scipy.stats.exponpow

scipy.stats.exponpow = <scipy.stats._continuous_distns.exponpow_gen object>

一个指数幂连续随机变量。

作为 rv_continuous 类的一个实例，exponpow 对象继承了它的一系列通用方法（参见下面的完整列表），并根据此特定分布的细节对其进行了补充。

方法

rvs(b, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, b, loc=0, scale=1)	概率密度函数。
logpdf(x, b, loc=0, scale=1)	概率密度函数的对数。
cdf(x, b, loc=0, scale=1)	累积分布函数。
logcdf(x, b, loc=0, scale=1)	累积分布函数的对数。
sf(x, b, loc=0, scale=1)	生存函数 (也定义为 1 - cdf，但 sf 有时更精确)。
logsf(x, b, loc=0, scale=1)	生存函数的对数。
ppf(q, b, loc=0, scale=1)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, b, loc=0, scale=1)	逆生存函数（sf 的逆函数）。
moment(order, b, loc=0, scale=1)	指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。
entropy(b, loc=0, scale=1)	（微分）随机变量的熵。
fit(data)	通用数据的参数估计。有关关键字参数的详细文档，请参见 scipy.stats.rv_continuous.fit 。
expect(func, args=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	函数（单参数）相对于分布的期望值。
median(b, loc=0, scale=1)	分布的中位数。
mean(b, loc=0, scale=1)	分布的均值。
var(b, loc=0, scale=1)	分布的方差。
std(b, loc=0, scale=1)	分布的标准差。
interval(confidence, b, loc=0, scale=1)	在中位数周围等面积的置信区间。

注释

exponpow 的概率密度函数为：

\[f(x, b) = b x^{b-1} \exp(1 + x^b - \exp(x^b))\]

对于 \(x \ge 0\), \(b > 0\)。注意，这与另一种也被称为“广义正态”或“广义高斯”的指数幂分布不同。

exponpow 将 b 作为 \(b\) 的形状参数。

上述概率密度是以“标准化”形式定义的。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，exponpow.pdf(x, b, loc, scale) 完全等同于 exponpow.pdf(y, b) / scale，其中 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

http://www.math.wm.edu/~leemis/chart/UDR/PDFs/Exponentialpower.pdf

示例

Try it in your browser!

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

计算前四个矩：

>>> b = 2.7
>>> mean, var, skew, kurt = exponpow.stats(b, moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(exponpow.ppf(0.01, b),
...                 exponpow.ppf(0.99, b), 100)
>>> ax.plot(x, exponpow.pdf(x, b),
...        'r-', lw=5, alpha=0.6, label='exponpow pdf')

或者，分布对象可以被调用（作为一个函数）来固定形状、位置和尺度参数。这将返回一个持有给定参数固定的“冻结”RV对象。

冻结分发并显示冻结的 pdf：

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

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = exponpow.rvs(b, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

Go BackOpen In Tab