当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy stats.geninvgauss用法及代码示例


本文简要介绍 python 语言中 scipy.stats.geninvgauss 的用法。

用法:

scipy.stats.geninvgauss = <scipy.stats._continuous_distns.geninvgauss_gen object>#

广义逆高斯连续随机变量。

作为 rv_continuous 类的实例,geninvgauss 对象从它继承了一组通用方法(完整列表见下文),并用特定于此特定发行版的详细信息来完成它们。

注意

geninvgauss 的概率密度函数为:

其中x > 0,p是一个实数并且b > 0([1])。\(K_p\) 是二阶修正贝塞尔函数p(scipy.special.kv)。

上面的概率密度在“standardized” 表格中定义。要移动和/或缩放分布,请使用 locscale 参数。具体来说,geninvgauss.pdf(x, p, b, loc, scale) 等同于 geninvgauss.pdf(y, p, b) / scaley = (x - loc) / scale 。请注意,移动分布的位置不会使其成为“noncentral” 分布;某些分布的非中心概括可在单独的类中获得。

逆高斯分布stats.invgauss(mu)是一个特例geninvgaussp = -1/2,b = 1 /mu规模 = 亩.

对于这种分布,生成随机变量具有挑战性。该实现基于[2]。

参考

[1]

O.Barndorff-Nielsen、P. Blaesild、C. Halgreen,“广义逆高斯分布的首次命中时间模型”,随机过程及其应用,第 7 期,第 49-54 页,1978 年。

[2]

W. Hoermann 和 J. Leydold,“生成广义逆高斯随机变量”,统计与计算,24(4),p。 547-557,2014 年。

例子

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

计算前四个时刻:

>>> p, b = 2.3, 1.5
>>> mean, var, skew, kurt = geninvgauss.stats(p, b, moments='mvsk')

显示概率密度函数(pdf):

>>> x = np.linspace(geninvgauss.ppf(0.01, p, b),
...                 geninvgauss.ppf(0.99, p, b), 100)
>>> ax.plot(x, geninvgauss.pdf(x, p, b),
...        'r-', lw=5, alpha=0.6, label='geninvgauss 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 “frozen” RV 对象,其中包含固定的给定参数。

冻结分布并显示冻结的 pdf

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

检查 cdfppf 的准确性:

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

生成随机数:

>>> r = geninvgauss.rvs(p, 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()
scipy-stats-geninvgauss-1.png

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.stats.geninvgauss。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。