scipy.stats.dlaplace

scipy.stats.dlaplace = <scipy.stats._discrete_distns.dlaplace_gen object>

一个拉普拉斯离散随机变量。

作为 rv_discrete 类的实例，dlaplace 对象从中继承了一组通用方法（请参阅下面的完整列表），并使用此特定分布的详细信息完善它们。

说明

dlaplace 的概率质量函数为

\[f(k) = \tanh(a/2) \exp(-a |k|)\]

对于整数 \(k\) 和 \(a > 0\)。

dlaplace 使用 \(a\) 作为形状参数。

上面的概率质量函数以“标准化”形式定义。 要移动分布，请使用 loc 参数。 具体来说，dlaplace.pmf(k, a, loc) 与 dlaplace.pmf(k - loc, a) 完全等效。

示例

在您的浏览器中尝试！

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

计算前四个矩

>>> a = 0.8
>>> mean, var, skew, kurt = dlaplace.stats(a, moments='mvsk')

显示概率质量函数 (pmf)

>>> x = np.arange(dlaplace.ppf(0.01, a),
...               dlaplace.ppf(0.99, a))
>>> ax.plot(x, dlaplace.pmf(x, a), 'bo', ms=8, label='dlaplace pmf')
>>> ax.vlines(x, 0, dlaplace.pmf(x, a), colors='b', lw=5, alpha=0.5)

或者，可以调用分布对象（作为函数）来固定形状和位置。 这会返回一个“冻结”的 RV 对象，其中固定了给定的参数。

冻结分布并显示冻结的 pmf

>>> rv = dlaplace(a)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

检查 cdf 和 ppf 的准确性

>>> prob = dlaplace.cdf(x, a)
>>> np.allclose(x, dlaplace.ppf(prob, a))
True

生成随机数

>>> r = dlaplace.rvs(a, size=1000)

返回在新标签页中打开

方法

rvs(a, loc=0, size=1, random_state=None)	随机变量。
pmf(k, a, loc=0)	概率质量函数。
logpmf(k, a, loc=0)	概率质量函数的对数。
cdf(k, a, loc=0)	累积分布函数。
logcdf(k, a, loc=0)	累积分布函数的对数。
sf(k, a, loc=0)	生存函数（也定义为 1 - cdf，但 sf 有时更准确）。
logsf(k, a, loc=0)	生存函数的对数。
ppf(q, a, loc=0)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, a, loc=0)	逆生存函数（sf 的逆函数）。
stats(a, loc=0, moments=’mv’)	均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(a, loc=0)	RV 的（微分）熵。
expect(func, args=(a,), loc=0, lb=None, ub=None, conditional=False)	关于分布的函数（一个参数）的期望值。
median(a, loc=0)	分布的中位数。
mean(a, loc=0)	分布的均值。
var(a, loc=0)	分布的方差。
std(a, loc=0)	分布的标准差。
interval(confidence, a, loc=0)	中位数周围具有相等面积的置信区间。