scipy.stats.wrapcauchy#

scipy.stats.wrapcauchy = <scipy.stats._continuous_distns.wrapcauchy_gen 对象>[来源]#

包裹的柯西连续随机变量。

作为 rv_continuous 类的实例，wrapcauchy 对象从它那里继承一系列通用方法（有关完全列表，请参见下文），并用特定于此特定分布的详细信息来完成它们。

备注

对于 wrapcauchy，概率密度函数为

\[f(x, c) = \frac{1-c^2}{2\pi (1+c^2 - 2c \cos(x))}\]

对于 \(0 \le x \le 2\pi\)，\(0 < c < 1\)。

wrapcauchy 取 c 作为 \(c\) 的形状参数。

上述概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，wrapcauchy.pdf(x, c, loc, scale) 与 wrapcauchy.pdf(y, c) / scale完全等效，其中 y = (x - loc) / scale。请注意，移动分布位置不会使其成为“非中心”分布；某些分布的非中心泛化形式在单独的类中提供。

示例

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

计算前四个矩

>>> c = 0.0311
>>> mean, var, skew, kurt = wrapcauchy.stats(c, moments='mvsk')

显示概率密度函数 (pdf)

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

或者，可以调用分布对象（作为函数）来固定形状、位置和刻度参数。这会返回一个“冻结”的 RV 对象，其中给定的参数固定不变。

冻结分布并显示冻结 的 pdf

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

检查 cdf 和 ppf 的准确度

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

生成随机数

>>> r = wrapcauchy.rvs(c, size=1000)

并对比直方图

>>> 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-wrapcauchy-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 有时更准确）。

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

生存函数的对数。

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

百分位点函数（cdf 的逆函数——百分位数）。

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

sf 的逆函数——百分位数）。

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

指定阶数的非中心矩。

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

均值(‘m’)、方差(‘v’)、偏度(‘s’)和/或峰度(‘k’)。

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

RV 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文档，请参阅 scipy.stats.rv_continuous.fit。

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

关于分布的函数（一个参数）的预期值。

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

分布中值。

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

分布平均值。

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

分布方差。

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

分布标准差。

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

中位数周围面积相等的置信区间。
在此页面