scipy.stats.rdist#
- scipy.stats.rdist = <scipy.stats._continuous_distns.rdist_gen object>[源代码]#
R 分布(对称 Beta)连续随机变量。
作为一个
rv_continuous
类的实例,rdist
对象从它继承了通用的方法集合(见下文完整列表),并用此特定分布的详细信息对它们进行补充。注意
rdist
的概率密度函数为\[f(x, c) = \frac{(1-x^2)^{c/2-1}}{B(1/2, c/2)}\]对于 \(-1 \le x \le 1\),\(c > 0\)。
rdist
也称为对称 Beta 分布:如果 B 具有beta
分布,参数为 (c/2, c/2),则 X = 2*B - 1 遵循参数为 c 的 R 分布。rdist
以c
作为 \(c\) 的形状参数。此分布包括以下分布核作为特殊情况
c = 2: uniform c = 3: `semicircular` c = 4: Epanechnikov (parabolic) c = 6: quartic (biweight) c = 8: triweight
以上概率密度以“标准化”形式定义。若要平移和/或缩放分布,请使用
loc
和scale
参数。具体而言,rdist.pdf(x, c, loc, scale)
与rdist.pdf(y, c) / scale
其中y = (x - loc) / scale
是完全等价的。请注意,平移分布的位置并不会使它成为“非中心”分布;某些分布的非中心泛化在单独的类别中可用。示例
>>> import numpy as np >>> from scipy.stats import rdist >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四阶矩
>>> c = 1.6 >>> mean, var, skew, kurt = rdist.stats(c, moments='mvsk')
显示概率密度函数 (
pdf
)>>> x = np.linspace(rdist.ppf(0.01, c), ... rdist.ppf(0.99, c), 100) >>> ax.plot(x, rdist.pdf(x, c), ... 'r-', lw=5, alpha=0.6, label='rdist pdf')
或者,可以调用分布对象(作为函数)来固定形状、位置和比例参数。这会返回一个“冻结”的 RV 对象,使给定的参数固定。
冻结分布并显示冻结的
pdf
>>> rv = rdist(c) >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = rdist.ppf([0.001, 0.5, 0.999], c) >>> np.allclose([0.001, 0.5, 0.999], rdist.cdf(vals, c)) True
生成随机数
>>> r = rdist.rvs(c, 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()
方法
rvs(c, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, c, loc=0, scale=1)
概率密度函数。
logpdf(x, c, loc=0, scale=1)
概率密度函数的对数。
cdf(x, c, loc=0, scale=1)
累积分布函数。
logcdf(x, c, loc=0, scale=1)
累积分布函数的对数。
sf(x, c, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但 sf 有时更准确)。logsf(x, c, loc=0, scale=1)
生存函数的对数。
ppf(q, c, loc=0, scale=1)
百分位函数(
cdf
的逆——百分位数)。isf(q, c, loc=0, scale=1)
逆生存函数(
sf
的逆)。moment(order, c, loc=0, scale=1)
指定阶数的非中心矩。
stats(c, loc=0, scale=1, moments=’mv’)
均值 (‘m’)、方差 (‘v’)、偏度 (‘s’) 和/或峰度 (‘k’)。
entropy(c, loc=0, scale=1)
RV 的(微分)熵。
fit(data)
针对泛化数据的参数预估。详见 scipy.stats.rv_continuous.fit,了解有关关键字参数的详细说明文档。
expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
关于分布的一个(单一参数)函数的预期值。
median(c, loc=0, scale=1)
分布的中位数。
mean(c, loc=0, scale=1)
分布的均值。
var(c, loc=0, scale=1)
分布的方差。
std(c, loc=0, scale=1)
分布的标准差。
interval(confidence, c, loc=0, scale=1)
具有中位数附近相等面积的置信区间。