Ctrl+K

scipy.stats.nakagami#

scipy.stats.nakagami = <scipy.stats._continuous_distns.nakagami_gen object>[原始碼]#

Nakagami 連續隨機變數。

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

筆記

nakagami 的機率密度函數為

\[f(x, \nu) = \frac{2 \nu^\nu}{\Gamma(\nu)} x^{2\nu-1} \exp(-\nu x^2)\]

對於 \(x >= 0\), \(\nu > 0\)。此分佈在 [2] 中被引入，另請參閱 [1] 以獲取更多資訊。

nakagami 接受 nu 作為 \(\nu\) 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。具體而言，nakagami.pdf(x, nu, loc, scale) 與 nakagami.pdf(y, nu) / scale 完全等效，其中 y = (x - loc) / scale。請注意，移動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

[1]

“Nakagami distribution”, Wikipedia https://en.wikipedia.org/wiki/Nakagami_distribution

[2]

M. Nakagami, “The m-distribution - A general formula of intensity distribution of rapid fading”, Statistical methods in radio wave propagation, Pergamon Press, 1960, 3-36. DOI:10.1016/B978-0-08-009306-2.50005-4

範例

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

計算前四個動差

>>> nu = 4.97
>>> mean, var, skew, kurt = nakagami.stats(nu, moments='mvsk')

顯示機率密度函數 (pdf)

>>> x = np.linspace(nakagami.ppf(0.01, nu),
...                 nakagami.ppf(0.99, nu), 100)
>>> ax.plot(x, nakagami.pdf(x, nu),
...        'r-', lw=5, alpha=0.6, label='nakagami 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。這會返回一個「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 = nakagami(nu)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

檢查 cdf 和 ppf 的準確性

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

產生隨機數字

>>> r = nakagami.rvs(nu, 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-nakagami-1.png

方法

rvs(nu, loc=0, scale=1, size=1, random_state=None)

隨機變量。

pdf(x, nu, loc=0, scale=1)

機率密度函數。

logpdf(x, nu, loc=0, scale=1)

機率密度函數的對數。

cdf(x, nu, loc=0, scale=1)

累積分布函數。

logcdf(x, nu, loc=0, scale=1)

累積分布函數的對數。

sf(x, nu, loc=0, scale=1)

存活函數（也定義為 1 - cdf，但 sf 有時更準確）。

logsf(x, nu, loc=0, scale=1)

存活函數的對數。

ppf(q, nu, loc=0, scale=1)

百分點函數（cdf 的反函數 — 百分位數）。

isf(q, nu, loc=0, scale=1)

反向存活函數（sf 的反函數）。

moment(order, nu, loc=0, scale=1)

指定階數的非中心動差。

stats(nu, loc=0, scale=1, moments=’mv’)

平均值 ('m')、變異數 ('v')、偏度 ('s') 和/或峰度 ('k')。

entropy(nu, 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=(nu,), 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(nu, loc=0, scale=1)

分佈的中位數。

mean(nu, loc=0, scale=1)

分佈的平均值。

var(nu, loc=0, scale=1)

分佈的變異數。

std(nu, loc=0, scale=1)

分佈的標準差。

interval(confidence, nu, loc=0, scale=1)

具有圍繞中位數的相等面積的信賴區間。
在本頁面上