Python scipy.stats.gilbrat用法及代碼示例

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

Gilbrat 連續隨機變量。

作為 rv_continuous 類的一個實例， gilbrat 對象從它繼承了一組泛型方法(完整列表見下文)，並使用特定於該特定分布的詳細信息來完善它們。

注意：

gilbrat 的概率密度函數為：

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

gilbrat 是 lognorm 和 s=1 的特例。

上麵的概率密度在“standardized” 表格中定義。要移動和/或縮放分布，請使用 loc 和 scale 參數。具體來說，gilbrat.pdf(x, loc, scale) 等同於 gilbrat.pdf(y) / scale 和 y = (x - loc) / scale 。請注意，移動分布的位置不會使其成為“noncentral” 分布；某些分布的非中心概括可在單獨的類中獲得。

例子：

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

計算前四個時刻：

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

顯示概率密度函數(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，可以調用分布對象(作為函數)來固定形狀、位置和比例參數。這將返回一個 “frozen” RV 對象，其中包含固定的給定參數。

凍結分布並顯示凍結的 pdf ：

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

檢查 cdf 和 ppf 的準確性：

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

生成隨機數：

>>> r = gilbrat.rvs(size=1000)

並比較直方圖：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

相關用法

注：本文由純淨天空篩選整理自scipy.org大神的英文原創作品 scipy.stats.gilbrat。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。