scipy.stats.halfnorm#

scipy.stats.halfnorm = <scipy.stats._continuous_distns.halfnorm_gen object>[source]#

半正态连续随机变量。

作为 rv_continuous 类的实例，halfnorm 对象从它继承了一系列通用方法（详见下文获取完整列表），并通过此特定分布的详细信息来对其进行补充。

说明

适用于 halfnorm 的概率密度函数为

\[f(x) = \sqrt{2/\pi} \exp(-x^2 / 2)\]

对于 \(x >= 0\)。

halfnorm 是 chi 在 df=1

上面的概率密度以“标准化”形式定义。若要平移和/或调节分布的比例，请使用 loc 和 scale 参数。具体而言，`halfnorm.pdf(x, loc, scale)` 完全等同于 `halfnorm.pdf(y) / scale`，其中 `y = (x - loc) / scale`。请注意，平移分布的位置不会使其成为“非中心”分布；某些分布的非中心概括在各个不同的类型中都有提供。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以将分布对象表示为函数（作为一个函数）以修复形状、位置和比例参数。这会返回一个冻结的 RV 对象，保持指定参数的固定。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = halfnorm.rvs(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-halfnorm-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 的准确度有时更高）。

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

生存函数的对数。

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

百分位数函数（ cdf 的逆函数，即百分位数）。

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

逆生存函数（ sf 的逆函数）。

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)

针对通用数据的参数估算。有关关键字参数的详细文档，请参见 scipy.stats.rv_continuous.fit。

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

关于分布关于某个函数（有一个参数）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的平均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准差。

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

在中位数周围具有相等区域的置信区间。
在此页面上