Python SciPy stats.trapezoid用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.trapezoid 的用法。

用法:

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

梯形連續隨機變量。

作為 rv_continuous 類的實例，trapezoid 對象從它繼承了一組通用方法(完整列表見下文)，並用特定於此特定發行版的詳細信息來完成它們。

注意：

梯形分布可以用 up-sloping 線表示loc到(loc + c*scale)，然後常數為(loc + d*scale)然後從(loc + d*scale)到(loc+scale).這定義了梯形底loc到(loc+scale)和平頂從c到d與沿基部的位置成正比0 <= c <= d <= 1.什麽時候c=d, 這相當於scipy.stats.triang具有相同的值位置,規模和c.的方法[1]用於計算矩。

trapezoid 將\(c\) 和\(d\) 作為形狀參數。

上麵的概率密度在“standardized” 表格中定義。要移動和/或縮放分布，請使用 loc 和 scale 參數。具體來說，trapezoid.pdf(x, c, d, loc, scale) 等同於 trapezoid.pdf(y, c, d) / scale 和 y = (x - loc) / scale 。請注意，移動分布的位置不會使其成為“noncentral” 分布；某些分布的非中心概括可在單獨的類中獲得。

標準格式在 [0, 1] 範圍內，模式為 c。 location 參數將起點轉移到 loc。 scale 參數將寬度從 1 更改為 scale。

參考：

[1]

卡克爾，注冊護士和勞倫斯，J.F. (2007)。用於標準不確定度 B 型評估的梯形和三角形分布。計量學 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)

計算前四個時刻：

>>> c, d = 0.2, 0.8
>>> mean, var, skew, kurt = trapezoid.stats(c, d, moments='mvsk')

顯示概率密度函數(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，可以調用分布對象(作為函數)來固定形狀、位置和比例參數。這將返回一個 “frozen” RV 對象，其中包含固定的給定參數。

凍結分布並顯示凍結的 pdf ：

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

檢查 cdf 和 ppf 的準確性：

>>> 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

生成隨機數：

>>> r = trapezoid.rvs(c, d, 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()