Анализ экстремальных значений и квантильная оценка с использованием Log Pearson Type 3 (Pearson III) Распределение - R п ⇐ Python

[Anonymous]

Я пытаюсь оценить квантили для некоторых данных снега, используя распределение Log Pearson Type 3 в Python и сравнивая с R. Я делаю это, считывая в данных, преобразуя его, подгоняя тип Пирсона, оценивая квантили, затем преобразуя обратно из логарифмического пространства.

Код: Выделить всё

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
import lmoments3 as lm
import lmoments3.distr as ld

data=np.array([[1079],
[ 889],
[ 996],
[1476],
[1567],
[ 897],
[ 991],
[1222],
[1372],
[1450],
[1077],
[1354],
[1029],
[1699],
[ 965],
[1133],
[1951],
[1621],
[1069],
[ 930],
[1039],
[1839]])

return_periods = np.array([2,3,5,10,20,50,100,200,1000])

log_data = np.log(data)
params = stats.pearson3.fit(log_data) #Max likelihood estimation method
quantiles = np.exp(stats.pearson3.ppf(1 - 1 / return_periods, *params))

paramsmm=ld.pe3.lmom_fit(log_data) #lmoments estimation method
paramsmm2=(paramsmm["skew"], paramsmm['loc'], paramsmm['scale'][0])
quantilesmm = np.exp(ld.pe3.ppf(1 - 1 / return_periods, *paramsmm2))

print(quantiles)
print(quantilesmm)
< /code>
in r: < /p>
library(lmom)
library(lmomco)
library(FAdist)

swe_data 

Подробнее здесь: [url]https://stackoverflow.com/questions/79482145/extreme-value-analysis-and-quantile-estimation-using-log-pearson-type-3-pearson[/url]