scipy.stats.norm¶
- scipy.stats.norm = <scipy.stats._continuous_distns.norm_gen object>[源代码]¶
正态连续随机变量。
地点 (
loc)关键字指定平均值。比例尺 (scale)关键字指定标准偏差。作为
rv_continuous班级,norm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。注意事项
的概率密度函数
norm是：\[F(X)=\frac{\exp(-x^2/2)}{\sqrt{2\pi}}\]实数 \(x\) 。
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，norm.pdf(x, loc, scale)等同于norm.pdf(y) / 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。示例
>>> from scipy.stats import norm >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻：
>>> mean, var, skew, kurt = norm.stats(moments='mvsk')
显示概率密度函数 (
pdf)：>>> x = np.linspace(norm.ppf(0.01), ... norm.ppf(0.99), 100) >>> ax.plot(x, norm.pdf(x), ... 'r-', lw=5, alpha=0.6, label='norm 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 = norm() >>> 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 = norm.ppf([0.001, 0.5, 0.999]) >>> np.allclose([0.001, 0.5, 0.999], norm.cdf(vals)) True
生成随机数：
>>> r = norm.rvs(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()
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)
累积分布函数的日志。
sf(x, loc=0, scale=1)
生存函数(也定义为
1 - cdf，但是 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)
百分点数函数(与
cdf-百分位数)。isf(q, loc=0, scale=1)
逆生存函数(逆
sf)。moment(n, loc=0, scale=1)
n阶非中心矩
stats(loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(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=(), 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(loc=0, scale=1)
分布的中位数。
mean(loc=0, scale=1)
分布的平均值。
var(loc=0, scale=1)
分布的方差。
std(loc=0, scale=1)
分布的标准差。
interval(alpha, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的