scipy.stats.loguniform

scipy.stats.loguniform = <scipy.stats._continuous_distns.reciprocal_gen object>

对数均匀或倒数连续随机变量。

作为 rv_continuous 类的一个实例，loguniform 对象继承了它一系列通用方法（完整列表见下文），并根据此特定分布的细节对其进行了补充。

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)	累积分布函数的对数。
sf(x, a, b, loc=0, scale=1)	生存函数 (也定义为 1 - cdf，但 sf 有时更精确)。
logsf(x, a, b, loc=0, scale=1)	生存函数的对数。
ppf(q, a, b, loc=0, scale=1)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, a, b, loc=0, scale=1)	逆生存函数（sf 的逆函数）。
moment(order, a, b, loc=0, scale=1)	指定阶数的非中心矩。
stats(a, b, loc=0, scale=1, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。
entropy(a, 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=(a, 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(a, b, loc=0, scale=1)	分布的中位数。
mean(a, b, loc=0, scale=1)	分布的均值。
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(confidence, a, b, loc=0, scale=1)	在中位数周围等面积的置信区间。

注释

该类的概率密度函数为：

\[f(x, a, b) = \frac{1}{x \log(b/a)}\]

对于 \(a \le x \le b\)，其中 \(b > a > 0\)。此类将 \(a\) 和 \(b\) 作为形状参数。

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，loguniform.pdf(x, a, b, loc, scale) 完全等同于 loguniform.pdf(y, a, 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可以在单独的类中找到。

示例

Try it in your browser!

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

计算前四个矩：

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

检查 cdf 和 ppf 的准确性：

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

这并没有显示出 0.01、0.1 和 1 的相等概率。当 x 轴为对数刻度时，这是最好的：

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> 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()

无论为 a 和 b 选择什么基数，这个随机变量都将是 log-uniform 分布。让我们改为指定基数 2：

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

1/4, 1/2 和 1 的值在这个随机变量中是等可能的。以下是直方图：

>>> 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()

Go BackOpen In Tab