scipy.stats.mielke¶
- scipy.stats.mielke = <scipy.stats._continuous_distns.mielke_gen object>[源代码]¶
一个Mielke Beta-Kappa/Dagum连续随机变量。
作为
rv_continuous
班级,mielke
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
的概率密度函数
mielke
是:\[F(x,k,s)=\frac{k x^{k-1}}{(1+x^s)^{1+k/s}}\]为 \(x > 0\) 和 \(k, s > 0\) 。这种分布有时称为达格姆分布。 ([2]) 。它已在中定义 [3], 称为Burr Type III分布 (
burr
带参数c=s
和d=k/s
)。mielke
拿走k
和s
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,mielke.pdf(x, k, s, loc, scale)
等同于mielke.pdf(y, k, s) / 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。参考文献
- 1
Mielke,P.W.,1973“描述和分析降水数据的另一族分布族”。J.Apl.流星,12,275-280
- 2
“一种新的个人收入分配模式”。Economie Appliquee,33,327-367。
- 3
伯尔,I.W.“累积频率函数”,“数理统计年鉴”,第13(2)页,第215-232页(1942)。
示例
>>> from scipy.stats import mielke >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> k, s = 10.4, 4.6 >>> mean, var, skew, kurt = mielke.stats(k, s, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(mielke.ppf(0.01, k, s), ... mielke.ppf(0.99, k, s), 100) >>> ax.plot(x, mielke.pdf(x, k, s), ... 'r-', lw=5, alpha=0.6, label='mielke 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 = mielke(k, s) >>> 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 = mielke.ppf([0.001, 0.5, 0.999], k, s) >>> np.allclose([0.001, 0.5, 0.999], mielke.cdf(vals, k, s)) True
生成随机数:
>>> r = mielke.rvs(k, s, 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(k, s, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, k, s, loc=0, scale=1)
概率密度函数。
logpdf(x, k, s, loc=0, scale=1)
概率密度函数的对数。
cdf(x, k, s, loc=0, scale=1)
累积分布函数。
logcdf(x, k, s, loc=0, scale=1)
累积分布函数的日志。
sf(x, k, s, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, k, s, loc=0, scale=1)
生存函数的对数。
ppf(q, k, s, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, k, s, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, k, s, loc=0, scale=1)
n阶非中心矩
stats(k, s, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(k, s, 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=(k, s), 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(k, s, loc=0, scale=1)
分布的中位数。
mean(k, s, loc=0, scale=1)
分布的平均值。
var(k, s, loc=0, scale=1)
分布的方差。
std(k, s, loc=0, scale=1)
分布的标准差。
interval(alpha, k, s, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的