scipy.stats.fatiguelife#

scipy.stats.fatiguelife = <scipy.stats._continuous_distns.fatiguelife_gen object>[源代码]#

疲劳寿命（伯恩鲍姆-桑德斯）连续变量。

作为 rv_continuous 类的实例，fatiguelife 对象从中继承了一组通用方法（针对完整列表，请参见下方内容），并通过针对此特定分布的详细信息对其实现补充。

注意

fatiguelife 的概率密度函数为

\[f(x, c) = \frac{x+1}{2c\sqrt{2\pi x^3}} \exp(-\frac{(x-1)^2}{2x c^2})\]

对于 \(x >= 0\) 和 \(c > 0\)。

fatiguelife 将 c 作为 \(c\) 的形状参数。

上述概率密度以“标准化”形式定义。若要平移和/或调整分布的范围，请使用 loc 和 scale 参数。具体来说，fatiguelife.pdf(x, c, loc, scale) 和 fatiguelife.pdf(y, c) / scale 完全相等，并且 y = (x - loc) / scale。请注意，改变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版本在另外的类别中提供。

参考文献

示例

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

计算前四个矩

>>> c = 29
>>> mean, var, skew, kurt = fatiguelife.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可调用分布对象（作为函数）来修复形状、位置和范围参数。这将返回一个“冻结”的 RV 对象，保留固定给定的参数。

冻结分布并显示冻结后的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = fatiguelife.rvs(c, size=1000)

并对比直方图

>>> 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-fatiguelife-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 有时更为精确）。

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 的反函数——百分位数）。

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

逆生存函数（sf 的反函数）。

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

指定阶数的非中心距。

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

平均值（'m'）、方差（'v'）、偏度（'s'）和/或峰度（'k'）。

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

RV 的（差分）熵。

fit(data)

泛型数据参数估计。有关关键字参数的详细文档，请参见 scipy.stats.rv_continuous.fit。

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

关于该分布具有一个参数的函数的期望值。

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

该分布的中值。

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

该分布的平均值。

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

该分布的方差。

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

该分布的标准差。

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

围绕中值具有相等面积的置信区间。
本页