SciPy 1.12 中文文档（五十六）

于 2024-06-30 10:43:35 发布
阅读量375 收藏 5
点赞数 3
分类专栏： scipy 文章标签： scipy
License CC BY-NC-SA 4.0 / 自豪地采用谷歌翻译
本文链接：https://blog.csdn.net/wizardforcel/article/details/140077621
版权

原文：docs.scipy.org/doc/scipy-1.12.0/index.html

scipy.stats.pareto

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.pareto.html#scipy.stats.pareto

scipy.stats.pareto = <scipy.stats._continuous_distns.pareto_gen object>

一个帕累托连续随机变量。

作为 rv_continuous 类的一个实例，pareto 对象继承了一系列通用方法（下面有完整列表），并且针对这种特定分布补充了细节。

注意事项

pareto 的概率密度函数为：

[f(x, b) = \frac{b}{x^{b+1}}]

对于 (x \ge 1), (b > 0)。

pareto 将 b 作为形状参数 (b)。

上述概率密度在“标准化”形式下定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，pareto.pdf(x, b, loc, scale) 等同于 pareto.pdf(y, b) / scale，其中 y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广在单独的类中可用。

示例

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

计算前四个矩：

>>> b = 2.62
>>> mean, var, skew, kurt = pareto.stats(b, moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(pareto.ppf(0.01, b),
...                 pareto.ppf(0.99, b), 100)
>>> ax.plot(x, pareto.pdf(x, b),
...        'r-', lw=5, alpha=0.6, label='pareto 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，保持给定参数不变。

冻结分布并显示冻结的 pdf：

>>> rv = pareto(b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = pareto.rvs(b, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(b, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, b, loc=0, scale=1)概率密度函数。
logpdf(x, b, loc=0, scale=1)概率密度函数的对数。
cdf(x, b, loc=0, scale=1)累积分布函数。
logcdf(x, b, loc=0, scale=1)累积分布函数的对数。
sf(x, b, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, b, loc=0, scale=1)生存函数的对数。
ppf(q, b, loc=0, scale=1)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, b, loc=0, scale=1)逆生存函数（sf 的逆）。
moment(order, b, loc=0, scale=1)指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(b, loc=0, scale=1)随机变量的（微分）熵。
fit(data)适用于一般数据的参数估计。详见scipy.stats.rv_continuous.fit以获取关键字参数的详细文档。
**expect(func, args=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布的一个函数（一个参数的函数）的期望值。
median(b, loc=0, scale=1)分布的中位数。
mean(b, loc=0, scale=1)分布的均值。
var(b, loc=0, scale=1)分布的方差。
std(b, loc=0, scale=1)分布的标准差。
interval(confidence, b, loc=0, scale=1)置信区间，围绕中位数具有相等面积。

scipy.stats.pearson3

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.pearson3.html#scipy.stats.pearson3

scipy.stats.pearson3 = <scipy.stats._continuous_distns.pearson3_gen object>

一个 Pearson Type III 连续随机变量。

作为 rv_continuous 类的一个实例，pearson3 对象继承了一些通用方法（请见下面完整列表），并为这个特定分布提供了详细信息。

注释

pearson3 的概率密度函数为：

[f(x, \kappa) = \frac{|\beta|}{\Gamma(\alpha)} (\beta (x - \zeta))^{\alpha - 1} \exp(-\beta (x - \zeta))]

其中：

[ \begin{align}\begin{aligned}\beta = \frac{2}{\kappa}\\alpha = \beta² = \frac{4}{\kappa²}\\zeta = -\frac{\alpha}{\beta} = -\beta\end{aligned}\end{align} ]

(\Gamma) 函数（scipy.special.gamma 作为形状参数 skew 传递给 pearson3。

上述概率密度在 “标准化” 形式下定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，pearson3.pdf(x, skew, loc, scale) 等同于 pearson3.pdf(y, skew) / scale，其中 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是在单独的类中实现的。

参考文献

R.W. Vogel 和 D.E. McMartin，“Pearson Type 3 分布的概率图拟合和偏斜度估计方法”，《水资源研究》, Vol.27, 3149-3158 (1991).

L.R. Salvosa，“Pearson’s Type III 函数表”，《数学统计学年鉴》，Vol.1, 191-198 (1930).

“使用现代计算工具将 Pearson Type III 分布拟合到航空载荷数据中”，航空研究办公室 (2003).

示例

>>> import numpy as np
>>> from scipy.stats import pearson3
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

计算前四个矩：

>>> skew = -2
>>> mean, var, skew, kurt = pearson3.stats(skew, moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(pearson3.ppf(0.01, skew),
...                 pearson3.ppf(0.99, skew), 100)
>>> ax.plot(x, pearson3.pdf(x, skew),
...        'r-', lw=5, alpha=0.6, label='pearson3 pdf')

或者，可以调用分布对象（作为函数）来固定形状、位置和尺度参数。这将返回一个固定参数的 “冻结” 随机变量对象。

冻结分布并显示冻结的 pdf：

>>> rv = pearson3(skew)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

>>> vals = pearson3.ppf([0.001, 0.5, 0.999], skew)
>>> np.allclose([0.001, 0.5, 0.999], pearson3.cdf(vals, skew))
True

生成随机数：

>>> r = pearson3.rvs(skew, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(skew, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, skew, loc=0, scale=1)概率密度函数。
logpdf(x, skew, loc=0, scale=1)概率密度函数的对数。
cdf(x, skew, loc=0, scale=1)累积分布函数。
logcdf(x, skew, loc=0, scale=1)累积分布函数的对数。
sf(x, skew, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, skew, loc=0, scale=1)生存函数的对数。
ppf(q, skew, loc=0, scale=1)百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, skew, loc=0, scale=1)逆生存函数（sf 的逆函数）。
moment(order, skew, loc=0, scale=1)指定阶数的非中心矩。
stats(skew, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、及/或峰度（‘k’）。
entropy(skew, loc=0, scale=1)随机变量的（微分）熵。
fit(data)适用于一般数据的参数估计。详细的关键字参数文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(skew,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)关于分布的一个函数（一个参数的函数）的期望值。
median(skew, loc=0, scale=1)分布的中位数。
mean(skew, loc=0, scale=1)分布的均值。
var(skew, loc=0, scale=1)分布的方差。
std(skew, loc=0, scale=1)分布的标准差。
interval(confidence, skew, loc=0, scale=1)中位数周围面积相等的置信区间。

scipy.stats.powerlaw

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.powerlaw.html#scipy.stats.powerlaw

scipy.stats.powerlaw = <scipy.stats._continuous_distns.powerlaw_gen object>

一个幂函数连续随机变量。

作为 rv_continuous 类的一个实例，powerlaw 对象从中继承了一组通用方法（下面详细列出），并针对这种特定分布补充了具体细节。

另请参阅

pareto

注意

powerlaw 的概率密度函数为：

[f(x, a) = a x^{a-1}]

对于 (0 \le x \le 1), (a > 0)。

powerlaw 以 a 作为形状参数。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，powerlaw.pdf(x, a, loc, scale) 与 powerlaw.pdf(y, a) / scale 是等价的，其中 y = (x - loc) / scale。请注意，移动分布的位置不会使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

例如，powerlaw 的支持可以通过设置 loc=c 和 scale=d 将默认区间 [0, 1] 调整为区间 [c, c+d]。对于具有无限支持的幂律分布，请参见 pareto。

powerlaw 是带有 b=1 的 beta 的特殊情况。

示例

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

计算前四个时刻：

>>> a = 0.659
>>> mean, var, skew, kurt = powerlaw.stats(a, moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(powerlaw.ppf(0.01, a),
...                 powerlaw.ppf(0.99, a), 100)
>>> ax.plot(x, powerlaw.pdf(x, a),
...        'r-', lw=5, alpha=0.6, label='powerlaw 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”的随机变量对象，其中包含给定的固定参数。

