scipy.stats.anglit#

scipy.stats.anglit = <scipy.stats._continuous_distns.anglit_gen object>[source]#

anglit 连续均匀随机变量。

作为 rv_continuous 类的实例，anglit 对象从它继承一系列通用方法（见下文完整列表），并用此特定分布的特殊详细信息对它们进行补充。

注意

anglit 的概率密度函数为

\[f(x) = \sin(2x + \pi/2) = \cos(2x)\]

对于 \(-\pi/4 \le x \le \pi/4\)。

以上概率密度是以“标准化”形式定义的。要平移和/或缩放分布，请使用 loc 和 scale 参数。具体而言，anglit.pdf(x, loc, scale) 与 anglit.pdf(y) / scale 其中 y = (x - loc) / scale 完全等效。请注意，平移分布的位置并不会使它成为“非中心”分布；某些分布的非中心概括在单独的类中提供。

模拟

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

计算前四个矩

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

显示概率密度函数 (pdf)

>>> x = np.linspace(anglit.ppf(0.01),
...                 anglit.ppf(0.99), 100)
>>> ax.plot(x, anglit.pdf(x),
...        'r-', lw=5, alpha=0.6, label='anglit pdf')

或者，可以调用分布对象（作为一个函数）来固定形状、位置和比例参数。这将返回一个“冻结”的 RV 对象，保存已给定的固定参数。

冻结分布并显示冻结 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

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

然后对比直方图

>>> 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()
../../_images/scipy-stats-anglit-1.png

方法

rvs(loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, loc=0, scale=1)

概率密度函数。

logpdf(x, loc=0, scale=1)

概率密度函数的对数。

cdf(x, loc=0, scale=1)

累积分布函数。

logcdf(x, loc=0, scale=1)

累积分布函数的对数。

sf(x, loc=0, scale=1)

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

logsf(x, loc=0, scale=1)

生存函数的对数。

ppf(q, loc=0, scale=1)

百分位函数（cdf 的反函数 — 百分位数）。

isf(q, loc=0, scale=1)

逆生存函数（sf 的反函数）。

moment(order, loc=0, scale=1)

指定阶数的非中心矩。

stats(loc=0, scale=1, moments=’mv’)

均值（‘m’）、方差（‘v’）、偏斜度（‘s’）和/或峰度（‘k’）。

entropy(loc=0, scale=1)

RV 的（微分）熵。

fit(data)

一般数据的参数估计。详细了解关键字参数的文档，请参见 scipy.stats.rv_continuous.fit。

expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

关于分布的函数（一个参数）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准差。

interval(confidence, loc=0, scale=1)

中位数周围的置信区间，面积相等。
本页面内容