Python scipy.stats.gilbrat用法及代码示例

用法: scipy.stats.gilbrat = <scipy.stats._continuous_distns.gilbrat_gen object>

Gilbrat 连续随机变量。

作为 rv_continuous 类的一个实例， gilbrat 对象从它继承了一组泛型方法(完整列表见下文)，并使用特定于该特定分布的详细信息来完善它们。

注意：

gilbrat 的概率密度函数为：

\[f(x) = \frac{1}{x \sqrt{2\pi}} \exp(-\frac{1}{2} (\log(x))^2)\]

gilbrat 是 lognorm 和 s=1 的特例。

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 loc 和 scale 参数。具体来说，gilbrat.pdf(x, loc, scale) 等同于 gilbrat.pdf(y) / scale 和 y = (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。

例子：

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

计算前四个时刻：

>>> mean, var, skew, kurt = gilbrat.stats(moments='mvsk')

显示概率密度函数(pdf)：

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

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = gilbrat.rvs(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()

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.gilbrat。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。