冻结分布并显示冻结的 pdf：

>>> rv = powerlaw(a)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = powerlaw.rvs(a, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(a, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, a, loc=0, scale=1)概率密度函数。
logpdf(x, a, loc=0, scale=1)概率密度函数的对数。
cdf(x, a, loc=0, scale=1)累积分布函数。
logcdf(x, a, loc=0, scale=1)累积分布函数的对数。
sf(x, a, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, a, loc=0, scale=1)存活函数的对数。
ppf(q, a, loc=0, scale=1)百分位点函数（cdf 的逆 — 百分位数）。
isf(q, a, loc=0, scale=1)逆存活函数（sf 的逆）。
moment(order, a, loc=0, scale=1)指定阶数的非中心矩。
stats(a, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、峰度（‘k’）。
entropy(a, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参阅 scipy.stats.rv_continuous.fit。
**expect(func, args=(a,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)期望值，针对分布的一个参数的函数。
median(a, loc=0, scale=1)分布的中位数。
mean(a, loc=0, scale=1)分布的均值。
var(a, loc=0, scale=1)分布的方差。
std(a, loc=0, scale=1)分布的标准偏差。
interval(confidence, a, loc=0, scale=1)置信区间，围绕中位数有相等的面积。

scipy.stats.powerlognorm

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.powerlognorm.html#scipy.stats.powerlognorm

scipy.stats.powerlognorm = <scipy.stats._continuous_distns.powerlognorm_gen object>

一个幂律对数正态连续随机变量。

作为rv_continuous类的一个实例，powerlognorm对象继承了一组通用方法（下面有完整列表），并补充了特定于此特定分布的详细信息。

注意事项

powerlognorm的概率密度函数为：

[f(x, c, s) = \frac{c}{x s} \phi(\log(x)/s) (\Phi(-\log(x)/s))^{c-1}]

其中(\phi)是正态概率密度函数，(\Phi)是正态累积分布函数，(x > 0)，(s, c > 0)。

powerlognorm采用(c)和(s)作为形状参数。

上述的概率密度函数定义为“标准化”形式。使用loc和scale参数来进行分布的移位和/或缩放。具体来说，powerlognorm.pdf(x, c, s, loc, scale)等同于powerlognorm.pdf(y, c, s) / scale，其中y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

示例

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

计算前四个矩：

>>> c, s = 2.14, 0.446
>>> mean, var, skew, kurt = powerlognorm.stats(c, s, moments='mvsk')

显示概率密度函数（pdf）：

>>> x = np.linspace(powerlognorm.ppf(0.01, c, s),
...                 powerlognorm.ppf(0.99, c, s), 100)
>>> ax.plot(x, powerlognorm.pdf(x, c, s),
...        'r-', lw=5, alpha=0.6, label='powerlognorm 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，保持给定参数不变。

冻结分布并显示冻结的pdf：

>>> rv = powerlognorm(c, s)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = powerlognorm.rvs(c, s, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(c, s, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, c, s, loc=0, scale=1)概率密度函数。
logpdf(x, c, s, loc=0, scale=1)概率密度函数的对数。
cdf(x, c, s, loc=0, scale=1)累积分布函数。
logcdf(x, c, s, loc=0, scale=1)累积分布函数的对数。
sf(x, c, s, loc=0, scale=1)生存函数（也定义为1 - cdf，但sf有时更精确）。
logsf(x, c, s, loc=0, scale=1)生存函数的对数。
ppf(q, c, s, loc=0, scale=1)百分位点函数（cdf的逆函数 — 百分位数）。
isf(q, c, s, loc=0, scale=1)生存函数的逆函数（sf的逆函数）。
moment(order, c, s, loc=0, scale=1)指定阶数的非中心矩。
stats(c, s, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、及/或峰度（‘k’）。
entropy(c, s, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(c, s), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对于分布，函数期望值（一个参数）。
median(c, s, loc=0, scale=1)分布的中位数。
mean(c, s, loc=0, scale=1)分布的均值。
var(c, s, loc=0, scale=1)分布的方差。
std(c, s, loc=0, scale=1)分布的标准差。
interval(confidence, c, s, loc=0, scale=1)等面积置信区间，围绕中位数。

scipy.stats.powernorm

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.powernorm.html#scipy.stats.powernorm

scipy.stats.powernorm = <scipy.stats._continuous_distns.powernorm_gen object>

一个幂正态连续随机变量。

作为rv_continuous类的一个实例，powernorm对象继承了一系列通用方法（请参见下面的完整列表），并通过特定于此特定分布的细节来完成它们。

注意

powernorm的概率密度函数为：

[f(x, c) = c \phi(x) (\Phi(-x))^{c-1}]

其中(\phi)是正态概率密度函数，(\Phi)是正态累积分布函数，(x)是任意实数，(c > 0) [1]。

powernorm以形状参数c为(c)。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，powernorm.pdf(x, c, loc, scale)等价于powernorm.pdf(y, c) / scale，其中y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可在单独的类中找到。

参考资料

[1]

NIST 工程统计手册，第 1.3.6.6.13 节，www.itl.nist.gov/div898/handbook//eda/section3/eda366d.htm

示例

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

计算前四个时刻：

>>> c = 4.45
>>> mean, var, skew, kurt = powernorm.stats(c, moments='mvsk')

显示概率密度函数（pdf）：

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

或者，可以调用（作为函数）分布对象来固定形状、位置和缩放参数。这将返回一个“冻结”的 RV 对象，保持给定的参数不变。

冻结分布并显示冻结的pdf：

>>> rv = powernorm(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = powernorm.rvs(c, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)随机变量。
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)累积分布函数的对数。
sf(x, c, loc=0, scale=1)生存函数（也定义为1 - cdf，但有时sf更精确）。
logsf(x, c, loc=0, scale=1)生存函数的对数。
ppf(q, c, loc=0, scale=1)百分位点函数（cdf的反函数 — 百分位数）。
isf(q, c, loc=0, scale=1)生存函数的逆函数（sf的逆函数）。
moment(order, c, loc=0, scale=1)指定阶数的非中心矩。
stats(c, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(c, loc=0, scale=1)随机变量的（微分）熵。
fit(data)适用于通用数据的参数估计。详细文档参见scipy.stats.rv_continuous.fit。
**expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对于分布的一个参数函数的期望值。
median(c, loc=0, scale=1)分布的中位数。
mean(c, loc=0, scale=1)分布的均值。
var(c, loc=0, scale=1)分布的方差。
std(c, loc=0, scale=1)分布的标准差。
interval(confidence, c, loc=0, scale=1)置信区间，围绕中位数有相等的面积。

scipy.stats.rdist

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.rdist.html#scipy.stats.rdist

scipy.stats.rdist = <scipy.stats._continuous_distns.rdist_gen object>

一个 R-分布（对称贝塔）的连续随机变量。

作为 rv_continuous 类的一个实例，rdist 对象继承了一组通用方法（下面完整列出），并具有此特定分布的详细信息。

注释

rdist 的概率密度函数为：

[f(x, c) = \frac{(1-x²)^{c/2-1}}{B(1/2, c/2)}]

对于 (-1 \le x \le 1), (c > 0)。rdist 也称为对称贝塔分布：如果 B 服从参数为 (c/2, c/2) 的 beta 分布，则 X = 2*B - 1 服从参数为 c 的 R-分布。

rdist 将 c 作为参数 (c) 的形状参数。

此分布包含以下特殊情况的分布核：

c = 2:  uniform
c = 3:  `semicircular`
c = 4:  Epanechnikov (parabolic)
c = 6:  quartic (biweight)
c = 8:  triweight

