scipy.stats.semicircular#

scipy.stats.semicircular = <scipy.stats._continuous_distns.semicircular_gen object>[source]#

半圆连续随机变量。

作为 rv_continuous 类的实例，semicircular 对象从中继承了一组通用方法（见下文获取完整列表），并用对此特定分布的详细信息对其进行补充。

另见

rdist

注释

的概率密度函数semicircular为

\[f(x) = \frac{2}{\pi} \sqrt{1-x^2}\]

对于 \(-1 \le x \le 1\)。

该分布是 rdist 的特殊情况，其中 c = 3。

上述概率密度以“标准化”形式进行定义。若要平移和/或缩放分布，请使用代码 loc 和 scale 参数。具体来说 semicircular.pdf(x, loc, scale) 形式上等价于 semicircular.pdf(y) / scale，其中 y = (x - loc) / scale。请注意，平移分布的位置不会将其变为“非中心”分布；在单独的类中提供一些分布的非中心概化形式。

引用

示例

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

计算前四个矩

>>> mean, var, skew, kurt = semicircular.stats(moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(semicircular.ppf(0.01),
...                 semicircular.ppf(0.99), 100)
>>> ax.plot(x, semicircular.pdf(x),
...        'r-', lw=5, alpha=0.6, label='semicircular pdf')

或者，可以将分布对象调用（作为函数）以修复形状、位置和尺度参数。该对象返回一个固定给定参数的“冻结”随机变量对象。

冻结分布，并显示冻结的 pdf

>>> rv = semicircular()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性

>>> vals = semicircular.ppf([0.001, 0.5, 0.999])
>>> np.allclose([0.001, 0.5, 0.999], semicircular.cdf(vals))
True

生成随机数

>>> r = semicircular.rvs(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()
../../_images/scipy-stats-semicircular-1.png

方法

rvs(loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, loc=0, scale=1)

概率密度函数。

logpdf(x, loc=0, scale=1)

概率密度函数的对数。

cdf(x, loc=0, scale=1)

累积分布函数。

logcdf(x, loc=0, scale=1)

累积分布函数的对数。

sf(x, loc=0, scale=1)

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

logsf(x, loc=0, scale=1)

生存函数的对数。

ppf(q, loc=0, scale=1)

百分比函数（cdf 的反函数——百分位数）。

isf(q, loc=0, scale=1)

生存函数反函数（sf 的反函数）。

moment(order, loc=0, scale=1)

指定阶的非中心矩。

stats(loc=0, scale=1, moments=’mv’)

均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。

entropy(loc=0, scale=1)

随机变量的（微分）熵。

fit(data)

通用数据的参数估计。有关关键字参数的详细说明，请参阅 scipy.stats.rv_continuous.fit。

expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

关于分布具有一个参数的函数的期望值。

median(loc=0, scale=1)

分布的中值。

mean(loc=0, scale=1)

分布的平均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准差。

interval(confidence, loc=0, scale=1)

中位数周围具有相等面积的置信区间。
本页内容