scipy.stats.alpha#

scipy.stats.alpha = object>[источник]#

Альфа непрерывная случайная величина.

Как экземпляр rv_continuous класс, alpha объект наследует от него коллекцию общих методов (см. ниже полный список), и дополняет их деталями, специфичными для этого конкретного распределения.

Методы

rvs(a, loc=0, scale=1, size=1, random_state=None)	Случайные величины.
pdf(x, a, loc=0, scale=1)	Функция плотности вероятности.
logpdf(x, a, loc=0, scale=1)	Логарифм функции плотности вероятности.
cdf(x, a, loc=0, scale=1)	Интегральная функция распределения.
logcdf(x, a, loc=0, scale=1)	Логарифм функции кумулятивного распределения.
sf(x, a, loc=0, scale=1)	Функция выживания (также определяется как `1 - cdf`, но sf иногда более точный).
logsf(x, a, loc=0, scale=1)	Логарифм функции выживания.
ppf(q, a, loc=0, scale=1)	Процентная точка функции (обратная `cdf` — процентили).
isf(q, a, loc=0, scale=1)	Обратная функция выживания (обратная к `sf`).
moment(order, a, loc=0, scale=1)	Нецентральный момент указанного порядка.
stats(a, loc=0, scale=1, moments=’mv’)	Среднее ('m'), дисперсия ('v'), асимметрия ('s') и/или эксцесс ('k').
entropy(a, loc=0, scale=1)	(Дифференциальная) энтропия случайной величины.
fit(data)	Оценки параметров для общих данных. См. scipy.stats.rv_continuous.fit для подробной документации по ключевым аргументам.
expect(func, args=(a,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	Ожидаемое значение функции (одного аргумента) относительно распределения.
median(a, loc=0, scale=1)	Медиана распределения.
mean(a, loc=0, scale=1)	Среднее распределения.
var(a, loc=0, scale=1)	Дисперсия распределения.
std(a, loc=0, scale=1)	Стандартное отклонение распределения.
interval(confidence, a, loc=0, scale=1)	Доверительный интервал с равными площадями вокруг медианы.

Примечания

Функция плотности вероятности для alpha ([1], [2]) это:

\[f(x, a) = \frac{1}{x^2 \Phi(a) \sqrt{2\pi}} * \exp(-\frac{1}{2} (a-1/x)^2)\]

где \(\Phi\) является нормальной функцией распределения, \(x > 0\), и \(a > 0\).

alpha принимает a как параметр формы.

Плотность вероятности выше определена в "стандартизированной" форме. Для сдвига и/или масштабирования распределения используйте loc и scale параметры. В частности, alpha.pdf(x, a, loc, scale) тождественно эквивалентно alpha.pdf(y, a) / scale с y = (x - loc) / scale. Обратите внимание, что сдвиг местоположения распределения не делает его "нецентральным" распределением; нецентральные обобщения некоторых распределений доступны в отдельных классах.

Ссылки

[1]

Джонсон, Котц и Балакришнан, «Непрерывные одномерные распределения, Том 1», второе издание, John Wiley and Sons, стр. 173 (1994).

[2]

Anthony A. Salvia, «Reliability applications of the Alpha Distribution», IEEE Transactions on Reliability, Vol. R-34, No. 3, pp. 251-252 (1985).

Примеры

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

Получить поддержку:

>>> a = 3.57
>>> lb, ub = alpha.support(a)

Вычислить первые четыре момента:

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

Отображение функции плотности вероятности (pdf):

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

Альтернативно, объект распределения может быть вызван (как функция) для фиксации параметров формы, местоположения и масштаба. Это возвращает «замороженный» объект RV с заданными фиксированными параметрами.

Зафиксировать распределение и отобразить зафиксированное pdf:

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

Проверить точность cdf и ppf:

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

Генерировать случайные числа:

>>> r = alpha.rvs(a, size=1000)

И сравните гистограмму:

>>> 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()