scipy.stats.trapezoid¶
- scipy.stats.trapezoid = <scipy.stats._continuous_distns.trapezoid_gen object>[源代码]¶
梯形连续随机变量。
作为
rv_continuous
班级,trapezoid
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
梯形分布可以用一条向上倾斜的线表示,从
loc
至(loc + c*scale)
,然后常量为(loc + d*scale)
然后从这里向下倾斜(loc + d*scale)
至(loc+scale)
。这从定义梯形底座loc
至(loc+scale)
而平顶则来自于c
至d
与底座上的位置成比例0 <= c <= d <= 1
。什么时候c=d
,这相当于triang
具有相同值的 loc , scale 和 c 。一种解决问题的方法 [1] 是用来计算力矩的。trapezoid
拿走 \(c\) 和 \(d\) 作为形状参数。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,trapezoid.pdf(x, c, d, loc, scale)
等同于trapezoid.pdf(y, c, d) / 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。标准表格在范围内 [0, 1] 以c为模式。Location参数将开始位置切换到 loc 。Scale参数将宽度从1更改为 scale 。
参考文献
- 1
黄晓明(2007).北京:北京。标准不确定度B型评定的梯形和三角形分布。Metrologia 44,117-127 DOI:10.1088/0026-1394/44/2/003
示例
>>> from scipy.stats import trapezoid >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> c, d = 0.2, 0.8 >>> mean, var, skew, kurt = trapezoid.stats(c, d, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(trapezoid.ppf(0.01, c, d), ... trapezoid.ppf(0.99, c, d), 100) >>> ax.plot(x, trapezoid.pdf(x, c, d), ... 'r-', lw=5, alpha=0.6, label='trapezoid 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 = trapezoid(c, d) >>> 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 = trapezoid.ppf([0.001, 0.5, 0.999], c, d) >>> np.allclose([0.001, 0.5, 0.999], trapezoid.cdf(vals, c, d)) True
生成随机数:
>>> r = trapezoid.rvs(c, d, 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(c, d, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, c, d, loc=0, scale=1)
概率密度函数。
logpdf(x, c, d, loc=0, scale=1)
概率密度函数的对数。
cdf(x, c, d, loc=0, scale=1)
累积分布函数。
logcdf(x, c, d, loc=0, scale=1)
累积分布函数的日志。
sf(x, c, d, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, c, d, loc=0, scale=1)
生存函数的对数。
ppf(q, c, d, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, c, d, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, c, d, loc=0, scale=1)
n阶非中心矩
stats(c, d, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(c, d, 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=(c, d), 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(c, d, loc=0, scale=1)
分布的中位数。
mean(c, d, loc=0, scale=1)
分布的平均值。
var(c, d, loc=0, scale=1)
分布的方差。
std(c, d, loc=0, scale=1)
分布的标准差。
interval(alpha, c, d, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的