scipy.stats.rv_continuous.expect¶
- rv_continuous.expect(func=None, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)[源代码]¶
通过数值积分计算函数相对于分布的期望值。
函数的期望值
f(x)关于分配dist定义为：ub E[f(x)] = Integral(f(x) * dist.pdf(x)), lb
哪里
ub和lb是参数和x有没有dist.pdf(x)分配。如果这些界限lb和ub对应于分布的支持，例如[-inf, inf]在缺省情况下，积分是的无限制期望值f(x)。另外，函数f(x)可以被定义为使得f(x)是0在有限区间之外，在这种情况下，期望值是在有限范围内计算的[lb, ub]。- 参数
- func可调用，可选
要计算积分的函数。只需要一个参数。默认值为身份映射f(X)=x。
- args元组，可选
分布的形状参数。
- loc浮动，可选
位置参数(默认值=0)。
- scale浮动，可选
比例参数(默认值=1)。
- Lb、Ub标量，可选
积分的上下限。默认值设置为支持分发。
- conditional布尔值，可选
如果为True，则积分将通过积分间隔的条件概率进行修正。返回值是函数的期望值，条件是处于给定的间隔内。默认值为False。
- 其他关键字参数被传递给集成例程。
- 退货
- expect浮动
计算出的期望值。
注意事项
此函数的集成行为继承自
scipy.integrate.quad。无论是此函数还是scipy.integrate.quad可以验证积分是否存在或有限。例如cauchy(0).mean()退货np.nan和cauchy(0).expect()退货0.0。该函数未矢量化。
示例
要了解积分界限的影响，请考虑
>>> from scipy.stats import expon >>> expon(1).expect(lambda x: 1, lb=0.0, ub=2.0) 0.6321205588285578
这接近于
>>> expon(1).cdf(2.0) - expon(1).cdf(0.0) 0.6321205588285577
如果
conditional=True>>> expon(1).expect(lambda x: 1, lb=0.0, ub=2.0, conditional=True) 1.0000000000000002
与1的轻微偏差是由于数值积分造成的。