scipy.stats.levy_l#

scipy.stats.levy_l = <scipy.stats._continuous_distns.levy_l_gen Objekt>[Quelle]#

Eine links-schiefe Levy-Gaußsche Zufallsvariable.

Als Instanz der Klasse rv_continuous erbt das Objekt levy_l eine Sammlung allgemeiner Methoden von dieser (siehe unten für die vollständige Liste) und vervollständigt sie mit spezifischen Details für diese spezielle Verteilung.

Methoden

rvs(loc=0, scale=1, size=1, random_state=None)	Zufallsvariaten.
pdf(x, loc=0, scale=1)	Wahrscheinlichkeitsdichtefunktion.
logpdf(x, loc=0, scale=1)	Logarithmus der Wahrscheinlichkeitsdichtefunktion.
cdf(x, loc=0, scale=1)	Kumulative Verteilungsfunktion.
logcdf(x, loc=0, scale=1)	Logarithmus der kumulativen Verteilungsfunktion.
sf(x, loc=0, scale=1)	Überlebensfunktion (auch definiert als `1 - cdf`, aber sf ist manchmal genauer).
logsf(x, loc=0, scale=1)	Logarithmus der Überlebensfunktion.
ppf(q, loc=0, scale=1)	Perzentilpunktfunktion (Umkehrung von `cdf` — Perzentile).
isf(q, loc=0, scale=1)	Umgekehrte Überlebensfunktion (Umkehrung von `sf`).
moment(order, loc=0, scale=1)	Nichtzentrales Moment der angegebenen Ordnung.
stats(loc=0, scale=1, moments=’mv’)	Mittelwert(‚m‘), Varianz(‚v‘), Schiefe(‚s‘) und/oder Kurtosis(‚k‘).
entropy(loc=0, scale=1)	(Differential-)Entropie der RV.
fit(data)	Parameterschätzungen für generische Daten. Siehe scipy.stats.rv_continuous.fit für eine detaillierte Dokumentation der Schlüsselwortargumente.
expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	Erwartungswert einer Funktion (einer Variablen) bezüglich der Verteilung.
median(loc=0, scale=1)	Median der Verteilung.
mean(loc=0, scale=1)	Mittelwert der Verteilung.
var(loc=0, scale=1)	Varianz der Verteilung.
std(loc=0, scale=1)	Standardabweichung der Verteilung.
interval(confidence, loc=0, scale=1)	Konfidenzintervall mit gleichen Flächen um den Median.

Siehe auch

levy, levy_stable

Hinweise

Die Wahrscheinlichkeitsdichtefunktion für levy_l ist

\[f(x) = \frac{1}{|x| \sqrt{2\pi |x|}} \exp{ \left(-\frac{1}{2|x|} \right)}\]

für \(x < 0\).

Dies ist dieselbe wie die Levy-stabile Verteilung mit \(a=1/2\) und \(b=-1\).

Die obige Wahrscheinlichkeitsdichte ist in der „standardisierten“ Form definiert. Um die Verteilung zu verschieben und/oder zu skalieren, verwenden Sie die Parameter loc und scale. Genauer gesagt, ist levy_l.pdf(x, loc, scale) identisch gleich levy_l.pdf(y) / scale mit y = (x - loc) / scale. Beachten Sie, dass das Verschieben des Ortes einer Verteilung diese nicht zu einer „nichtzentralen“ Verteilung macht; nichtzentrale Verallgemeinerungen einiger Verteilungen sind in separaten Klassen verfügbar.

Beispiele

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

Berechnen Sie die ersten vier Momente

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

Zeigen Sie die Wahrscheinlichkeitsdichtefunktion (pdf) an

>>> # `levy_l` is very heavy-tailed.
>>> # To show a nice plot, let's cut off the lower 40 percent.
>>> a, b = levy_l.ppf(0.4), levy_l.ppf(1)
>>> x = np.linspace(a, b, 100)
>>> ax.plot(x, levy_l.pdf(x),
...        'r-', lw=5, alpha=0.6, label='levy_l pdf')

Alternativ kann das Verteilungsobjekt (als Funktion) aufgerufen werden, um die Form-, Orts- und Skalierungsparameter festzulegen. Dies gibt ein „eingefrorenes“ RV-Objekt zurück, das die angegebenen Parameter beibehält.

Frieren Sie die Verteilung ein und zeigen Sie die eingefrorene pdf an

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

Überprüfen Sie die Genauigkeit von cdf und ppf

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

Generieren Sie Zufallszahlen

>>> r = levy_l.rvs(size=1000)

Und vergleichen Sie das Histogramm

>>> # manual binning to ignore the tail
>>> bins = np.concatenate(([np.min(r)], np.linspace(a, b, 20)))
>>> ax.hist(r, bins=bins, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()