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，rdist.pdf(x, c, loc, scale) 与 rdist.pdf(y, c) / scale 是等价的，其中 y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

示例

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

计算前四个时刻：

>>> c = 1.6
>>> mean, var, skew, kurt = rdist.stats(c, moments='mvsk')

显示概率密度函数 (pdf)：

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

或者，可以调用分布对象（作为函数）来固定形状、位置和尺度参数。这将返回一个“冻结”的 RV 对象，其中给定的参数被固定。

冻结分布并显示冻结的 pdf：

>>> rv = rdist(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = rdist.rvs(c, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)随机变量。
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)累积分布函数的对数。
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)百分点函数（cdf 的反函数 — 百分位数）。
isf(q, c, loc=0, scale=1)生存函数的反函数（sf 的反函数）。
moment(order, c, loc=0, scale=1)指定阶数的非中心矩。
stats(c, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）的统计量。
entropy(c, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参阅scipy.stats.rv_continuous.fit。
**expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)关于分布的一个函数（一个参数）的期望值。
median(c, loc=0, scale=1)分布的中位数。
mean(c, loc=0, scale=1)分布的均值。
var(c, loc=0, scale=1)分布的方差。
std(c, loc=0, scale=1)分布的标准差。
interval(confidence, c, loc=0, scale=1)中位数周围等面积的置信区间。

scipy.stats.rayleigh

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.rayleigh.html#scipy.stats.rayleigh

scipy.stats.rayleigh = <scipy.stats._continuous_distns.rayleigh_gen object>

一个雷利连续随机变量。

作为 rv_continuous 类的一个实例，rayleigh 对象继承了一组通用方法（请参阅下面的完整列表），并为这种特定分布添加了细节。

注意

对于 rayleigh 的概率密度函数如下：

[f(x) = x \exp(-x²/2)]

对于 (x \ge 0)。

rayleigh 是带有 df=2 的chi 的特殊情况。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，rayleigh.pdf(x, loc, scale) 与 rayleigh.pdf(y) / scale 等价，其中 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；一些分布的非中心推广在单独的类中可用。

示例

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

计算前四阶矩：

>>> mean, var, skew, kurt = rayleigh.stats(moments='mvsk')

显示概率密度函数（pdf）：

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

或者，可以通过调用分布对象（作为函数）来固定形状、位置和比例参数。这将返回一个持有给定参数固定的“冻结”随机变量对象。

冻结分布并显示冻结的 pdf：

>>> rv = rayleigh()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = rayleigh.rvs(size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

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)累积分布函数的对数。
sf(x, loc=0, scale=1)存活函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, loc=0, scale=1)存活函数的对数。
ppf(q, loc=0, scale=1)百分位点函数（cdf 的逆 — 百分位数）。
isf(q, loc=0, scale=1)逆存活函数（sf 的逆）。
moment(order, loc=0, scale=1)指定阶数的非中心矩。
stats(loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对于分布，函数（一个参数的）的期望值。
median(loc=0, scale=1)分布的中位数。
mean(loc=0, scale=1)分布的均值。
var(loc=0, scale=1)分布的方差。
std(loc=0, scale=1)分布的标准差。
interval(confidence, loc=0, scale=1)中位数周围面积相等的置信区间。

scipy.stats.rel_breitwigner

原始文档：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.rel_breitwigner.html#scipy.stats.rel_breitwigner

scipy.stats.rel_breitwigner = <scipy.stats._continuous_distns.rel_breitwigner_gen object>

一个相对论性的布莱特-温纳随机变量。

作为 rv_continuous 类的一个实例，rel_breitwigner 对象继承了一系列通用方法（下面详细列出），并通过具体细节完善了这些方法，以适应这一特定分布。

参见

cauchy

柯西分布，也称为布莱特-温纳分布。

注释

rel_breitwigner 的概率密度函数为

[f(x, \rho) = \frac{k}{(x² - \rho²)² + \rho²}]

其中

[k = \frac{2\sqrt{2}\rho²\sqrt{\rho² + 1}} {\pi\sqrt{\rho² + \rho\sqrt{\rho² + 1}}}]

相对论布莱特-温纳分布用于模拟高能物理中的共振态 [1]。它提供了不变质量 (M) 的不确定性 [2]，其中具有特征质量 (M_0) 和衰减宽度 (\Gamma) 的共振。在 SciPy 的参数化中，形状参数 (\rho) 等于 (M_0/\Gamma)，并且取值在 ((0, \infty)) 之间。

同样，相对论布莱特-温纳分布被认为提供了质心能量 (E_{\text{cm}}) 的不确定性。在自然单位中，光速 (c) 等于 1，不变质量 (M) 等于静止能量 (Mc²)。在质心参考系中，静止能量等于总能量 [3]。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，rel_breitwigner.pdf(x, rho, loc, scale) 与 rel_breitwigner.pdf(y, rho) / scale 是完全等价的，其中 y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

(\rho = M/\Gamma)，其中 (\Gamma) 是尺度参数。例如，如果要模拟 (Z⁰) 玻色子，其 (M_0 \approx 91.1876 \text{ GeV})，(\Gamma \approx 2.4952\text{ GeV}) [4]，则可以设置 rho=91.1876/2.4952 和 scale=2.4952。

在使用 fit 方法时，为了确保物理上的有意义结果，应将 floc=0 设置为将位置参数固定为 0。

参考文献

[1]

相对论性布莱特-维格纳分布，维基百科，zh.wikipedia.org/wiki/相对论性布莱特-维格纳分布

[2]

不变质量，维基百科，zh.wikipedia.org/wiki/不变质量

[3]

动量中心系，维基百科，zh.wikipedia.org/wiki/动量中心系

[4]

M. Tanabashi et al.（粒子数据组）Phys. Rev. D 98, 030001 - 发表于 2018 年 8 月 17 日

举例：

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

计算前四个矩：

>>> rho = 36.5
>>> mean, var, skew, kurt = rel_breitwigner.stats(rho, moments='mvsk')

显示概率密度函数（pdf）：

>>> x = np.linspace(rel_breitwigner.ppf(0.01, rho),
...                 rel_breitwigner.ppf(0.99, rho), 100)
>>> ax.plot(x, rel_breitwigner.pdf(x, rho),
...        'r-', lw=5, alpha=0.6, label='rel_breitwigner 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”的随机变量对象，其中固定了给定的参数。

冻结分布并显示冻结的pdf：

>>> rv = rel_breitwigner(rho)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = rel_breitwigner.rvs(rho, size=1000)

然后比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法：

rvs(rho, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, rho, loc=0, scale=1)概率密度函数。
logpdf(x, rho, loc=0, scale=1)概率密度函数的对数。
cdf(x, rho, loc=0, scale=1)累积分布函数。
logcdf(x, rho, loc=0, scale=1)累积分布函数的对数。
sf(x, rho, loc=0, scale=1)生存函数（也定义为 1 - cdf，但sf有时更准确）。
logsf(x, rho, loc=0, scale=1)生存函数的对数。
ppf(q, rho, loc=0, scale=1)百分点函数（cdf的逆—百分位数）。
isf(q, rho, loc=0, scale=1)逆生存函数（sf的逆）。
moment(order, rho, loc=0, scale=1)指定阶数的非中心矩。
stats(rho, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(rho, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(rho,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布的函数（一元函数）的期望值。
median(rho, loc=0, scale=1)分布的中位数。
mean(rho, loc=0, scale=1)分布的均值。
var(rho, loc=0, scale=1)分布的方差。
std(rho, loc=0, scale=1)分布的标准差。
interval(confidence, rho, loc=0, scale=1)置信区间，围绕中位数有相等的面积。

scipy.stats.rice

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.rice.html#scipy.stats.rice

scipy.stats.rice = <scipy.stats._continuous_distns.rice_gen object>

Rice 连续随机变量。

作为rv_continuous类的一个实例，rice对象继承了一组通用方法（下面详细列出），并补充了特定于该分布的细节。

注意事项

rice的概率密度函数为：

[f(x, b) = x \exp(- \frac{x² + b²}{2}) I_0(x b)]

