scipy.stats.foldnorm#

scipy.stats.foldnorm = <scipy.stats._continuous_distns.foldnorm_gen object>[源代码]#

折叠正态连续随机变量。

作为 rv_continuous 类的实例，foldnorm 对象从它继承了一系列通用方法（有关完整列表，请见下方），并通过此特定分布的详细信息对其进行补充。

注意

foldnorm 的概率密度函数为

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

对于 \(x \ge 0\) 和 \(c \ge 0\)。

foldnorm 取 c> 作为 \(c\) 的形状参数。

上述概率密度定义为“标准化”形式。要转换和/或缩放分布，请使用 loc 和 scale 参数。具体而言，foldnorm.pdf(x, c, loc, scale) 和 foldnorm.pdf(y, c) / scale 完全等效，其中 y = (x - loc) / scale。请注意，转换分布位置并不会使其成为“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 foldnorm
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

计算前四个矩

>>> c = 1.95
>>> mean, var, skew, kurt = foldnorm.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

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

另外，可以调用分布对象（作为函数）来固定形状、位置和缩放参数。这样做会返回一个“冻结”的随机变量对象，其中给定的参数是固定的。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确度

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

生成随机数

>>> r = foldnorm.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-foldnorm-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)

百分位点函数（cdf 的反函数——百分位数）。

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

反生存函数（sf 的反函数）。

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)

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文档，请参阅 scipy.stats.rv_continuous.fit。

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

针对分布的函数（一个参数）的期望值。

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

分布的中值。

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

分布的均值。

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)

中值周围等面积的置信区间。
在本页中