本文简要介绍 python 语言中 scipy.stats.kappa4
的用法。
用法:
scipy.stats.kappa4 = <scipy.stats._continuous_distns.kappa4_gen object>#
Kappa 4 参数分布。
作为
rv_continuous
类的实例,kappa4
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:
kappa4 的概率密度函数为:
如果 和 不等于 0。
如果 或 为零,则可以简化 pdf:
h = 0 和 k != 0:
kappa4.pdf(x, h, k) = (1.0 - k*x)**(1.0/k - 1.0)* exp(-(1.0 - k*x)**(1.0/k))
h != 0 和 k = 0:
kappa4.pdf(x, h, k) = exp(-x)*(1.0 - h*exp(-x))**(1.0/h - 1.0)
h = 0 和 k = 0:
kappa4.pdf(x, h, k) = exp(-x)*exp(-exp(-x))
kappa4 将 和 作为形状参数。
当使用某些 和 值时,kappa4 分布会返回其他分布。
h
k=0.0
k=1.0
-inf<=k<=inf
-1.0
Logistic
logistic(x)
Generalized Logistic(1)
0.0
Gumbel
gumbel_r(x)
Reverse Exponential(2)
Generalized Extreme Value
genextreme(x, k)
1.0
Exponential
expon(x)
Uniform
uniform(x)
Generalized Pareto
genpareto(x, -k)
至少有五个广义逻辑分布。这里说明了四个:https://en.wikipedia.org/wiki/Generalized_logistic_distribution“fifth” 是 kappa4 应该匹配的一个,目前在 scipy 中没有实现:https://en.wikipedia.org/wiki/Talk:Generalized_logistic_distribution https://www.mathwave.com/help/easyfit/html/analyses/distributions/gen_logistic.html
此发行版目前不在 scipy 中。
参考:
J.C. Finney,“关于Kolmogorov-Smirnov 检验的偏态逻辑分布的优化”,提交给路易斯安那州立大学和农业与机械学院研究生院的论文,(2004 年 8 月),https://digitalcommons.lsu.edu/gradschool_dissertations/3672
J.R.M. Hosking,“four-parameter kappa 分布”。 IBM J. 水库。开发。 38 (3), 25 1-258 (1994)。
B. Kumphon, A. Kaew-Man, P. Seenoi,“泰国 Chi 河流域 Lampao 遗址的降雨分布”,水资源与保护杂志,第一卷。 4, 866-869, (2012)。 DOI:10.4236/jwarp.2012.410101
C. Winchester,“关于Four-Parameter Kappa 分布的估计”,提交给新斯科舍省哈利法克斯的达尔豪西大学的论文(2000 年 3 月)。http://www.nlc-bnc.ca/obj/s4/f2/dsk2/ftp01/MQ57336.pdf
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,kappa4.pdf(x, h, k, loc, scale)
等同于kappa4.pdf(y, h, k) / 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:
>>> import numpy as np >>> from scipy.stats import kappa4 >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> h, k = 0.1, 0 >>> mean, var, skew, kurt = kappa4.stats(h, k, moments='mvsk')
显示概率密度函数(
pdf
):>>> x = np.linspace(kappa4.ppf(0.01, h, k), ... kappa4.ppf(0.99, h, k), 100) >>> ax.plot(x, kappa4.pdf(x, h, k), ... 'r-', lw=5, alpha=0.6, label='kappa4 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 = kappa4(h, k) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性:>>> vals = kappa4.ppf([0.001, 0.5, 0.999], h, k) >>> np.allclose([0.001, 0.5, 0.999], kappa4.cdf(vals, h, k)) True
生成随机数:
>>> r = kappa4.rvs(h, k, 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()
相关用法
- Python SciPy stats.kappa3用法及代码示例
- Python SciPy stats.kurtosis用法及代码示例
- Python SciPy stats.kruskal用法及代码示例
- Python SciPy stats.kurtosistest用法及代码示例
- Python SciPy stats.kstwobign用法及代码示例
- Python SciPy stats.kstest用法及代码示例
- Python SciPy stats.kstwo用法及代码示例
- Python SciPy stats.kstat用法及代码示例
- Python SciPy stats.ksone用法及代码示例
- Python SciPy stats.ks_2samp用法及代码示例
- Python SciPy stats.kendalltau用法及代码示例
- Python SciPy stats.ks_1samp用法及代码示例
- Python SciPy stats.anderson用法及代码示例
- Python SciPy stats.iqr用法及代码示例
- Python SciPy stats.genpareto用法及代码示例
- Python SciPy stats.skewnorm用法及代码示例
- Python SciPy stats.cosine用法及代码示例
- Python SciPy stats.norminvgauss用法及代码示例
- Python SciPy stats.directional_stats用法及代码示例
- Python SciPy stats.invwishart用法及代码示例
- Python SciPy stats.bartlett用法及代码示例
- Python SciPy stats.levy_stable用法及代码示例
- Python SciPy stats.page_trend_test用法及代码示例
- Python SciPy stats.itemfreq用法及代码示例
- Python SciPy stats.exponpow用法及代码示例
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.kappa4。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。