对于(x >= 0)，(b > 0)。(I_0)是零阶修正贝塞尔函数（scipy.special.i0）。

rice以形状参数(b)为参数。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，rice.pdf(x, b, loc, scale)与rice.pdf(y, b) / scale完全等价，其中y = (x - loc) / scale。请注意，将分布的位置移动并不会使其成为“非中心”分布；某些分布的非中心广义化在单独的类中可用。

Rice 分布描述了二维向量长度(r)，其分量为((U+u, V+v))，其中(U, V)为常数，(u, v)为独立的标准差为(s)的高斯随机变量。设(R = \sqrt{U² + V²})。那么(r)的概率密度函数为rice.pdf(x, R/s, scale=s)。

例子

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

计算前四个矩：

>>> b = 0.775
>>> mean, var, skew, kurt = rice.stats(b, moments='mvsk')

显示概率密度函数(pdf)：

>>> x = np.linspace(rice.ppf(0.01, b),
...                 rice.ppf(0.99, b), 100)
>>> ax.plot(x, rice.pdf(x, b),
...        'r-', lw=5, alpha=0.6, label='rice 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。这会返回一个“冻结”的 RV 对象，其中给定的参数被固定。

冻结分布并显示冻结的pdf：

>>> rv = rice(b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = rice.rvs(b, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(b, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, b, loc=0, scale=1)概率密度函数。
logpdf(x, b, loc=0, scale=1)概率密度函数的对数。
cdf(x, b, loc=0, scale=1)累积分布函数。
logcdf(x, b, loc=0, scale=1)累积分布函数的对数。
sf(x, b, loc=0, scale=1)生存函数（也定义为1 - cdf，但sf有时更精确）。
logsf(x, b, loc=0, scale=1)生存函数的对数。
ppf(q, b, loc=0, scale=1)百分点函数（cdf 的反函数 — 百分位数）。
isf(q, b, loc=0, scale=1)逆生存函数（sf 的逆函数）。
moment(order, b, loc=0, scale=1)指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、峰度（‘k’）。
entropy(b, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详见scipy.stats.rv_continuous.fit以获取关键字参数的详细文档。
**expect(func, args=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)函数（一元函数）相对于分布的期望值。
median(b, loc=0, scale=1)分布的中位数。
mean(b, loc=0, scale=1)分布的均值。
var(b, loc=0, scale=1)分布的方差。
std(b, loc=0, scale=1)分布的标准差。
interval(confidence, b, loc=0, scale=1)等面积置信区间，围绕中位数。

scipy.stats.recipinvgauss

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.recipinvgauss.html#scipy.stats.recipinvgauss

scipy.stats.recipinvgauss = <scipy.stats._continuous_distns.recipinvgauss_gen object>

一个互逆高斯连续随机变量。

作为 rv_continuous 类的一个实例，recipinvgauss 对象继承了一组通用方法（下面列出了完整列表），并根据这个特定分布的细节完成了它们。

注释

recipinvgauss 的概率密度函数为：

[f(x, \mu) = \frac{1}{\sqrt{2\pi x}} \exp\left(\frac{-(1-\mu x)²}{2\mu²x}\right)]

对于 (x \ge 0)。

recipinvgauss 将 mu 作为 (\mu) 的形状参数。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，recipinvgauss.pdf(x, mu, loc, scale) 与 recipinvgauss.pdf(y, mu) / scale 是完全等价的，其中 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；某些分布的非中心推广可在单独的类中找到。

示例

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

计算前四个矩：

>>> mu = 0.63
>>> mean, var, skew, kurt = recipinvgauss.stats(mu, moments='mvsk')

显示概率密度函数（pdf）：

>>> x = np.linspace(recipinvgauss.ppf(0.01, mu),
...                 recipinvgauss.ppf(0.99, mu), 100)
>>> ax.plot(x, recipinvgauss.pdf(x, mu),
...        'r-', lw=5, alpha=0.6, label='recipinvgauss 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。这将返回一个保持给定参数固定的“冻结”RV 对象。

冻结分布并显示冻结的 pdf：

>>> rv = recipinvgauss(mu)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = recipinvgauss.rvs(mu, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(mu, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, mu, loc=0, scale=1)概率密度函数。
logpdf(x, mu, loc=0, scale=1)概率密度函数的对数。
cdf(x, mu, loc=0, scale=1)累积分布函数。
logcdf(x, mu, loc=0, scale=1)累积分布函数的对数。
sf(x, mu, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更准确）。
logsf(x, mu, loc=0, scale=1)生存函数的对数。
ppf(q, mu, loc=0, scale=1)百分位点函数（cdf的逆 — 百分位数）。
isf(q, mu, loc=0, scale=1)逆生存函数（sf的逆）。
moment(order, mu, loc=0, scale=1)指定顺序的非中心矩。
stats(mu, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(mu, loc=0, scale=1)随机变量的（微分）熵。
fit(data)适用于通用数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(mu,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布的函数（一元函数）的期望值。
median(mu, loc=0, scale=1)分布的中位数。
mean(mu, loc=0, scale=1)分布的均值。
var(mu, loc=0, scale=1)分布的方差。
std(mu, loc=0, scale=1)分布的标准差。
interval(confidence, mu, loc=0, scale=1)等概率置信区间，围绕中位数。

scipy.stats.semicircular

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.semicircular.html#scipy.stats.semicircular

scipy.stats.semicircular = <scipy.stats._continuous_distns.semicircular_gen object>

半圆形连续随机变量。

作为 rv_continuous 类的一个实例，semicircular 对象继承了一组通用方法（完整列表见下文），并使用特定于此特定分布的细节来完成它们。

另请参见

rdist

笔记

semicircular 的概率密度函数为：

[f(x) = \frac{2}{\pi} \sqrt{1-x²}]

对于 (-1 \le x \le 1)。

该分布是具有 c = 3 的 rdist 的特例。

上述概率密度在“标准化”形式中定义。 要移动和/或缩放分布，请使用 loc 和 scale 参数。 具体来说，semicircular.pdf(x, loc, scale) 与 semicircular.pdf(y) / scale 完全等价，其中 y = (x - loc) / scale。 请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心广义化可在单独的类中找到。

参考文献

[1]

“维格纳半圆分布”，en.wikipedia.org/wiki/Wigner_semicircle_distribution

示例

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

计算前四个矩：

>>> mean, var, skew, kurt = semicircular.stats(moments='mvsk')

显示概率密度函数 (pdf)：

>>> x = np.linspace(semicircular.ppf(0.01),
...                 semicircular.ppf(0.99), 100)
>>> ax.plot(x, semicircular.pdf(x),
...        'r-', lw=5, alpha=0.6, label='semicircular 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。 这会返回一个“冻结”的 RV 对象，其中包含给定的参数。

冻结分布并显示冻结的 pdf：

>>> rv = semicircular()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = semicircular.rvs(size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

