scipy.stats.norminvgauss

scipy.stats.norminvgauss = <scipy.stats._continuous_distns.norminvgauss_gen object>

一个正态逆高斯连续随机变量。

作为 rv_continuous 类的一个实例，norminvgauss 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(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

norminvgauss 的概率密度函数为：

\[f(x, a, b) = \frac{a \, K_1(a \sqrt{1 + x^2})}{\pi \sqrt{1 + x^2}} \, \exp(\sqrt{a^2 - b^2} + b x)\]

其中 \(x\) 是一个实数，参数 \(a\) 是尾部重量，\(b\) 是不对称参数，满足 \(a > 0\) 和 \(|b| <= a\)。\(K_1\) 是第二类修正贝塞尔函数（scipy.special.k1）。

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，norminvgauss.pdf(x, a, b, loc, scale) 完全等价于 norminvgauss.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；某些分布的非中心推广可在单独的类中找到。

一个带有参数 a 和 b 的正态逆高斯随机变量 Y 可以表示为正态均值-方差混合：Y = b * V + sqrt(V) * X，其中 X 是 norm(0,1)，V 是 invgauss(mu=1/sqrt(a**2 - b**2))。这种表示用于生成随机变量。

该分布的另一种常见参数化（参见 [2] 中的公式 2.1）由以下 pdf 表达式给出：

\[g(x, \alpha, \beta, \delta, \mu) = \frac{\alpha\delta K_1\left(\alpha\sqrt{\delta^2 + (x - \mu)^2}\right)} {\pi \sqrt{\delta^2 + (x - \mu)^2}} \ e^{\delta \sqrt{\alpha^2 - \beta^2} + \beta (x - \mu)}\]

在 SciPy 中，这对应于 a = alpha * delta, b = beta * delta, loc = mu, scale=delta。

参考文献

[1]

O. Barndorff-Nielsen, “Hyperbolic Distributions and Distributions on Hyperbolae”, Scandinavian Journal of Statistics, Vol. 5(3), pp. 151-157, 1978.

[2]

O. Barndorff-Nielsen, “Normal Inverse Gaussian Distributions and Stochastic Volatility Modelling”, Scandinavian Journal of Statistics, Vol. 24, pp. 1-13, 1997.

示例

Try it in your browser!

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

计算前四个矩：

>>> a, b = 1.25, 0.5
>>> mean, var, skew, kurt = norminvgauss.stats(a, b, moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(norminvgauss.ppf(0.01, a, b),
...                 norminvgauss.ppf(0.99, a, b), 100)
>>> ax.plot(x, norminvgauss.pdf(x, a, b),
...        'r-', lw=5, alpha=0.6, label='norminvgauss 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 = norminvgauss(a, b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = norminvgauss.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()

Go BackOpen In Tab