scipy.stats.truncexpon#

scipy.stats.truncexpon = <scipy.stats._continuous_distns.truncexpon_gen object>[源代码]#

截断指数连续随机变量。

作为 rv_continuous 类的实例，truncexpon 对象从其中继承了一组通用方法（请参见下文了解完整列表），并使用此特定分布的详细信息对其进行补充。

备注

truncexpon 的概率密度函数为

\[f(x, b) = \frac{\exp(-x)}{1 - \exp(-b)}\]

对于 \(0 <= x <= b\)。

truncexpon 将 b 作为 \(b\) 的形状参数。

上述的概率密度以“标准化”形式定义。如需平移和/或缩放分布，请使用 loc 和 scale 参数。具体来说，truncexpon.pdf(x, b, loc, scale) 等同于 truncexpon.pdf(y, b) / scale 其中 y = (x - loc) / scale。请注意，平移分布位置不会令其成为“非中心”分布；一些分布的非中心广义形式以单独的类提供。

实例

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

计算前四个矩

>>> b = 4.69
>>> mean, var, skew, kurt = truncexpon.stats(b, moments='mvsk')

显示概率密度函数 (pdf)

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

另外，可以调用分布对象（作为函数）来固定形状、位置和缩放参数。这会返回一个固定给定参数的“冻结”RV对象。

冻结分布并显示冻结 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = truncexpon.rvs(b, 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-truncexpon-1.png

方法

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

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但 sf 有时更为准确）。

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

生存函数的对数。

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

百分位数函数（cdf 的逆 - 百分位数）。

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

sf 的逆生存函数（逆函数）。

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

指定的阶数的非中心矩。

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

均值(‘m’)、方差(‘v’)、偏度(‘s’)和/或峰度(‘k’)。

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

RV 的（微分）熵。

fit(data)

一般数据的参数估计。有关关键字参数的详细文档，请参阅 scipy.stats.rv_continuous.fit。

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

分布函数相对于一个给定论函数的期望值（一个参数）。

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

分布的中位数。

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

分布的平均数。

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

分布的方差。

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

分布的标准差。

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

中位数周围等于区域的置信区间。
在本页