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)累积分布函数的对数。
sf(x, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, loc=0, scale=1)生存函数的对数。
ppf(q, loc=0, scale=1)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, loc=0, scale=1)逆生存函数（sf 的反函数）。
moment(order, loc=0, scale=1)指定阶数的非中心矩。
stats(loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(loc=0, scale=1)随机变量的（微分）熵。
fit(data)用于一般数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)相对于分布的函数（一个参数）的期望值。
median(loc=0, scale=1)分布的中位数。
mean(loc=0, scale=1)分布的均值。
var(loc=0, scale=1)分布的方差。
std(loc=0, scale=1)分布的标准差。
interval(confidence, loc=0, scale=1)中位数周围的置信区间，面积相等。

scipy.stats.skewcauchy

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.skewcauchy.html#scipy.stats.skewcauchy

scipy.stats.skewcauchy = <scipy.stats._continuous_distns.skewcauchy_gen object>

偏斜的柯西随机变量。

作为rv_continuous类的一个实例，skewcauchy对象从中继承了一系列通用方法（下面列出完整列表），并用于特定于该特定分布的详细信息完成它们。

另见

cauchy

柯西分布

Notes

对于skewcauchy的概率密度函数如下：

[f(x) = \frac{1}{\pi \left(\frac{x²}{\left(a, \text{sign}(x) + 1 \right)²} + 1 \right)}]

对于实数( x )和偏斜参数(-1 < a < 1)。

当( a=0 )时，分布简化为通常的柯西分布。

上述概率密度以“标准化”形式定义。要进行平移和/或缩放分布，请使用loc和scale参数。具体来说，skewcauchy.pdf(x, a, loc, scale)与skewcauchy.pdf(y, a) / scale完全等效，其中y = (x - loc) / scale。请注意，改变分布的位置不会使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

参考文献

[1]

“偏斜广义t分布”，维基百科 en.wikipedia.org/wiki/Skewed_generalized_t_distribution#Skewed_Cauchy_distribution

示例

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

计算前四阶矩：

>>> a = 0.5
>>> mean, var, skew, kurt = skewcauchy.stats(a, moments='mvsk')

显示概率密度函数（pdf）：

>>> x = np.linspace(skewcauchy.ppf(0.01, a),
...                 skewcauchy.ppf(0.99, a), 100)
>>> ax.plot(x, skewcauchy.pdf(x, a),
...        'r-', lw=5, alpha=0.6, label='skewcauchy 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”的随机变量对象，保持给定的参数不变。

冻结分布并显示冻结的pdf：

>>> rv = skewcauchy(a)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = skewcauchy.rvs(a, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(a, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, a, loc=0, scale=1)概率密度函数。
logpdf(x, a, loc=0, scale=1)概率密度函数的对数。
cdf(x, a, loc=0, scale=1)累积分布函数。
logcdf(x, a, loc=0, scale=1)累积分布函数的对数。
sf(x, a, loc=0, scale=1)生存函数（也定义为1 - cdf，但sf有时更准确）。
logsf(x, a, loc=0, scale=1)生存函数的对数。
ppf(q, a, loc=0, scale=1)百分位点函数（cdf的反函数 - 百分位数）。
isf(q, a, loc=0, scale=1)逆生存函数（sf的反函数）。
moment(order, a, loc=0, scale=1)指定阶数的非中心矩。
stats(a, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、峰度（‘k’）。
entropy(a, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(a,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)关于分布的函数（一参数函数）的期望值。
median(a, loc=0, scale=1)分布的中位数。
mean(a, loc=0, scale=1)分布的均值。
var(a, loc=0, scale=1)分布的方差。
std(a, loc=0, scale=1)分布的标准差。
interval(confidence, a, loc=0, scale=1)置信区间，以中位数为中心，面积相等。

scipy.stats.skewnorm

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.skewnorm.html#scipy.stats.skewnorm

scipy.stats.skewnorm = <scipy.stats._continuous_distns.skewnorm_gen object>

一个偏斜正态随机变量。

作为rv_continuous类的一个实例，skewnorm对象从中继承了一组通用方法（下面有完整列表），并通过特定于这种特定分布的细节来完善它们。

注释

概率密度函数为：

skewnorm.pdf(x, a) = 2 * norm.pdf(x) * norm.cdf(a*x)

skewnorm 接受一个实数( a )作为偏斜参数。当a = 0时，该分布与正态分布相同（norm）。rvs 实现了[1]的方法。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用loc和scale参数。具体来说，skewnorm.pdf(x, a, loc, scale)与skewnorm.pdf(y, a) / scale等效，其中y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

参考文献

[1]

A. Azzalini 和 A. Capitanio（1999）。多变量偏斜正态分布的统计应用。J. Roy. Statist. Soc., B 61, 579-602。arXiv:0911.2093

示例

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

计算前四个矩：

>>> a = 4
>>> mean, var, skew, kurt = skewnorm.stats(a, moments='mvsk')

显示概率密度函数（pdf）：

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

或者，可以调用分布对象（作为函数）以固定形状、位置和尺度参数。这会返回一个“冻结”的随机变量对象，保持给定的参数不变。

冻结分布并显示冻结的pdf：

>>> rv = skewnorm(a)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = skewnorm.rvs(a, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(a, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, a, loc=0, scale=1)概率密度函数。
logpdf(x, a, loc=0, scale=1)概率密度函数的对数。
cdf(x, a, loc=0, scale=1)累积分布函数。
logcdf(x, a, loc=0, scale=1)累积分布函数的对数。
sf(x, a, loc=0, scale=1)生存函数（也被定义为1 - cdf，但sf有时更精确）。
logsf(x, a, loc=0, scale=1)生存函数的对数。
ppf(q, a, loc=0, scale=1)百分位点函数（cdf的反函数 — 百分位数）。
isf(q, a, loc=0, scale=1)逆生存函数（sf的逆函数）。
moment(order, a, loc=0, scale=1)指定阶数的非中心矩。
stats(a, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(a, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(a,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)函数期望值（对于一个参数）相对于分布的期望值。
median(a, loc=0, scale=1)分布的中位数。
mean(a, loc=0, scale=1)分布的均值。
var(a, loc=0, scale=1)分布的方差。
std(a, loc=0, scale=1)分布的标准差。
interval(confidence, a, loc=0, scale=1)置信区间，围绕中位数具有相等面积。

scipy.stats.studentized_range

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.studentized_range.html#scipy.stats.studentized_range

scipy.stats.studentized_range = <scipy.stats._continuous_distns.studentized_range_gen object>

一个学生化范围连续随机变量。

作为rv_continuous类的一个实例，studentized_range对象继承了一系列通用方法（请参见下面的完整列表），并根据这个特定分布的细节进行了补充。

另请参见

t

学生 t 分布

注意

studentized_range的概率密度函数为：

[f(x; k, \nu) = \frac{k(k-1)\nu^{\nu/2}}{\Gamma(\nu/2) 2^{\nu/2-1}} \int_{0}^{\infty} \int_{-\infty}^{\infty} s^{\nu} e^{-\nu s²/2} \phi(z) \phi(sx + z) [\Phi(sx + z) - \Phi(z)]^{k-2} ,dz ,ds]

对于(x ≥ 0)，(k > 1)，和(\nu > 0)。

studentized_range 接受k作为(k)的形状参数，df作为(\nu)的形状参数。

当(\nu)超过 100,000 时，将使用渐近近似（无穷自由度）来计算累积分布函数[4]和概率分布函数。

上述概率密度在“标准化”形式中定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，studentized_range.pdf(x, k, df, loc, scale)与studentized_range.pdf(y, k, df) / scale是完全等价的，其中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；某些分布的非中心推广可在单独的类中找到。

参考文献

[1]

“学生化范围分布”，en.wikipedia.org/wiki/Studentized_range_distribution

[2]

Batista, Ben Dêivide, 等人。“外部学生化正常中程分布。”《科学与农业技术》，第 41 卷，第 4 期，2017 年，第 378-389 页。doi:10.1590/1413-70542017414047716。

[3]

Harter, H. Leon. “Range and Studentized Range 的表格。”《数理统计学年鉴》，第 31 卷，第 4 期，1960 年，第 1122-1147 页。JSTOR，www.jstor.org/stable/2237810. 访问日期：2021 年 2 月 18 日。

[4]

