Ctrl+K

scipy.stats.triang#

scipy.stats.triang = <scipy.stats._continuous_distns.triang_gen object>[原始碼]#

三角形連續隨機變數。

作為 rv_continuous 類別的實例，triang 物件繼承了它的一系列通用方法（完整列表請見下方），並使用此特定分佈的詳細資訊來完善它們。

筆記

三角形分佈可以用從 loc 到 (loc + c*scale) 的向上傾斜線，然後從 (loc + c*scale) 到 (loc + scale) 的向下傾斜線來表示。

triang 採用 c 作為形狀參數，其中 \(0 \le c \le 1\)。

上面的機率密度是在「標準化」形式中定義的。若要平移和/或縮放分佈，請使用 loc 和 scale 參數。具體而言，triang.pdf(x, c, loc, scale) 與 triang.pdf(y, c) / scale 完全等效，其中 y = (x - loc) / scale。請注意，移動分佈的位置不會使其成為「非中心」分佈；某些分佈的非中心推廣在單獨的類別中提供。

標準形式在範圍 [0, 1] 內，其中 c 為眾數。位置參數將起點移動到 loc。比例參數將寬度從 1 更改為 scale。

範例

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

計算前四個動差

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

顯示機率密度函數 (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，可以呼叫分佈物件（作為函數）來固定形狀、位置和比例參數。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 pdf

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

檢查 cdf 和 ppf 的準確性

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

產生隨機數

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

並比較直方圖

>>> 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()
../../_images/scipy-stats-triang-1.png

方法

rvs(c, loc=0, scale=1, size=1, random_state=None)

隨機變量。

pdf(x, c, loc=0, scale=1)

機率密度函數。

logpdf(x, c, loc=0, scale=1)

機率密度函數的對數。

cdf(x, c, loc=0, scale=1)

累積分佈函數。

logcdf(x, c, loc=0, scale=1)

累積分佈函數的對數。

sf(x, c, loc=0, scale=1)

生存函數（也定義為 1 - cdf，但 sf 有時更準確）。

logsf(x, c, loc=0, scale=1)

生存函數的對數。

ppf(q, c, loc=0, scale=1)

百分點函數（cdf 的反函數 — 百分位數）。

isf(q, c, loc=0, scale=1)

反生存函數（sf 的反函數）。

moment(order, c, loc=0, scale=1)

指定階數的非中心動差。

stats(c, loc=0, scale=1, moments=’mv’)

平均值（'m'）、變異數（'v'）、偏度（'s'）和/或峰度（'k'）。

entropy(c, loc=0, scale=1)

RV 的（微分）熵。

fit(data)

通用資料的參數估計。有關關鍵字引數的詳細文件，請參閱 scipy.stats.rv_continuous.fit。

expect(func, args=(c,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

關於分佈的函數（一個引數）的期望值。

median(c, loc=0, scale=1)

分佈的中位數。

mean(c, loc=0, scale=1)

分佈的平均值。

var(c, loc=0, scale=1)

分佈的變異數。

std(c, loc=0, scale=1)

分佈的標準差。

interval(confidence, c, loc=0, scale=1)

具有圍繞中位數的相等區域的信賴區間。
在本頁面上