scipy.stats.randint#

scipy.stats.randint = <scipy.stats._discrete_distns.randint_gen object>[源代码]#

均匀离散随机变量。

作为 rv_discrete 类的实例，randint 对象从中继承了一组通用方法（参见下面的完整列表），并使用此特定分布的详细信息来完成它们。

方法

rvs(low, high, loc=0, size=1, random_state=None)

随机变量。

pmf(k, low, high, loc=0)

概率质量函数。

logpmf(k, low, high, loc=0)

概率质量函数的对数。

cdf(k, low, high, loc=0)

累积分布函数。

logcdf(k, low, high, loc=0)

累积分布函数的对数。

sf(k, low, high, loc=0)

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

logsf(k, low, high, loc=0)

生存函数的对数。

ppf(q, low, high, loc=0)

百分点函数（cdf 的逆函数 — 百分位数）。

isf(q, low, high, loc=0)

逆生存函数（sf 的逆函数）。

stats(low, high, loc=0, moments=’mv’)

均值（'m'），方差（'v'），偏度（'s'）和/或峰度（'k'）。

entropy(low, high, loc=0)

RV 的（微分）熵。

expect(func, args=(low, high), loc=0, lb=None, ub=None, conditional=False)

关于分布的函数（一个参数）的期望值。

median(low, high, loc=0)

分布的中位数。

mean(low, high, loc=0)

分布的均值。

var(low, high, loc=0)

分布的方差。

std(low, high, loc=0)

分布的标准差。

interval(confidence, low, high, loc=0)

具有围绕中位数的相等面积的置信区间。

注释

randint 的概率质量函数是

\[f(k) = \frac{1}{\texttt{high} - \texttt{low}}\]

对于 \(k \in \{\texttt{low}, \dots, \texttt{high} - 1\}\)。

randint 将 \(\texttt{low}\) 和 \(\texttt{high}\) 作为形状参数。

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，randint.pmf(k, low, high, loc) 与 randint.pmf(k - loc, low, high) 完全等效。

示例

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

计算前四个矩

>>> low, high = 7, 31
>>> mean, var, skew, kurt = randint.stats(low, high, moments='mvsk')

显示概率质量函数 (pmf)

>>> x = np.arange(low - 5, high + 5)
>>> ax.plot(x, randint.pmf(x, low, high), 'bo', ms=8, label='randint pmf')
>>> ax.vlines(x, 0, randint.pmf(x, low, high), 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，该对象保持给定的参数固定。

冻结分布并显示冻结的 pmf

>>> rv = randint(low, high)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-',
...           lw=1, label='frozen pmf')
>>> ax.legend(loc='lower center')
>>> plt.show()
../../_images/scipy-stats-randint-1_00_00.png

检查累积分布函数 (cdf) 与其逆函数百分点函数 (ppf) 之间的关系

>>> q = np.arange(low, high)
>>> p = randint.cdf(q, low, high)
>>> np.allclose(q, randint.ppf(p, low, high))
True

生成随机数

>>> r = randint.rvs(low, high, size=1000)
在本页