scipy.stats.

rv_discrete

class scipy.stats.rv_discrete(a=0, b=inf, name=None, badvalue=None, moment_tol=1e-08, values=None, inc=1, longname=None, shapes=None, seed=None)

一个通用的离散随机变量类，用于子类化。

rv_discrete 是一个基类，用于构建特定离散随机变量的分布类和实例。它也可以用于构建由一组支持点和相应的概率定义的任意分布。

参数:

afloat，可选

分布支持的下界，默认值：0

bfloat，可选

分布支持的上界，默认值：正无穷

moment_tolfloat，可选

用于矩的通用计算的容差。

values由两个类数组组成的元组，可选

(xk, pk)，其中 xk 是整数，pk 是介于 0 和 1 之间的非零概率，且 sum(pk) = 1。xk 和 pk 必须具有相同的形状，且 xk 必须是唯一的。

inc整数，可选

分布支持的增量。默认值为 1。（其他值尚未测试）

badvaluefloat，可选

结果数组中指示违反某些参数限制的值，默认值为 np.nan。

namestr，可选

实例的名称。此字符串用于构建分布的默认示例。

longnamestr，可选

当子类没有自己的文档字符串时，此字符串用作返回的文档字符串的第一行的一部分。注意：longname 的存在是为了向后兼容，请勿用于新的子类。

shapesstr，可选

分布的形状。例如，“m, n”表示一个分布，该分布将两个整数作为其所有方法的两个形状参数。如果未提供，则形状参数将从实例的私有方法 _pmf 和 _cdf 的签名中推断。

seed{None, int, numpy.random.Generator, numpy.random.RandomState}, 可选

如果 seed 为 None（或 np.random），则使用 numpy.random.RandomState 单例。如果 seed 为 int，则使用一个新的 RandomState 实例，并使用 seed 进行播种。如果 seed 已经是 Generator 或 RandomState 实例，则使用该实例。

注意

此类与 rv_continuous 类似。形状参数是否有效由 _argcheck 方法决定（默认情况下检查其参数是否严格为正）。主要区别如下。

• 分布的支持是一组整数。

• 此类定义了 *概率质量函数*，pmf（以及相应的私有 _pmf），而不是概率密度函数 pdf（以及相应的私有 _pdf）。

• 没有 scale 参数。

• 方法的默认实现（例如 _cdf）不是为支持在下方无界的分布（即 a=-np.inf）设计的，因此必须重写它们。

要创建一个新的离散分布，我们可以执行以下操作

>>> from scipy.stats import rv_discrete
>>> class poisson_gen(rv_discrete):
...     "Poisson distribution"
...     def _pmf(self, k, mu):
...         return exp(-mu) * mu**k / factorial(k)

并创建一个实例

>>> poisson = poisson_gen(name="poisson")

请注意，上面我们以标准形式定义了泊松分布。可以通过为实例的方法提供 loc 参数来移动分布。例如，poisson.pmf(x, mu, loc) 将工作委托给 poisson._pmf(x-loc, mu)。

来自概率列表的离散分布

或者，您可以通过使用 rv_discrete 构造函数的 values 关键字参数来构造在有限值集 xk 上定义的任意离散 rv，其中 Prob{X=xk} = pk。

深度复制/序列化

如果深度复制（序列化/反序列化等）分布或冻结的分布，则任何底层随机数生成器都将与它一起深度复制。一个含义是，如果分布在复制之前依赖于单例 RandomState，则在复制之后它将依赖于该随机状态的副本，并且 np.random.seed 将不再控制状态。

示例

在您的浏览器中尝试一下！

自定义离散分布

>>> import numpy as np
>>> from scipy import stats
>>> xk = np.arange(7)
>>> pk = (0.1, 0.2, 0.3, 0.1, 0.1, 0.0, 0.2)
>>> custm = stats.rv_discrete(name='custm', values=(xk, pk))
>>>
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)
>>> ax.plot(xk, custm.pmf(xk), 'ro', ms=12, mec='r')
>>> ax.vlines(xk, 0, custm.pmf(xk), colors='r', lw=4)
>>> plt.show()

随机数生成

>>> R = custm.rvs(size=100)

返回在新标签页中打开

属性:

random_state

获取或设置用于生成随机变量的生成器对象。

方法

rvs(*args, **kwargs)	给定类型的随机变量。
pmf(k, *args, **kwds)	给定 RV 在 k 处的概率质量函数。
logpmf(k, *args, **kwds)	给定 RV 在 k 处的概率质量函数的对数。
cdf(k, *args, **kwds)	给定 RV 的累积分布函数。
logcdf(k, *args, **kwds)	给定 RV 在 k 处的累积分布函数的对数。
sf(k, *args, **kwds)	给定随机变量在 k 处的生存函数 (1 - cdf)。
logsf(k, *args, **kwds)	给定随机变量的生存函数的对数。
ppf(q, *args, **kwds)	给定随机变量在 q 处的百分点函数（cdf 的逆函数）。
isf(q, *args, **kwds)	给定随机变量在 q 处的逆生存函数（sf 的逆函数）。
moment(order, *args, **kwds)	指定阶数的分布的非中心矩。
stats(*args, **kwds)	给定随机变量的一些统计量。
entropy(*args, **kwds)	随机变量的微分熵。
expect([func, args, loc, lb, ub, ...])	通过数值求和计算离散分布的函数关于分布的期望值。
median(*args, **kwds)	分布的中位数。
mean(*args, **kwds)	分布的均值。
std(*args, **kwds)	分布的标准差。
var(*args, **kwds)	分布的方差。
interval(confidence, *args, **kwds)	围绕中位数具有相等面积的置信区间。
__call__(*args, **kwds)	冻结给定参数的分布。
support(*args, **kwargs)	分布的支持度。