pymc.SkewNormal

class pymc.SkewNormal(name, *args, rng=None, dims=None, initval=None, observed=None, total_size=None, transform=UNSET, **kwargs)

单变量偏态正态对数似然。

此分布的pdf是

\[f(x \mid \mu, \tau, \alpha) = 2 \Phi((x-\mu)\sqrt{\tau}\alpha) \phi(x,\mu,\tau)\]

(Source code, png, hires.png, pdf)

支持	\(x \in \mathbb{R}\)
均值	\(\mu + \sigma \sqrt{\frac{2}{\pi}} \frac {\alpha }{{\sqrt {1+\alpha ^{2}}}}\)
方差	\(\sigma^2 \left( 1-\frac{2\alpha^2}{(\alpha^2+1) \pi} \right)\)

偏正态分布可以用精度或标准差来参数化。两种参数化之间的联系由以下公式给出：

\[\tau = \dfrac{1}{\sigma^2}\]

参数:

mu : 类张量 的 float，默认值为 0tensor_like of python:float, 默认值为 0

位置参数。

sigma : 类似张量 的 float, 可选tensor_like 的 python:float, 可选

尺度参数（sigma > 0）。默认为1。

tau : 类似张量 的 float, 可选tensor_like 的 python:float, 可选

替代尺度参数（tau > 0）。默认为1。

alpha : 类似张量 的 float，默认值为 1tensor_like of python:float, 默认值为 1

偏度参数。

注释

当 alpha=0 时，我们恢复正态分布，mu 成为均值，tau 成为精度，sigma 成为标准差。在 alpha 趋近于正/负无穷的极限情况下，我们得到一个半正态分布。

方法

SkewNormal.dist([alpha, mu, sigma, tau])

创建一个与 cls 分布相对应的张量变量。