scipy.stats.cosine#

scipy.stats.cosine = <scipy.stats._continuous_distns.cosine_gen object>[source]#

余弦连续随机变量。

作为 rv_continuous 类的一个实例，cosine 对象从此类继承了一系列通用方法（有关完整列表，请参见下方），并用适用于此具体分布的详细信息对它们进行了补充。

注释

余弦分布是对正态分布的逼近。对于 cosine，概率密度函数为：

\[f(x) = \frac{1}{2\pi} (1+\cos(x))\]

其中 \(-\pi \le x \le \pi\)。

上面的概率密度定义了“标准”形式。要移动和/或缩放分布，请使用 loc和 scale参数。具体而言，cosine.pdf(x, loc, scale)与 cosine.pdf(y) / scale完全等效，其中 y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心概括可在单独的类中使用。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（如函数）以固定形状、位置和比例参数。这将返回一个“冻结”RV对象，该对象保持给定参数固定。

冻结分布并显示冻结的 pdf

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

检查 cdf和 ppf的准确性

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

生成随机数

>>> r = cosine.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-cosine-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)

百分点函数（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)

指定阶次为 non-central 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)

RV 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文档，请参阅 scipy.stats.rv_continuous.fit。

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

相对于分布的一个函数（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)

针对中位数面积相等的置信区间。
本页上的内容