scipy.stats.kappa4¶
- scipy.stats.kappa4 = <scipy.stats._continuous_distns.kappa4_gen object>[源代码]¶
Kappa 4参数分布。
作为
rv_continuous
班级,kappa4
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。注意事项
kappa4的概率密度函数是:
\[F(x,h,k)=(1-k x)^{1/k-1}(1-h(1-k x)^{1/k})^{1/h-1}\]如果 \(h\) 和 \(k\) 不等于0。
如果 \(h\) 或 \(k\) 为零,则可以简化pdf:
h=0和k!=0::
kappa4.pdf(x, h, k) = (1.0 - k*x)**(1.0/k - 1.0)* exp(-(1.0 - k*x)**(1.0/k))
h!=0和k=0::
kappa4.pdf(x, h, k) = exp(-x)*(1.0 - h*exp(-x))**(1.0/h - 1.0)
h=0和k=0::
kappa4.pdf(x, h, k) = exp(-x)*exp(-exp(-x))
kappa4需要 \(h\) 和 \(k\) 作为形状参数。
当某些情况下,kappa4分布会返回其他分布 \(h\) 和 \(k\) 使用值。
H
k=0.0
k=1.0
-inf<=k<=inf
-1.0
物流
物流(X)
广义Logistic(1)
0.0
甘贝尔
甘贝尔_r(X)
逆指数(2)
广义极值
GenExtreme(x,k)
1.0
指数型
Expon(X)
整齐划一
统一(X)
广义帕累托
genpareto(x,-k)
至少有五种广义Logistic分布。这里描述了四个:https://en.wikipedia.org/wiki/Generalized_logistic_distribution“第五个”是kappa4应该匹配的一个,它当前没有在Scipy中实现:https://en.wikipedia.org/wiki/Talk:Generalized_logistic_distribution https://www.mathwave.com/help/easyfit/html/analyses/distributions/gen_logistic.html
这一分布目前还不是很成熟。
参考文献
J.C.Finney,“关于Kolmogorov-Smirnov检验的偏斜Logistic分布的优化”,提交给路易斯安那州立大学和农业与机械学院研究生院的论文,(2004年8月),https://digitalcommons.lsu.edu/gradschool_dissertations/3672
J.R.M.Hosking,“四参数卡帕分布”。IBM J.Res.开发。38(3),251-258(1994)。
B.Kumphon,A.Kaew-Man,P.Seenoi,“泰国赤河流域兰堡地区的降雨分布”,水资源与保护杂志,第一卷。4866-869,(2012年)。 DOI:10.4236/jwarp.2012.410101
C.Winchester,“关于四参数Kappa分布的估计”,提交给新斯科舍省哈利法克斯达尔豪西大学的论文,(2000年3月)。http://www.nlc-bnc.ca/obj/s4/f2/dsk2/ftp01/MQ57336.pdf
上面的概率密度是以“标准化”形式定义的。若要移动和/或缩放分布,请使用
loc
和scale
参数。具体地说,kappa4.pdf(x, h, k, loc, scale)
等同于kappa4.pdf(y, h, k) / scale
使用y = (x - loc) / scale
。请注意,移动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中可用。示例
>>> from scipy.stats import kappa4 >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> h, k = 0.1, 0 >>> mean, var, skew, kurt = kappa4.stats(h, k, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(kappa4.ppf(0.01, h, k), ... kappa4.ppf(0.99, h, k), 100) >>> ax.plot(x, kappa4.pdf(x, h, k), ... 'r-', lw=5, alpha=0.6, label='kappa4 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 = kappa4(h, k) >>> 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 = kappa4.ppf([0.001, 0.5, 0.999], h, k) >>> np.allclose([0.001, 0.5, 0.999], kappa4.cdf(vals, h, k)) True
生成随机数:
>>> r = kappa4.rvs(h, k, 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(h, k, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, h, k, loc=0, scale=1)
概率密度函数。
logpdf(x, h, k, loc=0, scale=1)
概率密度函数的对数。
cdf(x, h, k, loc=0, scale=1)
累积分布函数。
logcdf(x, h, k, loc=0, scale=1)
累积分布函数的日志。
sf(x, h, k, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, h, k, loc=0, scale=1)
生存函数的对数。
ppf(q, h, k, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, h, k, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, h, k, loc=0, scale=1)
n阶非中心矩
stats(h, k, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(h, k, 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=(h, k), 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(h, k, loc=0, scale=1)
分布的中位数。
mean(h, k, loc=0, scale=1)
分布的平均值。
var(h, k, loc=0, scale=1)
分布的方差。
std(h, k, loc=0, scale=1)
分布的标准差。
interval(alpha, h, k, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的