scipy.stats.loguniform¶

scipy.stats.loguniform = <scipy.stats._continuous_distns.reciprocal_gen object>[源代码]¶

对数均匀或倒数连续的随机变量。

作为 rv_continuous 班级, loguniform 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

此类的概率密度函数为：

\[F(x，a，b)=\frac{1}{x\log(b/a)}\]

为 \(a \le x \le b\) ， \(b > a > 0\) 。这门课需要 \(a\) 和 \(b\) 作为形状参数。

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， loguniform.pdf(x, a, b, loc, scale) 等同于 loguniform.pdf(y, a, b) / 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 loguniform
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

计算前四个时刻：

>>> a, b = 0.01, 1.25
>>> mean, var, skew, kurt = loguniform.stats(a, b, moments='mvsk')

显示概率密度函数 (pdf )：

>>> x = np.linspace(loguniform.ppf(0.01, a, b),
...                 loguniform.ppf(0.99, a, b), 100)
>>> ax.plot(x, loguniform.pdf(x, a, b),
...        'r-', lw=5, alpha=0.6, label='loguniform 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 = loguniform(a, b)
>>> 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 = loguniform.ppf([0.001, 0.5, 0.999], a, b)
>>> np.allclose([0.001, 0.5, 0.999], loguniform.cdf(vals, a, b))
True

生成随机数：

>>> r = loguniform.rvs(a, b, 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()

../../_images/scipy-stats-loguniform-1_00_00.png

这并没有显示出同等的概率 0.01 ， 0.1 和 1 。当x轴按对数缩放时，这是最好的：

>>> import numpy as np
>>> fig, ax = plt.subplots(1, 1)
>>> ax.hist(np.log10(r))
>>> ax.set_ylabel("Frequency")
>>> ax.set_xlabel("Value of random variable")
>>> ax.xaxis.set_major_locator(plt.FixedLocator([-2, -1, 0]))
>>> ticks = ["$10^{{ {} }}$".format(i) for i in [-2, -1, 0]]
>>> ax.set_xticklabels(ticks)  
>>> plt.show()

../../_images/scipy-stats-loguniform-1_01_00.png

此随机变量将是对数均匀的，无论选择的基数是多少 a 和 b 。让我们指定WITH BASE 2 取而代之的是：

>>> rvs = loguniform(2**-2, 2**0).rvs(size=1000)

的值 1/4 ， 1/2 和 1 与这个随机变量的可能性是一样的。这是直方图：

>>> fig, ax = plt.subplots(1, 1)
>>> ax.hist(np.log2(rvs))
>>> ax.set_ylabel("Frequency")
>>> ax.set_xlabel("Value of random variable")
>>> ax.xaxis.set_major_locator(plt.FixedLocator([-2, -1, 0]))
>>> ticks = ["$2^{{ {} }}$".format(i) for i in [-2, -1, 0]]
>>> ax.set_xticklabels(ticks)  
>>> plt.show()

../../_images/scipy-stats-loguniform-1_02_00.png

方法：

rvs(a, b, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, a, b, loc=0, scale=1)	概率密度函数。
logpdf(x, a, b, loc=0, scale=1)	概率密度函数的对数。
cdf(x, a, b, loc=0, scale=1)	累积分布函数。
logcdf(x, a, b, loc=0, scale=1)	累积分布函数的日志。
sf(x, a, b, loc=0, scale=1)	生存函数(也定义为 `1 - cdf` ，但是 sf 有时更准确)。
logsf(x, a, b, loc=0, scale=1)	生存函数的对数。
ppf(q, a, b, loc=0, scale=1)	百分点数函数(与 `cdf` -百分位数)。
isf(q, a, b, loc=0, scale=1)	逆生存函数(逆 `sf` )。
moment(n, a, b, loc=0, scale=1)	n阶非中心矩
stats(a, b, loc=0, scale=1, moments='mv')	均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(a, b, 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=(a, b), 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(a, b, loc=0, scale=1)	分布的中位数。
mean(a, b, loc=0, scale=1)	分布的平均值。
var(a, b, loc=0, scale=1)	分布的方差。
std(a, b, loc=0, scale=1)	分布的标准差。
interval(alpha, a, b, loc=0, scale=1)	包含分数Alpha的范围的端点 [0, 1] 分布的

scipy.stats.lognorm

scipy.stats.lomax