Ctrl+K

scipy.stats.truncexpon#

scipy.stats.truncexpon = <scipy.stats._continuous_distns.truncexpon_gen object>[source]#

截斷指數連續隨機變數。

作為 rv_continuous 類別的一個實例，truncexpon 物件繼承了它的一系列通用方法（完整列表請見下方），並以針對此特定分佈的詳細資訊加以完善。

筆記

truncexpon 的機率密度函數為

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

對於 \(0 <= x <= b\)。

truncexpon 接受 b 作為 \(b\) 的形狀參數。

上述機率密度定義為「標準化」形式。若要平移和/或縮放分佈，請使用 loc 和 scale 參數。具體來說，truncexpon.pdf(x, b, loc, scale) 與 truncexpon.pdf(y, b) / scale 完全等效，其中 y = (x - loc) / scale。請注意，平移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。

範例

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

計算前四個動差

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

顯示機率密度函數 (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，可以呼叫分佈物件（作為函數）來固定形狀、位置和縮放參數。這會返回一個「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 = truncexpon(b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

檢查 cdf 和 ppf 的準確性

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

生成隨機數

>>> r = truncexpon.rvs(b, 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-truncexpon-1.png

方法

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

隨機變量。

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

機率密度函數。

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

機率密度函數的對數。

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

累積分布函數。

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

累積分布函數的對數。

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

生存函數（也定義為 1 - cdf，但 sf 有時更準確）。

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

生存函數的對數。

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

百分點函數（cdf 的反函數 — 百分位數）。

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

反生存函數（sf 的反函數）。

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

指定階數的非中心動差。

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

平均值（'m'）、變異數（'v'）、偏度（'s'）和/或峰度（'k'）。

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

RV 的（微分）熵。

fit(data)

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

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

關於分佈的函數（單一參數）的期望值。

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

分佈的中位數。

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

分佈的平均值。

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

分佈的變異數。

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

分佈的標準差。

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

圍繞中位數的等面積信賴區間。
本頁面