scipy.stats.genlogistic

scipy.stats.genlogistic = object>

Обобщенная логистическая непрерывная случайная величина.

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

Методы

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

Примечания

Функция плотности вероятности для genlogistic равен:

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

для вещественных \(x\) и \(c > 0\). В литературе можно найти различные обобщения логистического распределения. Это обобщенное логистическое распределение типа 1 согласно [1]Также известен как асимметричное логистическое распределение. [2].

genlogistic принимает c в качестве параметра формы для \(c\).

Плотность вероятности выше определена в "стандартизированной" форме. Для сдвига и/или масштабирования распределения используйте loc и scale параметры. В частности, genlogistic.pdf(x, c, loc, scale) тождественно эквивалентно genlogistic.pdf(y, c) / 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 и др. "Непрерывные одномерные распределения", Том 2, Wiley. 1995.

[2]

“Обобщенное логистическое распределение”, Википедия, https://en.wikipedia.org/wiki/Generalized_logistic_distribution

Примеры

Попробуйте в вашем браузере!

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

Получить поддержку:

>>> c = 0.412
>>> lb, ub = genlogistic.support(c)

Вычислить первые четыре момента:

>>> mean, var, skew, kurt = genlogistic.stats(c, moments='mvsk')

Отображение функции плотности вероятности (pdf):

>>> x = np.linspace(genlogistic.ppf(0.01, c),
...                 genlogistic.ppf(0.99, c), 100)
>>> ax.plot(x, genlogistic.pdf(x, c),
...        'r-', lw=5, alpha=0.6, label='genlogistic 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 = genlogistic(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

Проверить точность cdf и ppf:

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

Генерировать случайные числа:

>>> r = genlogistic.rvs(c, 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()

НазадОткрыть во вкладке