分布的标准差。

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

在中位数周围具有相等面积的置信区间。
本页