scipy.stats.planck#
- scipy.stats.planck = <scipy.stats._discrete_distns.planck_gen object>[源码]#
普朗克离散指数随机变量。
作为
rv_discrete
类的实例,planck
对象继承了它的一系列通用方法 (请参见下面的完整列表),并使用此特定分布的详细信息完成它们。方法
rvs(lambda_, loc=0, size=1, random_state=None)
随机变量。
pmf(k, lambda_, loc=0)
概率质量函数。
logpmf(k, lambda_, loc=0)
概率质量函数的对数。
cdf(k, lambda_, loc=0)
累积分布函数。
logcdf(k, lambda_, loc=0)
累积分布函数的对数。
sf(k, lambda_, loc=0)
生存函数 (也定义为
1 - cdf
,但 sf 有时更准确)。logsf(k, lambda_, loc=0)
生存函数的对数。
ppf(q, lambda_, loc=0)
百分点函数 (
cdf
的逆函数 — 百分位数)。isf(q, lambda_, loc=0)
逆生存函数 (
sf
的逆函数)。stats(lambda_, loc=0, moments='mv')
均值 ('m'),方差 ('v'),偏度 ('s') 和/或峰度 ('k')。
entropy(lambda_, loc=0)
RV 的 (微分) 熵。
expect(func, args=(lambda_,), loc=0, lb=None, ub=None, conditional=False)
函数 (一个参数) 关于分布的期望值。
median(lambda_, loc=0)
分布的中位数。
mean(lambda_, loc=0)
分布的均值。
var(lambda_, loc=0)
分布的方差。
std(lambda_, loc=0)
分布的标准差。
interval(confidence, lambda_, loc=0)
围绕中位数的具有相等面积的置信区间。
参见
注释
planck
的概率质量函数为\[f(k) = (1-\exp(-\lambda)) \exp(-\lambda k)\]对于 \(k \ge 0\) 且 \(\lambda > 0\)。
planck
将 \(\lambda\) 作为形状参数。普朗克分布可以写成几何分布 (geom
) ,其中 \(p = 1 - \exp(-\lambda)\) 偏移了loc = -1
。上面的概率质量函数以“标准化”形式定义。要移动分布,请使用
loc
参数。具体来说,planck.pmf(k, lambda_, loc)
与planck.pmf(k - loc, lambda_)
完全等效。示例
>>> import numpy as np >>> from scipy.stats import planck >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> lambda_ = 0.51 >>> lb, ub = planck.support(lambda_)
计算前四个矩
>>> mean, var, skew, kurt = planck.stats(lambda_, moments='mvsk')
显示概率质量函数 (
pmf
)>>> x = np.arange(planck.ppf(0.01, lambda_), ... planck.ppf(0.99, lambda_)) >>> ax.plot(x, planck.pmf(x, lambda_), 'bo', ms=8, label='planck pmf') >>> ax.vlines(x, 0, planck.pmf(x, lambda_), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象 (作为函数) 来固定形状和位置。这将返回一个“冻结”的 RV 对象,该对象包含给定的固定参数。
冻结分布并显示冻结的
pmf
>>> rv = planck(lambda_) >>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1, ... label='frozen pmf') >>> ax.legend(loc='best', frameon=False) >>> plt.show()
检查
cdf
和ppf
的准确性>>> prob = planck.cdf(x, lambda_) >>> np.allclose(x, planck.ppf(prob, lambda_)) True
生成随机数
>>> r = planck.rvs(lambda_, size=1000)