scipy.stats.dweibull#

scipy.stats.dweibull = <scipy.stats._continuous_distns.dweibull_gen object>[source]#

双 Weibull 连续随机变量。

作为 rv_continuous 类的实例，dweibull 对象继承了其一组通用方法（请参阅下面的完整列表），并完善了该类特定分布的详细信息。

备注

以下 dweibull 的概率密度函数提供：

\[f(x, c) = c / 2 |x|^{c-1} \exp(-|x|^c)\]

对于实数 \(x\) 和 \(c > 0\)。

dweibull 取 c 作为 \(c\) 的形状参数。

上面的概率密度是以“标准化”形式定义的。若要转换和/或缩放分布，请使用 loc 和 scale 参数。确切地说，dweibull.pdf(x, c, loc, scale) 等同于 dweibull.pdf(y, c) / scale，其中 y = (x - loc) / scale。请注意，转换分布的位置不会使它成为“非中心”分布；某些分布的非中心泛化在单独的类中提供。

示例

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

计算前四个矩

>>> c = 2.07
>>> mean, var, skew, kurt = dweibull.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可以将分布对象调用（作为函数）以修复形状、位置和比例参数。这将返回一个冻结的 RV 对象，其中给定的参数已修复。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = dweibull.rvs(c, 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-dweibull-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

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

生存函数的对数。

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

百分点函数（cdf 的逆——百分位）。

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

sf 的逆生存函数（逆）。

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

指定阶数的非中心矩。

stats(c, loc=0, scale=1, moments=’mv’)

均值 (’m’)、方差 (’v’)、偏度 (’s’) 和/或峰度 (’k’)。

entropy(c, loc=0, scale=1)

RV 的（微分）熵。

fit(data)

一般数据的参数估计。参见 scipy.stats.rv_continuous.fit 以了解关键字论点的详细文档说明。

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

分布内函数（一个参数函数）的期望值。

median(c, loc=0, scale=1)

分布的中位数。

mean(c, loc=0, scale=1)

分布的平均值。

var(c, loc=0, scale=1)

分布的方差。

std(c, loc=0, scale=1)

分布的标准差。

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

中位数周围具有相等面积的置信区间。
本页内容