scipy.stats.genextreme

scipy.stats.genextreme = <scipy.stats._continuous_distns.genextreme_gen object>

廣義極值連續隨機變數。

作為 rv_continuous 類別的一個實例，genextreme 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進行了完善。

參見

gumbel_r

筆記

對於 \(c=0\)，genextreme 等於 gumbel_r，其機率密度函數為

\[f(x) = \exp(-\exp(-x)) \exp(-x),\]

其中 \(-\infty < x < \infty\)。

對於 \(c \ne 0\)，genextreme 的機率密度函數為

\[f(x, c) = \exp(-(1-c x)^{1/c}) (1-c x)^{1/c-1},\]

其中 \(-\infty < x \le 1/c\) 如果 \(c > 0\) 且 \(1/c \le x < \infty\) 如果 \(c < 0\)。

請注意，一些來源和軟體套件對於形狀參數 \(c\) 的符號使用了相反的慣例。

genextreme 將 c 作為 \(c\) 的形狀參數。

上面的機率密度是以「標準化」形式定義的。若要平移和/或縮放分佈，請使用 loc 和 scale 參數。具體來說，genextreme.pdf(x, c, loc, scale) 與 genextreme.pdf(y, c) / scale 完全等價，其中 y = (x - loc) / scale。請注意，平移分佈的位置並不會使其成為「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。

範例

在您的瀏覽器中試試看！

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

計算前四個動差

>>> c = -0.1
>>> mean, var, skew, kurt = genextreme.stats(c, moments='mvsk')

顯示機率密度函數 (pdf)

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

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

凍結分佈並顯示凍結的 pdf

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

檢查 cdf 和 ppf 的準確性

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

產生隨機數字

>>> r = genextreme.rvs(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()

返回在新分頁中開啟

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)	隨機變量。
pdf(x, c, loc=0, scale=1)	機率密度函數。
logpdf(x, c, loc=0, scale=1)	機率密度函數的對數。
cdf(x, c, loc=0, scale=1)	累積分布函數。
logcdf(x, c, loc=0, scale=1)	累積分布函數的對數。
sf(x, c, loc=0, scale=1)	存活函數（也定義為 1 - cdf，但 sf 有時更準確）。
logsf(x, c, loc=0, scale=1)	存活函數的對數。
ppf(q, c, loc=0, scale=1)	百分點函數（cdf 的反函數 — 百分位數）。
isf(q, c, loc=0, scale=1)	反向存活函數（sf 的反函數）。
moment(order, c, loc=0, scale=1)	指定階數的非中心動差。
stats(c, loc=0, scale=1, moments=’mv’)	平均值（'m'）、變異數（'v'）、偏度（'s'）和/或峰度（'k'）。
entropy(c, loc=0, scale=1)	RV 的（微分）熵。
fit(data)	通用資料的參數估計。有關關鍵字引數的詳細文件，請參閱 scipy.stats.rv_continuous.fit。
expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	函數（一個引數）關於分佈的期望值。
median(c, loc=0, scale=1)	分佈的中位數。
mean(c, loc=0, scale=1)	分佈的平均值。
var(c, loc=0, scale=1)	分佈的變異數。
std(c, loc=0, scale=1)	分佈的標準差。
interval(confidence, c, loc=0, scale=1)	具有圍繞中位數相等面積的信賴區間。