我使用numpy分布来生成蒙特卡洛模拟的随机数，使用Fitter库来拟合分布的结果。问题是拟合的参数作为4个参数（a，b，loc，scale）返回到scipy库，我需要找到numpy（a，b）的等效参数。
如果我拟合一个scipy.stats.beta（a，b，loc=0，scale=1）（蓝线），它等于一个numpy.random.beta（a，b）（条形）x1c 0d1x
我试着用scify.stats.beta.fit（x，floc=0，fscale=1）来拟合它们，但我得到了以下错误：
数据错误：data中的值无效。带“beta”的最大似然估计要求data中的每个x都满足0〈（x - loc）/scale〈1。
如果我不将floc设置为0，fscale设置为1，则返回如下结果：[147.1，147.06，-23.56，137.13]，它们是a，B，位置，比例。
如何将它们转换为a，a，B，loc=0，scale=1？
我的问题是，我正在创建一个软件，其中用户创建输入变量遵循概率分布，执行蒙特卡罗模拟并获得输出变量的结果。我正在对这些变量的分布执行拟合，需要以最初输入的相同格式将拟合参数返回给用户。如果用户使用alpha和beta参数来创建beta分布的变量，我无法返回4个参数来模拟Beta分布。我已经能够用我需要的其他分布来完成它，但我与Beta的堆栈
2条答案
按热度按时间6xfqseft1#
如果您有beta分布的参数
a、b、loc和scale，并且希望使用NumPy从该分布生成n随机样本，则可以编写或者，使用较新的（推荐的）API
您也可以使用
scipy.stats.beta的rvs()方法：56lgkhnf2#
我遇到了一个概念上的问题。要强制loc和scale为0和1，如numpy中所示，可以执行以下操作：
（scipy.stats.beta.fit数值，floc=0，fscale=1）
这里的问题是，如果一系列的数字中有大于1或小于0的值，就不能用这种方法来调整，因为我用loc和scale的值精确地设置了这些限制，代码将返回一个错误。如果我需要调整一系列不在0到1范围内的数字，loc和scale的值就不能是0和1。