scipy.stats.arcsine#

scipy.stats.arcsine = <scipy.stats._continuous_distns.arcsine_gen object>[source]#

arcsine 连续均匀分布。

作为 rv_continuous 类的实例，arcsine 从该类继承一系列通用的方法（详见下方的完整列表），并使用针对此特定分布的详细信息对其进行补充。

注释

arcsine 的概率密度函数是

\[f(x) = \frac{1}{\pi \sqrt{x (1-x)}}\]

对于 \(0 < x < 1\)。

以上概率密度在“标准化”形式中定义。要更改分布的移动和/或比例，请使用 loc 参数和 scale 参数。具体来说，arcsine.pdf(x, loc, scale) 实际上等效于 arcsine.pdf(y) / scale，其中 y = (x - loc) / scale。请注意，更改分布的位置并不会使其成为“非中心”分布；某些分布的非中心推广在不同的类中提供。

示例

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

计算最初四个矩

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

显示概率密度函数(pdf)

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

或者，可以调用分布对象（作为函数）来修正形状、位置和缩放参数。这会返回一个固定了给定参数的“冻结”随机变量对象。

冻结分布并显示冻结 pdf

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

检查 cdf 和 ppf 的准确度

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

生成随机数

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

并比较直方图

>>> 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()
../../_images/scipy-stats-arcsine-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（又称为 1 - cdf，但 sf 有时候更加准确）。

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

生存函数的对数。

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

百分点函数（cdf 的逆 - 百分位数）。

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

逆生存函数（sf 的逆）。

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

指定阶数的非中心矩。

stats(loc=0, scale=1, moments=’mv’)

平均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。

entropy(loc=0, scale=1)

随机变量的（微分）熵。

fit(data)

通用数据的参数估计。有关关键字参数的详细信息，请参阅 scipy.stats.rv_continuous.fit 的详细文档。

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

相对于分布，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)

分布的平均值。

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)

置信度等于中位数周围的面积。
本页面