scipy.stats.wald#

scipy.stats.wald = <scipy.stats._continuous_distns.wald_gen object>[源代码]#

Wald 连续随机变量。

作为 rv_continuous 类的一个实例，wald 对象从其继承了一组通用方法（请参阅下方以查看完整列表），并用此特定分布的具体细节对其进行补充。

备注

wald 的概率密度函数为

\[f(x) = \frac{1}{\sqrt{2\pi x^3}} \exp(- \frac{ (x-1)^2 }{ 2x })\]

适用于 \(x >= 0\)。

wald 是 invgauss 的一个特例，而其中 mu=1。

上述的概率密度以“标准化”形式定义。要移动和/或缩放分布请使用 loc 和 scale 参数。具体来说，wald.pdf(x, loc, scale) 与 wald.pdf(y) / scale 完全相同，其中 y = (x - loc) / scale。请注意，改变分布的位置不会使其成为“非中心”分布；某些分布的非中心概括在单独的类别中提供。

示例

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

计算前四个矩

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

显示概率密度函数（pdf）

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

或者，可以调用分布对象（作为函数）以修复形状、位置和缩放参数。这会返回一个“冻结的”RV对象，固定给定的参数。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

>>> r = wald.rvs(size=1000)

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-wald-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)

百分位数函数（cdf 的逆——百分位数）。

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

sf 的逆生存函数（逆）。

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

指定阶数的非中心矩。

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)

RV 的（微分）熵。

fit(data)

泛型数据参数估计。请参阅 scipy.stats.rv_continuous.fit 关于关键字自变量的详细文档。

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

基于分布的函数（一个自变量）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的均值。

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)

基于中位数的置信区间（相等面积）。
本页内容