scipy.stats.nakagami简介

---

前言

Nakagami连续随机变量。

---

一、scipy.stats.nakagami的概率密度函数

nakagami的概率密度函数为：

其中，x≥0，v>0。
上述概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用位置和缩放参数。具体来说，nakagami.pdf（x，nu，loc，scale）与nakagami.pdf（y，nu）/stale完全等价，其中y=（x-loc）/stcale。请注意，改变分布的位置并不会使其成为“非中心”分布；一些分布的非中心概化可以在单独的类中获得。
在scipy中使用的 “标准化”形式概率密度公式中，设定默认ω=1。

二、应用举例

代码如下：

>>> import numpy as np
>>> from scipy.stats import nakagami
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)
计算前四个统计量：
>>> nu = 4.97
>>> mean, var, skew, kurt = nakagami.stats(nu, moments='mvsk')
显示概率密度函数(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')另外也可以调用分布对象（作为函数）来固定形状、位置和比例参数。这将返回一个“冻结”的RV对象，其中固定了给定的参数。
冻结分布并显示冻结的pdf：
>>> rv = nakagami(nu)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查cdf和ppf的准确性：
>>> vals = nakagami.ppf([0.001, 0.5, 0.999], nu)
>>> np.allclose([0.001, 0.5, 0.999], nakagami.cdf(vals, nu))
True
生成随机数：
>>> r = nakagami.rvs(nu, size=1000)
比较直方图：
>>> 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()

画图：

---