scipy.stats.laplace#

scipy.stats.laplace = <scipy.stats._continuous_distns.laplace_gen object>[来源]#

拉普拉斯连续随机变量。

作为 rv_continuous 类的实例，laplace 对象从它那里继承了一组通用方法（有关完整列表，请参见下面），并用此特定分布的详细信息对它们进行补充。

说明

适用于 laplace 的概率密度函数是

\[f(x) = \frac{1}{2} \exp(-|x|)\]

实数 \(x\)。

上述概率密度以 "标准化" 形式定义。要移动和/或缩放分布，可以使用 loc 和 scale 参数。具体来说，laplace.pdf(x, loc, scale) 与 laplace.pdf(y) / scale 是完全等效的，其中 y = (x - loc) / scale。请注意，移动分布的位置不会使其成为 "非中心" 分布；某些分布的非中心泛化可以在单独的类中获得。

示例

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

计算前四个矩

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

显示概率密度函数 (pdf)

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

或者，可以调用 (视为函数) 分布对象来固定形状、位置和比例参数。这会返回一个 "冻结" 的 RV 对象，该对象会固定已给的参数。

冻结分布并在显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = laplace.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-laplace-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 有时候更准确）。

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

生存函数的对数。

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

百分位点函数 (cdf 的反函数 — 百分位数)。

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

逆生存函数 (sf 的反函数)。

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 (微分) 熵。

fit(data)

一般数据的参数估计。请参阅 scipy.stats.rv_continuous.fit 了解关键字参数的详细说明。

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

关于分布，函数（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)

以中位数为中心的相等面积置信区间。
本页内容