Ctrl+K

scipy.stats.genexpon#

scipy.stats.genexpon = <scipy.stats._continuous_distns.genexpon_gen object>[原始碼]#

廣義指數連續隨機變數。

作為 rv_continuous 類別的實例，genexpon 物件繼承了它的一系列通用方法（完整列表請見下方），並以針對此特定分佈的詳細資訊來完善它們。

筆記

對於 genexpon，機率密度函數為

\[f(x, a, b, c) = (a + b (1 - \exp(-c x))) \exp(-a x - b x + \frac{b}{c} (1-\exp(-c x)))\]

對於 \(x \ge 0\)、\(a, b, c > 0\)。

genexpon 接受 \(a\)、\(b\) 和 \(c\) 作為形狀參數。

上述機率密度以「標準化」形式定義。若要平移和/或縮放分佈，請使用 loc 和 scale 參數。具體來說，genexpon.pdf(x, a, b, c, loc, scale) 與 genexpon.pdf(y, a, b, c) / scale 完全等效，其中 y = (x - loc) / scale。請注意，平移分佈的位置不會使其成為「非中心」分佈；某些分佈的非中心廣義化版本在單獨的類別中提供。

參考文獻

H.K. Ryu, “An Extension of Marshall and Olkin’s Bivariate Exponential Distribution”, Journal of the American Statistical Association, 1993.

N. Balakrishnan, Asit P. Basu (editors), The Exponential Distribution: Theory, Methods and Applications, Gordon and Breach, 1995. ISBN 10: 2884491929

範例

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

計算前四個動差

>>> a, b, c = 9.13, 16.2, 3.28
>>> mean, var, skew, kurt = genexpon.stats(a, b, c, moments='mvsk')

顯示機率密度函數 (pdf)

>>> x = np.linspace(genexpon.ppf(0.01, a, b, c),
...                 genexpon.ppf(0.99, a, b, c), 100)
>>> ax.plot(x, genexpon.pdf(x, a, b, c),
...        'r-', lw=5, alpha=0.6, label='genexpon pdf')

或者，可以呼叫分佈物件（作為函數）來固定形狀、位置和尺度參數。這會傳回一個「凍結的」RV 物件，其中保存給定的固定參數。

凍結分佈並顯示凍結的 pdf

>>> rv = genexpon(a, b, c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

檢查 cdf 和 ppf 的準確性

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

產生隨機數字

>>> r = genexpon.rvs(a, b, c, size=1000)

並比較直方圖

>>> 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()
../../_images/scipy-stats-genexpon-1.png

方法

rvs(a, b, c, loc=0, scale=1, size=1, random_state=None)

隨機變量。

pdf(x, a, b, c, loc=0, scale=1)

機率密度函數。

logpdf(x, a, b, c, loc=0, scale=1)

機率密度函數的對數。

cdf(x, a, b, c, loc=0, scale=1)

累積分布函數。

logcdf(x, a, b, c, loc=0, scale=1)

累積分布函數的對數。

sf(x, a, b, c, loc=0, scale=1)

生存函數（也定義為 1 - cdf，但 sf 有時更準確）。

logsf(x, a, b, c, loc=0, scale=1)

生存函數的對數。

ppf(q, a, b, c, loc=0, scale=1)

百分點函數（cdf 的反函數 — 百分位數）。

isf(q, a, b, c, loc=0, scale=1)

反生存函數（sf 的反函數）。

moment(order, a, b, c, loc=0, scale=1)

指定階數的非中心動差。

stats(a, b, c, loc=0, scale=1, moments=’mv’)

平均值（'m'）、變異數（'v'）、偏度（'s'）和/或峰度（'k'）。

entropy(a, b, c, loc=0, scale=1)

RV 的（微分）熵。

fit(data)

通用資料的參數估計。請參閱 scipy.stats.rv_continuous.fit 以取得關鍵字引數的詳細文件。

expect(func, args=(a, b, c), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函數（一個引數）相對於分佈的期望值。

median(a, b, c, loc=0, scale=1)

分佈的中位數。

mean(a, b, c, loc=0, scale=1)

分佈的平均值。

var(a, b, c, loc=0, scale=1)

分佈的變異數。

std(a, b, c, loc=0, scale=1)

分佈的標準差。

interval(confidence, a, b, c, loc=0, scale=1)

具有圍繞中位數的相等面積的信賴區間。
在本頁中