Python SciPy stats.trapezoid用法及代码示例

本文简要介绍 python 语言中 scipy.stats.trapezoid 的用法。

用法:

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

梯形连续随机变量。

作为 rv_continuous 类的实例，trapezoid 对象从它继承了一组通用方法(完整列表见下文)，并用特定于此特定发行版的详细信息来完成它们。

注意：

梯形分布可以用 up-sloping 线表示loc到(loc + c*scale)，然后常数为(loc + d*scale)然后从(loc + d*scale)到(loc+scale).这定义了梯形底loc到(loc+scale)和平顶从c到d与沿基部的位置成正比0 <= c <= d <= 1.什么时候c=d, 这相当于scipy.stats.triang具有相同的值位置,规模和c.的方法[1]用于计算矩。

trapezoid 将\(c\) 和\(d\) 作为形状参数。

上面的概率密度在“standardized” 表格中定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，trapezoid.pdf(x, c, d, loc, scale) 等同于 trapezoid.pdf(y, c, d) / scale 和 y = (x - loc) / scale 。请注意，移动分布的位置不会使其成为“noncentral” 分布；某些分布的非中心概括可在单独的类中获得。

标准格式在 [0, 1] 范围内，模式为 c。 location 参数将起点转移到 loc。 scale 参数将宽度从 1 更改为 scale。

参考：

[1]

卡克尔，注册护士和劳伦斯，J.F. (2007)。用于标准不确定度 B 型评估的梯形和三角形分布。计量学 44, 117-127。 DOI:10.1088/0026-1394/44/2/003

例子：

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

计算前四个时刻：

>>> 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)来固定形状、位置和比例参数。这将返回一个 “frozen” RV 对象，其中包含固定的给定参数。

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()