scipy.stats.vonmises¶
- scipy.stats.vonmises = <scipy.stats._continuous_distns.vonmises_gen object>[源代码]¶
一个冯·米塞斯连续型随机变量。
作为
rv_continuous
班级,vonmises
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
vonmises
和vonmises_line
是:\[F(x,\kappa)=\frac{\exp(\kappa\cos(X))}{2\pi i_0(\kappa)}\]为 \(-\pi \le x \le \pi\) , \(\kappa > 0\) 。 \(I_0\) 是修正的零级贝塞尔函数 (
scipy.special.i0
)。vonmises
是一种圆形分布,它不将分布限制在固定的间隔内。目前,在SCIPY中还没有一个循环分布的框架。这个cdf
是这样实现的,以便cdf(x + 2*np.pi) == cdf(x) + 1
。vonmises_line
是相同的分布,定义在 \([-\pi, \pi]\) 在真正的线上。这是规则(即非圆形)分布。vonmises
和vonmises_line
拿走kappa
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,vonmises.pdf(x, kappa, loc, scale)
等同于vonmises.pdf(y, kappa) / 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 vonmises >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> kappa = 3.99 >>> mean, var, skew, kurt = vonmises.stats(kappa, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(vonmises.ppf(0.01, kappa), ... vonmises.ppf(0.99, kappa), 100) >>> ax.plot(x, vonmises.pdf(x, kappa), ... 'r-', lw=5, alpha=0.6, label='vonmises 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 = vonmises(kappa) >>> 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 = vonmises.ppf([0.001, 0.5, 0.999], kappa) >>> np.allclose([0.001, 0.5, 0.999], vonmises.cdf(vals, kappa)) True
生成随机数:
>>> r = vonmises.rvs(kappa, 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(kappa, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, kappa, loc=0, scale=1)
概率密度函数。
logpdf(x, kappa, loc=0, scale=1)
概率密度函数的对数。
cdf(x, kappa, loc=0, scale=1)
累积分布函数。
logcdf(x, kappa, loc=0, scale=1)
累积分布函数的日志。
sf(x, kappa, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, kappa, loc=0, scale=1)
生存函数的对数。
ppf(q, kappa, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, kappa, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, kappa, loc=0, scale=1)
n阶非中心矩
stats(kappa, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(kappa, 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=(kappa,), 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(kappa, loc=0, scale=1)
分布的中位数。
mean(kappa, loc=0, scale=1)
分布的平均值。
var(kappa, loc=0, scale=1)
分布的方差。
std(kappa, loc=0, scale=1)
分布的标准差。
interval(alpha, kappa, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的