Python SciPy stats.rice用法及代码示例

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

用法:

scipy.stats.rice = <scipy.stats._continuous_distns.rice_gen object>#

一个 Rice 连续随机变量。

作为 rv_continuous 类的实例，rice 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：

rice 的概率密度函数为：

\[f(x, b) = x \exp(- \frac{x^2 + b^2}{2}) I_0(x b)\]

对于 \(x >= 0\) ， \(b > 0\) 。 \(I_0\) 是修改后的零阶贝塞尔函数 ( scipy.special.i0 )。

rice 将 b 作为 \(b\) 的形状参数。

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，rice.pdf(x, b, loc, scale) 等同于 rice.pdf(y, b) / 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。

莱斯分布说明了具有分量 \((U+u, V+v)\) 的二维向量的长度 \(r\) ，其中 \(U, V\) 是常数，\(u, v\) 是具有标准偏差 \(s\) 的独立高斯随机变量。让 \(R = \sqrt{U^2 + V^2}\) 。那么 \(r\) 的pdf是 rice.pdf(x, R/s, scale=s) 。

例子：

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

计算前四个时刻：

>>> b = 0.775
>>> mean, var, skew, kurt = rice.stats(b, moments='mvsk')

显示概率密度函数(pdf)：

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

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = rice.rvs(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()