scipy.stats.halfcauchy#

scipy.stats.halfcauchy = <scipy.stats._continuous_distns.halfcauchy_gen object>[source]#

半柯西连续随机变量。

作为 rv_continuous 类的实例，halfcauchy 对象从它继承了一系列泛型方法（有关完整列表，请参见下方），并用此特定分布的详细信息对其进行补充。

备注

halfcauchy 的概率密度函数为

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

对于 \(x \ge 0\)。

上述概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用参数 loc 和 scale。具体来说， halfcauchy.pdf(x, loc, scale) 与 halfcauchy.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会使其成为“非中心”分布；在独立的类中提供了某些分布的非中心概括。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（作为函数）来修复形状、位置和缩放参数。这会返回一个“冻结”的 RV 对象，保持固定所给的参数。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确度

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

生成随机数

>>> r = halfcauchy.rvs(size=1000)

比较柱状图

>>> 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-halfcauchy-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 的逆——百分位数）。

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

sf 的逆生存函数（逆）。

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

指定阶数的非中心矩。

stats(loc=0, scale=1, moments=’mv’)

均值(‘m’)、方差(‘v’)、偏度(‘s’)和/或峰度(‘k’)。

entropy(loc=0, scale=1)

RV 的（差分）熵。

fit(data)

泛型数据的参数估计。有关关键字参数的详细文件说明，请参见 scipy.stats.rv_continuous.fit。

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

对于分布来说，针对由一个参数定义的函数的期望值。

median(loc=0, scale=1)

分布的中值。

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)

分布的标准偏差。

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

中值周围面积相等的置信区间。
本页内容