scipy.stats.gennorm¶

scipy.stats.gennorm = <scipy.stats._continuous_distns.gennorm_gen object>[源代码]¶

广义正态连续随机变量。

作为 rv_continuous 班级, gennorm 对象从它继承一组泛型方法(完整列表请参见下面)，并用特定于此特定发行版的详细信息来完成它们。

参见

laplace: 拉普拉斯分布
norm: 正态分布

注意事项

的概率密度函数 gennorm 是 [1]:

\[F(x，\beta)=\frac{\beta}{2\Gamma(1/\beta)}\exp(- |x| ^\测试版)\]

\(\Gamma\) 是伽马函数 (scipy.special.gamma )。

gennorm 拿走 beta 作为 \(\beta\) 。为 \(\beta = 1\) ，它与拉普拉斯分布相同。为 \(\beta = 2\) ，它等同于正态分布(带 scale=1/sqrt(2) )。

参考文献

1: “广义正态分布，版本1”，https://en.wikipedia.org/wiki/Generalized_normal_distribution#Version_1

示例

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

计算前四个时刻：

>>> beta = 1.3
>>> mean, var, skew, kurt = gennorm.stats(beta, moments='mvsk')

显示概率密度函数 (pdf )：

>>> x = np.linspace(gennorm.ppf(0.01, beta),
...                 gennorm.ppf(0.99, beta), 100)
>>> ax.plot(x, gennorm.pdf(x, beta),
...        'r-', lw=5, alpha=0.6, label='gennorm 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，其中包含固定的给定参数。

冻结分发并显示冻结的 pdf ：

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

检查以下各项的准确性 cdf 和 ppf ：

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

生成随机数：

>>> r = gennorm.rvs(beta, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

方法：

rvs(beta, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, beta, loc=0, scale=1)	概率密度函数。
logpdf(x, beta, loc=0, scale=1)	概率密度函数的对数。
cdf(x, beta, loc=0, scale=1)	累积分布函数。
logcdf(x, beta, loc=0, scale=1)	累积分布函数的日志。
sf(x, beta, loc=0, scale=1)	生存函数(也定义为 `1 - cdf` ，但是 sf 有时更准确)。
logsf(x, beta, loc=0, scale=1)	生存函数的对数。
ppf(q, beta, loc=0, scale=1)	百分点数函数(与 `cdf` -百分位数)。
isf(q, beta, loc=0, scale=1)	逆生存函数(逆 `sf` )。
moment(n, beta, loc=0, scale=1)	n阶非中心矩
stats(beta, loc=0, scale=1, moments='mv')	均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(beta, loc=0, scale=1)	房车的(微分)熵。
拟合(数据)	一般数据的参数估计。看见 scipy.stats.rv_continuous.fit 有关关键字参数的详细文档，请参阅。
expect(func, args=(beta,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	函数相对于分布的期望值(只有一个参数)。
median(beta, loc=0, scale=1)	分布的中位数。
mean(beta, loc=0, scale=1)	分布的平均值。
var(beta, loc=0, scale=1)	分布的方差。
std(beta, loc=0, scale=1)	分布的标准差。
interval(alpha, beta, loc=0, scale=1)	包含分数Alpha的范围的端点 [0, 1] 分布的

scipy.stats.genlogistic

scipy.stats.genpareto