Lund, R. E., 和 J. R. Lund。“算法 AS 190：学生化范围的概率和上分位数。”《皇家统计学会杂志》C 系列（应用统计学），第 32 卷，第 2 期，1983 年，第 204-210 页。JSTOR，www.jstor.org/stable/2347300. 访问日期：2021 年 2 月 18 日。

示例

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

计算前四个矩：

>>> k, df = 3, 10
>>> mean, var, skew, kurt = studentized_range.stats(k, df, moments='mvsk')

显示概率密度函数（pdf）：

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

或者，可以将分布对象作为函数调用，以固定形状、位置和比例参数。这将返回一个“冻结”的 RV 对象，保持给定的参数不变。

冻结分布并显示冻结的 pdf：

>>> rv = studentized_range(k, df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

>>> vals = studentized_range.ppf([0.001, 0.5, 0.999], k, df)
>>> np.allclose([0.001, 0.5, 0.999], studentized_range.cdf(vals, k, df))
True

而不是使用 (studentized_range.rvs) 生成随机变量，对于此分布来说速度非常慢，我们可以使用插值器近似逆 CDF，然后利用这个近似的逆 CDF 进行反变换抽样。

此分布具有无限但很小的右尾，因此我们将注意力集中在最左侧的 99.9%。

>>> a, b = studentized_range.ppf([0, .999], k, df)
>>> a, b
0, 7.41058083802274 

>>> from scipy.interpolate import interp1d
>>> rng = np.random.default_rng()
>>> xs = np.linspace(a, b, 50)
>>> cdf = studentized_range.cdf(xs, k, df)
# Create an interpolant of the inverse CDF
>>> ppf = interp1d(cdf, xs, fill_value='extrapolate')
# Perform inverse transform sampling using the interpolant
>>> r = ppf(rng.uniform(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()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(k, df, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, k, df, loc=0, scale=1)概率密度函数。
logpdf(x, k, df, loc=0, scale=1)概率密度函数的对数。
cdf(x, k, df, loc=0, scale=1)累积分布函数。
logcdf(x, k, df, loc=0, scale=1)累积分布函数的对数。
sf(x, k, df, loc=0, scale=1)生存函数（也定义为 1 - cdf，但有时 sf 更精确）。
logsf(x, k, df, loc=0, scale=1)生存函数的对数。
ppf(q, k, df, loc=0, scale=1)百分点函数（cdf 的逆 —— 百分位数）。
isf(q, k, df, loc=0, scale=1)逆生存函数（sf 的逆）。
moment(order, k, df, loc=0, scale=1)指定阶数的非中心矩。
stats(k, df, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(k, df, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(k, df), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布期望值的函数（一维）进行期望。
median(k, df, loc=0, scale=1)分布的中位数。
mean(k, df, loc=0, scale=1)分布的均值。
var(k, df, loc=0, scale=1)分布的方差。
std(k, df, loc=0, scale=1)分布的标准差。
interval(confidence, k, df, loc=0, scale=1)置信区间，围绕中位数有相等面积。

scipy.stats.t

原文链接：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.t.html#scipy.stats.t

scipy.stats.t = <scipy.stats._continuous_distns.t_gen object>

A Student’s t 连续随机变量。

对于非中心 t 分布，请参见 nct。

作为 rv_continuous 类的一个实例，t 对象继承了一组通用方法（下面详细列出），并以此特定分布的特定细节补充它们。

See also

nct

Notes

t 的概率密度函数为：

[f(x, \nu) = \frac{\Gamma((\nu+1)/2)} {\sqrt{\pi \nu} \Gamma(\nu/2)} (1+x²/\nu)^{-(\nu+1)/2}]

where (x) is a real number and the degrees of freedom parameter (\nu) (denoted df in the implementation) satisfies (\nu > 0). (\Gamma) is the gamma function (scipy.special.gamma).

上述概率密度定义为“标准化”形式。使用 loc 和 scale 参数进行移位和/或缩放分布。具体来说，t.pdf(x, df, loc, scale) 在 y = (x - loc) / scale 的等效性下等同于 t.pdf(y, df) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广在单独的类中可用。

Examples

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

Calculate the first four moments:

>>> df = 2.74
>>> mean, var, skew, kurt = t.stats(df, moments='mvsk')

Display the probability density function (pdf):

>>> x = np.linspace(t.ppf(0.01, df),
...                 t.ppf(0.99, df), 100)
>>> ax.plot(x, t.pdf(x, df),
...        'r-', lw=5, alpha=0.6, label='t pdf')

或者，可以像调用函数一样调用分布对象以固定形状、位置和比例参数。这将返回一个固定给定参数的“冻结”RV 对象。

Freeze the distribution and display the frozen pdf:

>>> rv = t(df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

Check accuracy of cdf and ppf:

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

生成随机数：

>>> r = t.rvs(df, size=1000)

And compare the histogram:

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

Methods

rvs(df, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, df, loc=0, scale=1)概率密度函数。
logpdf(x, df, loc=0, scale=1)概率密度函数的对数。
cdf(x, df, loc=0, scale=1)累积分布函数。
logcdf(x, df, loc=0, scale=1)累积分布函数的对数。
sf(x, df, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更精确）。
logsf(x, df, loc=0, scale=1)生存函数的对数。
ppf(q, df, loc=0, scale=1)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, df, loc=0, scale=1)逆生存函数（sf 的反函数）。
moment(order, df, loc=0, scale=1)指定阶数的非中心矩。
stats(df, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(df, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit中的关键参数文档。
**expect(func, args=(df,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)相对于分布的一个参数的函数的期望值。
median(df, loc=0, scale=1)分布的中位数。
mean(df, loc=0, scale=1)分布的均值。
var(df, loc=0, scale=1)分布的方差。
std(df, loc=0, scale=1)分布的标准差。
interval(confidence, df, loc=0, scale=1)置信区间，围绕中位数具有相等面积的区间。

scipy.stats.trapezoid

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.trapezoid.html#scipy.stats.trapezoid

scipy.stats.trapezoid = <scipy.stats._continuous_distns.trapezoid_gen object>

一个梯形连续随机变量。

作为 rv_continuous 类的一个实例，trapezoid 对象继承了一组通用方法（下面列出完整列表），并使用特定于该特定分布的详细信息进行了补充。

注意事项

梯形分布可以用从 loc 到 (loc + c*scale) 的上坡线表示，然后从 (loc + c*scale) 到 (loc + d*scale) 的常数，最后从 (loc + d*scale) 到 (loc+scale) 的下坡线表示。这定义了从 loc 到 (loc+scale) 的梯形基部，以及与基线上的位置比例成正比的从 c 到 d 的平顶部分，其中 0 <= c <= d <= 1。当 c=d 时，这等同于具有相同 loc、scale 和 c 值的 triang 方法。使用 [1] 中的方法计算矩。

trapezoid的形状参数为 (c) 和 (d)。

上述概率密度在“标准化”形式下定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，trapezoid.pdf(x, c, d, loc, scale) 等价于 trapezoid.pdf(y, c, d) / scale，其中 y = (x - loc) / scale。请注意，移动分布的位置并不使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

标准形式位于区间 [0, 1]，其中 c 是众数。位置参数将起始位置移动到 loc。比例参数将宽度从 1 改变到 scale。

参考文献

[1]

Kacker, R.N. 和 Lawrence, J.F. (2007). 用于标准不确定度类型 B 评估的梯形和三角形分布。Metrologia 44, 117-127. DOI:10.1088/0026-1394/44/2/003

示例

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

计算前四个矩：

>>> 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），以固定形状、位置和比例参数。这将返回一个“冻结”的随机变量对象，保持给定的参数不变。

冻结分布并显示冻结的 pdf：

>>> rv = trapezoid(c, d)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

>>> 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, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

