scipy.stats.planck¶
- scipy.stats.planck = <scipy.stats._discrete_distns.planck_gen object>[源代码]¶
普朗克离散指数随机变量。
作为
rv_discrete
班级,planck
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
注意事项
的概率质量函数
planck
是:\[F(K)=(1-\exp(-\lambda))\exp(-\lambda k)\]为 \(k \ge 0\) 和 \(\lambda > 0\) 。
planck
拿走 \(\lambda\) 作为形状参数。普朗克分布可以写成几何分布。 (geom
)与 \(p = 1 - \exp(-\lambda)\) 移位时间loc = -1
。上面的概率质量函数是以“标准化”形式定义的。若要移动分布,请使用
loc
参数。具体地说,planck.pmf(k, lambda_, loc)
等同于planck.pmf(k - loc, lambda_)
。示例
>>> from scipy.stats import planck >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> lambda_ = 0.51 >>> mean, var, skew, kurt = planck.stats(lambda_, moments='mvsk')
显示概率质量函数 (
pmf
):>>> x = np.arange(planck.ppf(0.01, lambda_), ... planck.ppf(0.99, lambda_)) >>> ax.plot(x, planck.pmf(x, lambda_), 'bo', ms=8, label='planck pmf') >>> ax.vlines(x, 0, planck.pmf(x, lambda_), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象(作为函数)来固定形状和位置。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
pmf
:>>> rv = planck(lambda_) >>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1, ... label='frozen pmf') >>> ax.legend(loc='best', frameon=False) >>> plt.show()
检查以下各项的准确性
cdf
和ppf
:>>> prob = planck.cdf(x, lambda_) >>> np.allclose(x, planck.ppf(prob, lambda_)) True
生成随机数:
>>> r = planck.rvs(lambda_, size=1000)
方法:
rvs(lambda_, loc=0, size=1, random_state=None)
随机变量。
pmf(k, lambda_, loc=0)
概率质量函数。
logpmf(k, lambda_, loc=0)
概率质量函数的对数。
cdf(k, lambda_, loc=0)
累积分布函数。
logcdf(k, lambda_, loc=0)
累积分布函数的日志。
sf(k, lambda_, loc=0)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(k, lambda_, loc=0)
生存函数的对数。
ppf(q, lambda_, loc=0)
百分点数函数(与
cdf
-百分位数)。isf(q, lambda_, loc=0)
逆生存函数(逆
sf
)。stats(lambda_, loc=0, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(lambda_, loc=0)
房车的(微分)熵。
expect(func, args=(lambda_,), loc=0, lb=None, ub=None, conditional=False)
函数相对于分布的期望值(只有一个参数)。
median(lambda_, loc=0)
分布的中位数。
mean(lambda_, loc=0)
分布的平均值。
var(lambda_, loc=0)
分布的方差。
std(lambda_, loc=0)
分布的标准差。
interval(alpha, lambda_, loc=0)
包含分数Alpha的范围的端点 [0, 1] 分布的