scipy.stats.dlaplace

scipy.stats.dlaplace = <scipy.stats._discrete_distns.dlaplace_gen object>

拉普拉斯離散隨機變數。

作為 rv_discrete 類別的實例，dlaplace 物件繼承了其通用方法集合（完整列表請見下方），並以針對此特定分佈的詳細資訊完成它們。

筆記

dlaplace 的機率質量函數為

\[f(k) = \tanh(a/2) \exp(-a |k|)\]

對於整數 \(k\) 和 \(a > 0\)。

dlaplace 採用 \(a\) 作為形狀參數。

上面的機率質量函數以「標準化」形式定義。若要移動分佈，請使用 loc 參數。具體而言，dlaplace.pmf(k, a, loc) 與 dlaplace.pmf(k - loc, a) 完全等效。

範例

在您的瀏覽器中試試看！

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

計算前四個動差

>>> a = 0.8
>>> mean, var, skew, kurt = dlaplace.stats(a, moments='mvsk')

顯示機率質量函數 (pmf)

>>> x = np.arange(dlaplace.ppf(0.01, a),
...               dlaplace.ppf(0.99, a))
>>> ax.plot(x, dlaplace.pmf(x, a), 'bo', ms=8, label='dlaplace pmf')
>>> ax.vlines(x, 0, dlaplace.pmf(x, a), colors='b', lw=5, alpha=0.5)

或者，可以呼叫分佈物件（作為函數）來固定形狀和位置。這會傳回一個「凍結」的 RV 物件，其中保存了給定的固定參數。

凍結分佈並顯示凍結的 pmf

>>> rv = dlaplace(a)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

檢查 cdf 和 ppf 的準確性

>>> prob = dlaplace.cdf(x, a)
>>> np.allclose(x, dlaplace.ppf(prob, a))
True

產生隨機數字

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

返回在新分頁中開啟

方法

rvs(a, loc=0, size=1, random_state=None)	隨機變量。
pmf(k, a, loc=0)	機率質量函數。
logpmf(k, a, loc=0)	機率質量函數的對數。
cdf(k, a, loc=0)	累積分布函數。
logcdf(k, a, loc=0)	累積分布函數的對數。
sf(k, a, loc=0)	存活函數（也定義為 1 - cdf，但 sf 有時更準確）。
logsf(k, a, loc=0)	存活函數的對數。
ppf(q, a, loc=0)	百分點函數（cdf 的反函數 — 百分位數）。
isf(q, a, loc=0)	反向存活函數（sf 的反函數）。
stats(a, loc=0, moments=’mv’)	平均值 ('m')、變異數 ('v')、偏度 ('s') 和/或峰度 ('k')。
entropy(a, loc=0)	RV 的（微分）熵。
expect(func, args=(a,), loc=0, lb=None, ub=None, conditional=False)	關於分佈的函數（單一引數）的期望值。
median(a, loc=0)	分佈的中位數。
mean(a, loc=0)	分佈的平均值。
var(a, loc=0)	分佈的變異數。
std(a, loc=0)	分佈的標準差。
interval(confidence, a, loc=0)	具有圍繞中位數的相等面積的信賴區間。