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)累积分布函数的对数。
sf(x, c, d, loc=0, scale=1)生存函数（也定义为 1 - cdf，但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)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, c, d, loc=0, scale=1)逆生存函数（sf 的反函数）。
moment(order, c, d, loc=0, scale=1)指定阶数的非中心矩。
stats(c, d, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）、峰度（‘k’）。
entropy(c, d, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参阅scipy.stats.rv_continuous.fit。
**expect(func, args=(c, d), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)关于分布的函数（一个参数）的期望值。
median(c, d, loc=0, scale=1)分布的中位数。
mean(c, d, loc=0, scale=1)分布的均值。
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(confidence, c, d, loc=0, scale=1)置信区间，围绕中位数等面积分布。

scipy.stats.triang

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.triang.html#scipy.stats.triang

scipy.stats.triang = <scipy.stats._continuous_distns.triang_gen object>

一个三角形连续随机变量。

作为 rv_continuous 类的一个实例，triang 对象继承了一组通用方法（下文列出了全部），并为这个特定分布添加了具体的细节。

注释

三角形分布可以用从 loc 到 (loc + c*scale) 的上斜线表示，然后从 (loc + c*scale) 到 (loc + scale) 的下斜线。

triang 将 c 作为形状参数，范围为 (0 \le c \le 1)。

上述概率密度在“标准化”形式中定义。使用 loc 和 scale 参数来进行分布的移动和/或缩放。具体来说，triang.pdf(x, c, loc, scale) 等同于 triang.pdf(y, c) / scale，其中 y = (x - loc) / scale。请注意，改变分布的位置不会使其成为“非中心”分布；某些分布的非中心推广可在单独的类中找到。

标准形式为 [0, 1] 范围内，c 是众数。位置参数将起始位置移至 loc。尺度参数将宽度从 1 改变至 scale。

示例

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

计算前四个矩：

>>> c = 0.158
>>> mean, var, skew, kurt = triang.stats(c, moments='mvsk')

显示概率密度函数（pdf）：

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

或者，可以调用分布对象（作为函数）以固定形状、位置和尺度参数。这将返回一个“冻结”的 RV 对象，其中给定的参数被固定。

冻结分布并显示冻结的 pdf：

>>> rv = triang(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

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

生成随机数：

>>> r = triang.rvs(c, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)随机变量。
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)累积分布函数的对数。
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)百分位点函数（cdf 的反函数 —— 百分位数）。
isf(q, c, loc=0, scale=1)逆生存函数（sf 的反函数）。
moment(order, c, loc=0, scale=1)指定阶数的非中心矩。
stats(c, loc=0, scale=1, moments=’mv’)均值（‘m’），方差（‘v’），偏度（‘s’），和/或峰度（‘k’）。
entropy(c, loc=0, scale=1)随机变量的（微分）熵。
fit(data)通用数据的参数估计。详细文档请参见scipy.stats.rv_continuous.fit。
**expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)关于分布的函数（一个参数）的期望值。
median(c, loc=0, scale=1)分布的中位数。
mean(c, loc=0, scale=1)分布的均值。
var(c, loc=0, scale=1)分布的方差。
std(c, loc=0, scale=1)分布的标准差。
interval(confidence, c, loc=0, scale=1)中位数周围面积相等的置信区间。

scipy.stats.truncexpon

原文：docs.scipy.org/doc/scipy-1.12.0/reference/generated/scipy.stats.truncexpon.html#scipy.stats.truncexpon

scipy.stats.truncexpon = <scipy.stats._continuous_distns.truncexpon_gen object>

截断指数连续随机变量。

作为 rv_continuous 类的实例，truncexpon 对象继承了一组通用方法（下面列出全部方法），并用此特定分布的细节完成它们。

注意事项

truncexpon 的概率密度函数为：

[f(x, b) = \frac{\exp(-x)}{1 - \exp(-b)}]

对于 (0 <= x <= b)。

truncexpon 以 b 作为形状参数。

上述概率密度函数以“标准化”形式定义。要移位和/或缩放分布，请使用 loc 和 scale 参数。具体而言，truncexpon.pdf(x, b, loc, scale) 与 truncexpon.pdf(y, b) / scale 是完全等效的，其中 y = (x - loc) / scale。请注意，移动分布的位置不会使其成为“非中心”分布；某些分布的非中心推广可以在单独的类中找到。

示例

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

计算前四个矩：

>>> b = 4.69
>>> mean, var, skew, kurt = truncexpon.stats(b, moments='mvsk')

显示概率密度函数（pdf）：

>>> x = np.linspace(truncexpon.ppf(0.01, b),
...                 truncexpon.ppf(0.99, b), 100)
>>> ax.plot(x, truncexpon.pdf(x, b),
...        'r-', lw=5, alpha=0.6, label='truncexpon 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”的随机变量对象，其中给定的参数被固定。

冻结分布并显示冻结的 pdf：

>>> rv = truncexpon(b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = truncexpon.rvs(b, size=1000)

然后比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

方法

rvs(b, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, b, loc=0, scale=1)概率密度函数。
logpdf(x, b, loc=0, scale=1)概率密度函数的对数。
cdf(x, b, loc=0, scale=1)累积分布函数。
logcdf(x, b, loc=0, scale=1)累积分布函数的对数。
sf(x, b, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更准确）。
logsf(x, b, loc=0, scale=1)生存函数的对数（也定义为 1 - cdf，但 sf 有时更准确）。
ppf(q, b, loc=0, scale=1)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, b, loc=0, scale=1)生存函数的反函数（sf 的反函数）。
moment(order, b, loc=0, scale=1)指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(b, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布的一个参数函数的期望值。
median(b, loc=0, scale=1)分布的中位数。
mean(b, loc=0, scale=1)分布的均值。
var(b, loc=0, scale=1)分布的方差。
std(b, loc=0, scale=1)分布的标准差。
interval(confidence, b, loc=0, scale=1)围绕中位数的等面积置信区间。
         truncexpon.ppf(0.99, b), 100)

ax.plot(x, truncexpon.pdf(x, b),
… ‘r-’, lw=5, alpha=0.6, label=‘truncexpon 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”的随机变量对象，其中给定的参数被固定。

