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()
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)