scipy.stats.exponweib¶

scipy.stats.exponweib = <scipy.stats._continuous_distns.exponweib_gen object>[源代码]¶

威布尔指数连续型随机变量。

作为 rv_continuous 班级, exponweib 对象从它继承一组泛型方法(完整列表请参见下面)，并用特定于此特定发行版的详细信息来完成它们。

参见

weibull_min, numpy.random.Generator.weibull

注意事项

的概率密度函数 exponweib 是：

\[F(x，a，c)=ac [1-\exp(-x^c)] ^{a-1}\exp(-x^c)x^{c-1}\]

其累积分布函数为：

\[F(x，a，c)= [1-\exp(-x^c)] ^a\]

为 \(x > 0\) ， \(a > 0\) ， \(c > 0\) 。

exponweib 拿走 \(a\) 和 \(c\) 作为形状参数：

\(a\) 是求幂参数，特殊情况下 \(a=1\) 对应于(非指数)威布尔分布 weibull_min 。
\(c\) 是非指数威布尔定律的形状参数。

上面的概率密度是以“标准化”形式定义的。若要移动和/或缩放分布，请使用 loc 和 scale 参数。具体地说， exponweib.pdf(x, a, c, loc, scale) 等同于 exponweib.pdf(y, a, c) / scale 使用 y = (x - loc) / scale 。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心泛化在单独的类中可用。

参考文献

https://en.wikipedia.org/wiki/Exponentiated_Weibull_distribution

示例

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

计算前四个时刻：

>>> a, c = 2.89, 1.95
>>> mean, var, skew, kurt = exponweib.stats(a, c, moments='mvsk')

显示概率密度函数 (pdf )：

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

或者，可以调用分布对象(作为函数)来固定形状、位置和比例参数。这将返回一个“冻结”的RV对象，其中包含固定的给定参数。

冻结分发并显示冻结的 pdf ：

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

检查以下各项的准确性 cdf 和 ppf ：

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

生成随机数：

>>> r = exponweib.rvs(a, c, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

../../_images/scipy-stats-exponweib-1.png

方法：

rvs(a, c, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, a, c, loc=0, scale=1)	概率密度函数。
logpdf(x, a, c, loc=0, scale=1)	概率密度函数的对数。
cdf(x, a, c, loc=0, scale=1)	累积分布函数。
logcdf(x, a, c, loc=0, scale=1)	累积分布函数的日志。
sf(x, a, c, loc=0, scale=1)	生存函数(也定义为 `1 - cdf` ，但是 sf 有时更准确)。
logsf(x, a, c, loc=0, scale=1)	生存函数的对数。
ppf(q, a, c, loc=0, scale=1)	百分点数函数(与 `cdf` -百分位数)。
isf(q, a, c, loc=0, scale=1)	逆生存函数(逆 `sf` )。
moment(n, a, c, loc=0, scale=1)	n阶非中心矩
stats(a, c, loc=0, scale=1, moments='mv')	均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(a, c, loc=0, scale=1)	房车的(微分)熵。
拟合(数据)	一般数据的参数估计。看见 scipy.stats.rv_continuous.fit 有关关键字参数的详细文档，请参阅。
expect(func, args=(a, c), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	函数相对于分布的期望值(只有一个参数)。
median(a, c, loc=0, scale=1)	分布的中位数。
mean(a, c, loc=0, scale=1)	分布的平均值。
var(a, c, loc=0, scale=1)	分布的方差。
std(a, c, loc=0, scale=1)	分布的标准差。
interval(alpha, a, c, loc=0, scale=1)	包含分数Alpha的范围的端点 [0, 1] 分布的

scipy.stats.exponnorm

scipy.stats.exponpow