冻结分布并显示冻结的 `pdf`：

```py
>>> rv = truncexpon(b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和ppf的准确性：

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

生成随机数：

>>> r = truncexpon.rvs(b, size=1000)

然后比较直方图：

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

[外链图片转存中…(img-4yD3JGMH-1719715387565)]

方法

rvs(b, loc=0, scale=1, size=1, random_state=None)随机变量。
pdf(x, b, loc=0, scale=1)概率密度函数。
logpdf(x, b, loc=0, scale=1)概率密度函数的对数。
cdf(x, b, loc=0, scale=1)累积分布函数。
logcdf(x, b, loc=0, scale=1)累积分布函数的对数。
sf(x, b, loc=0, scale=1)生存函数（也定义为 1 - cdf，但 sf 有时更准确）。
logsf(x, b, loc=0, scale=1)生存函数的对数（也定义为 1 - cdf，但 sf 有时更准确）。
ppf(q, b, loc=0, scale=1)百分位点函数（cdf 的反函数 — 百分位数）。
isf(q, b, loc=0, scale=1)生存函数的反函数（sf 的反函数）。
moment(order, b, loc=0, scale=1)指定阶数的非中心矩。
stats(b, loc=0, scale=1, moments=’mv’)均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(b, loc=0, scale=1)随机变量的（微分）熵。
fit(data)一般数据的参数估计。详细文档请参见 scipy.stats.rv_continuous.fit。
**expect(func, args=(b,), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)对分布的一个参数函数的期望值。
median(b, loc=0, scale=1)分布的中位数。
mean(b, loc=0, scale=1)分布的均值。
var(b, loc=0, scale=1)分布的方差。
std(b, loc=0, scale=1)分布的标准差。
interval(confidence, b, loc=0, scale=1)围绕中位数的等面积置信区间。
绝不原创的飞龙
关注
专栏目录
Scipy官方参考文档
03-31
### Scipy官方参考文档知识点概览 #### 一、Scipy概述 Scipy是一套基于Python的科学计算库，提供了大量的数学算法及函数用于高级数值分析。它建立在NumPy之上，扩展了NumPy的功能，并提供了更多的科学计算工具。...
Scipy文档尝试翻译之二：scipy.stats scipy统计
weixin_41102672的博客
06-05 2378
文章目录统计（scipy.stats）简介随机变量获取帮助公共的方法移动和缩放形状参数广播离散分布的特定点<以下未翻译>拟合分布性能问题和注意事项剩下的问题建立具体分布进行连续分布，即子类化rv_continuous子类rv_discrete分析一个样品描述性统计T检验和KS检验分布尾巴特别测试为正态分布比较两个样本比较装置核密度估计单因素估计多因素估计多尺度图相关（MGC） 统计（scipy.stats） 简介 在本教程中，我们讨论的许多（当然不是全部）功能 scipy.stats。此处的目的
scipy.stats的用法——常见的分布和函数
baby_superman的博客
11-05 2万+
介绍python统计函数库scipy.stats中常见的分布和函数 #commom distributions: ''' uniform,norm,poisson,bernoulli,expon,lognorm norm,t,chi2,f ''' #commom function: ''' rvs产生服从制定分布的随机数 pdf概率密度函数 cdf累计分布函数 sf残存函数(1-cdf) ppf分...
【Python笔记】SciPy的统计模块：scipy.stats
西瓜太郎
01-26 1万+
SciPy的统计模块是scipy.stats，其中有一个类是连续分布的实现，一个类是离散分布的实现。此外，该模块中还有很多用于统计检验的函数。 # 导入包 from scipy import stats import matplotlib.pyplot as plt # 1.使用`scipy.stats`包按正态分布生成随机数 generated = stats.norm.rvs(size=900) # 2.用正态分布去拟合生成的数据，得到其均值和标准差 print("Mean", "Std", sta
Scipy教程 - 统计函数库scipy.stats
热门推荐
皮皮blog
10-30 13万+
http://blog.csdn.net/pipisorry/article/details/49515215统计函数Statistical functions(scipy.stats)Python有一个很好的统计推断包。那就是scipy里面的stats。Scipy的stats模块包含了多种概率分布的随机变量，随机变量分为连续的和离散的两种。所有的连续随机变量都是rv_continuous的派生类
python统计函数库scipy.stats的用法1/3
潜水的飞鱼baby
10-16 6万+
背景总结统计工作中几个常用用法在python统计函数库scipy.stats的使用范例。正态分布的几个范例 生成服从指定分布的随机数 norm.rvs通过loc和scale参数可以指定随机变量的偏移和缩放参数，这里对应的是正态分布的期望和标准差。size得到随机数数组的形状参数。(也可以使用np.random.normal(loc=0.0, scale=1.0, size=None)) In
numpy官方文档1.12版本scipy官方文档0.19版本
03-21
《numpy官方文档1.12版本scipy官方文档0.19版本》是两个非常重要的资源，对于深入了解和使用Python中的数值计算库numpy和科学计算库scipy至关重要。这两个库在数据科学、机器学习和工程计算领域有着广泛的应用。 ...
scipy.norm文档1
08-08
Scipy.Statistics 文档解读 Scipy.Statistics 是 Scipy 库中的一个子包，提供了丰富的统计函数和随机变量分布。下面是对 Scipy.Statistics 文档的解读和总结。 随机变量 Scipy.Statistics 中有两个通用的分布类，...
scipy0.19.1官方文档
09-06
这些包括了foreign function interface（外部函数接口）的改进、scipy.linalg模块的增强、scipy.spatial模块的改进、scipy.ndimage模块的增强、scipy.optimize模块的增强、scipy.signal模块的增强、scipy.fftpack...
scipy参考文档（机器学习）
12-11
SciPy文档详细介绍了如何使用这些功能，还包含了API的导入指南、函数定义以及版本更新日志。此外，文档也鼓励用户参与SciPy社区，无论是通过贡献新代码还是帮助维护现有的代码库。 为了更好地利用SciPy库进行机器...
python scipy模块文档_scipy模块stats文档
weixin_39998462的博客
12-08 483
https://github.com/yiyuezhuo/scipy.stats-doc-chhttps://docs.scipy.org/doc/scipy/reference/tutorial/stats.htmlhttp://blog.csdn.net/pipisorry/article/details/49515215介绍在这个教程我们讨论一部分scipy.stats模块的特性。这里我们的...
Java 代码实现了一个简单的文本编辑器-可运行
10-17
Java 代码实现了一个简单的文本编辑器
MATLAB实现基于Attention-LSTM的多特征分类预测（含完整的程序和代码详解）
10-17
内容概要：本文详细介绍了如何使用MATLAB实现基于Attention机制的LSTM模型进行多特征分类预测。主要内容包括程序设计思路、代码实现、模型构建与训练、模型评估及可视化、以及简单的GUI界面设计。模型可以在多个领域应用，如金融数据分析、医疗诊断等。 适合人群：对深度学习和分类预测感兴趣的科研人员和开发人员，具备一定的MATLAB和深度学习基础。 使用场景及目标：适用于需要处理时间序列数据并进行分类预测的项目。目标是通过Attention-LSTM模型提高分类准确率，同时提供直观的可视化结果和友好的用户界面。 其他说明：文中提供了详细的代码实现和注释，读者可以通过实践加深对模型的理解。此外，还讨论了模型优化和未来的研究方向。
基于Flask和SQLAlchemy 的简易仓库管理系统源码(期末课程设计).zip
10-17
基于Flask和SQLAlchemy 的简易仓库管理系统源码(期末课程设计).zip 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，谈不上高分、满分(多数为夸大其词），但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。如果确定自己是学渣，拿来作毕设、课设直接用也无妨，但自己还是尽可能弄懂项目最好！
民航网上订票系统 JAVA毕业设计 源码+数据库+论文 Vue.js+SpringBoot+MySQL.zip
10-17
民航网上订票系统 JAVA毕业设计 源码+数据库+论文 Vue.js+SpringBoot+MySQL 系统启动教程：https://www.bilibili.com/video/BV11ktveuE2d
JAVA项目报告-闹钟的设计与实现.pdf
10-17
JAVA项目报告-闹钟的设计与实现.pdf
毕业设计论文SpringBoot考试信息报名系统.docx
10-17
毕业设计论文
RJFireWall-maste真资源
10-17
RJFireWall-maste真资源
基于Java的简易学生管理系统开发与实现
最新发布
10-17
内容概要：本文档详细介绍了一种基于 Java 实现的学生管理系统的构建流程，涵盖 Maven 项目的搭建、主要 Java 类的设计（如 Student、StudentManager）及其功能实现（添加学生、删除学生、查询学生、列出所有学生）。项目使用 Java 标准库进行数据处理，并借助简单的文本文件完成数据的持久化保存。 适合人群：对 Java 编程有一定基础，特别是熟悉面向对象概念的初学者或进阶开发者。 使用场景及目标：适用于想要深入理解和掌握如何利用 Java 构建小型应用的开发者；本案例可用于个人学习、教学展示或者小规模学校的初步尝试。 其他说明：该文档不仅提供了详细的代码指导，还涉及到软件工程的基本方法论，有助于提升读者的实际开发能力和技术理解水平。同时，它也是一个良好的练习项目，帮助开发者提高问题解决能力和代码质量意识。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值