当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy stats.kappa4用法及代码示例


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 不等于 0。

如果 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 作为形状参数。

当使用某些 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)

  1. 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

  2. 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 locscale 参数。具体来说,kappa4.pdf(x, h, k, loc, scale) 等同于 kappa4.pdf(y, h, k) / 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。

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 cdfppf 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()
scipy-stats-kappa4-1.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.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。