scipy.stats.triang#

scipy.stats.triang = <scipy.stats._continuous_distns.triang_gen object>[源代码]#

三角连续型随机变量。

作为 rv_continuous 类的实例，triang 对象从它中继承了一系列通用方法（详情见以下全部列表），并用特定于此特定分布的细节对它们进行了完善。

注意

三角分布可以通过从 loc 到 (loc + c*scale) 的上斜线以及从 (loc + c*scale) 到 (loc + scale) 的下斜线表示。

triang 将 c 作为形状参数，范围为\(0 \le c \le 1\)。

上述概率密度以上以“标准的”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，triang.pdf(x, c, loc, scale)与triang.pdf(y, c) / scale完全等效，且y = (x - loc) / scale。请注意，平移分布位置并不会使其成为“非中心”分布；某些分布的非中心概括可在单独的类别中找到。

标准形式的范围为[0,1]，c为众数。位置参数将起始点平移至loc。比例参数将宽度从1更改为scale。

示例

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

计算前四个矩

>>> c = 0.158
>>> mean, var, skew, kurt = triang.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可以调用（作为函数）分布对象以修复形状、位置和比例参数。这会返回一个固定的RV对象，保存已修复的给定参数。

冻结分布并显示 frozen pdf.

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

检查cdf和ppf的准确度

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

生成随机数

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

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有的时候更准确）。

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的反函数——百分位数）。

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

逆生存函数（sf的反函数）。

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

指定阶次的非中心距。

stats(c, loc=0, scale=1, moments=’mv’)

平均值（“m”）、方差（“v”）、偏度（“s”）及/或峰度（“k”）。

entropy(c, loc=0, scale=1)

随机变量的（微分）熵。

fit(data)

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

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

此分布的函数 (一个参数) 的期望值。

median(c, loc=0, scale=1)

此分布的中值。

mean(c, loc=0, scale=1)

此分布的均值。

var(c, loc=0, scale=1)

此分布的方差。

std(c, loc=0, scale=1)

此分布的标准差。

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

以中值为中点的置信区间。
本页内容