scipy威布尔_max分布,weibull_max

scipy.stats.weibull_max

scipy.stats.weibull_max（* args，** kwds ）= <scipy.stats._continuous_distns.weibull_max_gen object>源码
威布尔最大连续随机变量。

作为rv_continuous类的实例，weibull_max继承了这个类的一切通用方法（请参见下面的完整列表），并使用此分布的公式来完善它们。

也可以看看
weibull_min

笔记

weibull_max的概率密度函数为：
$$f(x,c)=c(-x{)}^{c-1}{e}^{-(-x{)}^c}$$
x<0,c>0。
weibull_max采取c作为形状参数。

以上的概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，weibull_max.pdf(x, c, loc, scale)相当于用 weibull_max.pdf(y, c) / scale，其中y = (x - loc) / scale

例子

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

首先计算一下：

>>> c = 2.87
>>> mean, var, skew, kurt = weibull_max.stats(c, moments='mvsk')

绘制概率密度函数（pdf）：

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

或者，可以调用分布对象（作为函数）以固定形状，位置和比例参数。这将返回一个“冻结的” RV对象，该对象固定了给定的参数。

冻结分布并显示冻结的pdf：

>>> rv = weibull_max(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查cdf和的准确性ppf：

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

生成随机数：

>>> r = weibull_max.rvs(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()

方法

方法	用途
rvs（c，loc = 0，scale = 1，size = 1，random_state = None）	随机变量生成。
pdf（x，c，loc = 0，scale = 1）	概率密度函数。
logpdf（x，c，loc = 0，scale = 1）	概率密度函数的对数。
cdf（x，c，loc = 0，scale = 1）	累积分布函数。
logcdf（x，c，loc = 0，scale = 1）	累积分布函数的日志。
sf（x，c，loc = 0，scale = 1）	生存函数（也定义为1-cdf，但sf有时更准确）
logsf（x，c，loc = 0，scale = 1）	生存函数的对数。
ppf（q，c，loc = 0，scale = 1）	百分比点函数（与cdf—百分位数相反）
isf（q，c，loc = 0，scale = 1）	逆生存函数（的逆sf）
moment（n，c，loc = 0，scale = 1）	n阶非中心矩
stats（c，loc = 0，scale = 1，moments =‘mv’）	均值（‘m’），方差（‘v’），偏斜（‘s’）和/或峰度（‘k’）。
entropy（c，loc = 0，scale = 1）	RV的（微分）熵。
fit（data，C，loc= 0，scale= 1）	通用数据的参数估计。
Expect（func，args =（c，），loc = 0，scale = 1，lb = None，ub = None，conditional= False，** kwds)	函数（一个参数）相对于分布的期望值。
median（c，loc = 0，scale = 1）	分布的中位数。
mean（c，loc = 0，scale = 1）	分布的平均值。
var（c，loc = 0，scale = 1）	分布的方差。
std（c，loc = 0，scale = 1）	分布的标准偏差。
interval（alpha，c，loc = 0，scale = 1）	包含分布的Alpha百分比的范围的端点

快速搜索

©SciPy社区版权所有2008-2019。 最后更新于2019年12月19日。 使用Sphinx 2.2.1 创建。