scipy.stats.uniform

scipy.stats.uniform = <scipy.stats._continuous_distns.uniform_gen object>

一個均勻連續隨機變數。

在標準形式中，分佈在 [0, 1] 上是均勻的。 使用參數 loc 和 scale，可以獲得在 [loc, loc + scale] 上的均勻分佈。

作為 rv_continuous 類別的一個實例，uniform 物件從它繼承了一組通用方法（完整列表見下文），並用針對此特定分佈的詳細資訊完成它們。

範例

在您的瀏覽器中試試看！

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

計算前四個動差

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

顯示機率密度函數 (pdf)

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

或者，可以呼叫分佈物件（作為函數）來固定形狀、位置和尺度參數。 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 = uniform()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

檢查 cdf 和 ppf 的準確性

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

產生隨機數字

>>> r = uniform.rvs(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()

返回在新分頁中開啟

方法

rvs(loc=0, scale=1, size=1, random_state=None)	隨機變數。
pdf(x, loc=0, scale=1)	機率密度函數。
logpdf(x, loc=0, scale=1)	機率密度函數的對數。
cdf(x, loc=0, scale=1)	累積分布函數。
logcdf(x, loc=0, scale=1)	累積分布函數的對數。
sf(x, loc=0, scale=1)	存活函數（也定義為 1 - cdf，但 sf 有時更準確）。
logsf(x, loc=0, scale=1)	存活函數的對數。
ppf(q, loc=0, scale=1)	百分點函數（cdf 的反函數 — 百分位數）。
isf(q, loc=0, scale=1)	反向存活函數（sf 的反函數）。
moment(order, loc=0, scale=1)	指定階數的非中心動差。
stats(loc=0, scale=1, moments=’mv’)	平均值（'m'）、變異數（'v'）、偏度（'s'）和/或峰度（'k'）。
entropy(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=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	函數（一個引數）關於分佈的期望值。
median(loc=0, scale=1)	分佈的中位數。
mean(loc=0, scale=1)	分佈的平均值。
var(loc=0, scale=1)	分佈的變異數。
std(loc=0, scale=1)	分佈的標準差。
interval(confidence, loc=0, scale=1)	圍繞中位數的等面積信賴區間。