Kappa 3参数分布。
作为一个实例rv_continuous类,kappa3对象从中继承了通用方法的集合(完整列表请参见下文),并使用特定于此特定发行版的详细信息来完善它们。
注意:
的概率密度函数kappa3是:
对于和。
kappa3需要a作为形状参数。
参考文献:
P.W. Mielke和E.S. Johnson,“ Three-Parameter Kappa分布最大似然性和似然比测试”,《天气研究方法》,701-707,(1973年9月),https://doi.org/10.1175/1520-0493(1973)101 <0701:TKDMLE> 2.3.CO; 2
B. Kumphon,“ Three-Parameter Kappa分布的最大熵和最大似然估计”,《开放统计》,第2卷,第415-419页(2012),https://doi.org/10.4236/ojs.2012.24050
上面的概率密度以“standardized”形式定义。要移动和/或缩放分布,请使用loc和scale参数。特别,kappa3.pdf(x, a, loc, scale)等同于kappa3.pdf(y, a) / scale与y = (x - loc) / scale。
例子:
>>> from scipy.stats import kappa3
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)
首先计算一下:
>>> a = 1
>>> mean, var, skew, kurt = kappa3.stats(a, moments='mvsk')
显示概率密度函数(pdf):
>>> x = np.linspace(kappa3.ppf(0.01, a),
... kappa3.ppf(0.99, a), 100)
>>> ax.plot(x, kappa3.pdf(x, a),
... 'r-', lw=5, alpha=0.6, label='kappa3 pdf')
或者,可以调用分发对象(作为函数)以固定形状,位置和比例参数。这将返回固定固定给定参数的“frozen” RV对象。
冻结发行版并显示冻结的pdf:
>>> rv = kappa3(a)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查的准确性cdf和ppf:
>>> vals = kappa3.ppf([0.001, 0.5, 0.999], a)
>>> np.allclose([0.001, 0.5, 0.999], kappa3.cdf(vals, a))
True
生成随机数:
>>> r = kappa3.rvs(a, size=1000)
并比较直方图:
>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
方法:
rvs(a, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, a, loc=0, scale=1)
概率密度函数。
logpdf(x, a, loc=0, scale=1)
概率密度函数的对数。
cdf(x, a, loc=0, scale=1)
累积分布函数。
logcdf(x, a, loc=0, scale=1)
累积分布函数的日志。
sf(x, a, loc=0, scale=1)
生存函数(也定义为1 - cdf,但sf有时更准确)。
logsf(x, a, loc=0, scale=1)
生存函数的日志。
ppf(q, a, loc=0, scale=1)
百分比点函数(的倒数cdf—百分位数)。
isf(q, a, loc=0, scale=1)
逆生存函数(sf)。
moment(n, a, loc=0, scale=1)
n阶非中心矩
stats(a, loc=0, scale=1, moments=’mv’)
均值(‘m’),方差(‘v’),偏斜(‘s’)和/或峰度(‘k’)。
entropy(a, loc=0, scale=1)
RV的(微分)熵。
fit(data, a, loc=0, scale=1)
通用数据的参数估计。
expect(func, args=(a,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
函数(具有一个参数)相对于分布的期望值。
median(a, loc=0, scale=1)
分布的中位数。
mean(a, loc=0, scale=1)
分布的平均值。
var(a, loc=0, scale=1)
分布的差异。
std(a, loc=0, scale=1)
分布的标准偏差。
interval(alpha, a, loc=0, scale=1)
包含分布的Alpha百分比的范围的端点