scipy.stats.logser

scipy.stats.logser = <scipy.stats._discrete_distns.logser_gen object>

对数（对数级数，级数）离散随机变量。

作为 rv_discrete 类的一个实例，logser 对象继承了它的一系列通用方法（完整列表见下文），并根据此特定分布的细节对其进行了补充。

方法

rvs(p, loc=0, size=1, random_state=None)	随机变量。
pmf(k, p, loc=0)	概率质量函数。
logpmf(k, p, loc=0)	概率质量函数的对数。
cdf(k, p, loc=0)	累积分布函数。
logcdf(k, p, loc=0)	累积分布函数的对数。
sf(k, p, loc=0)	生存函数 (也定义为 1 - cdf，但 sf 有时更精确)。
logsf(k, p, loc=0)	生存函数的对数。
ppf(q, p, loc=0)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, p, loc=0)	逆生存函数（sf 的逆函数）。
stats(p, loc=0, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。
entropy(p, loc=0)	（微分）随机变量的熵。
expect(func, args=(p,), loc=0, lb=None, ub=None, conditional=False)	函数（单参数）相对于分布的期望值。
median(p, loc=0)	分布的中位数。
mean(p, loc=0)	分布的均值。
var(p, loc=0)	分布的方差。
std(p, loc=0)	分布的标准差。
interval(confidence, p, loc=0)	在中位数周围等面积的置信区间。

注释

logser 的概率质量函数为：

\[f(k) = - \frac{p^k}{k \log(1-p)}\]

对于 \(k \ge 1\)，\(0 < p < 1\)

logser 以 \(p\) 为形状参数，其中 \(p\) 是单次成功的概率，而 \(1-p\) 是单次失败的概率。

上述概率质量函数是以“标准化”形式定义的。要移动分布，请使用 loc 参数。具体来说，logser.pmf(k, p, loc) 完全等同于 logser.pmf(k - loc, p)。

示例

Try it in your browser!

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

计算前四个矩：

>>> p = 0.6
>>> mean, var, skew, kurt = logser.stats(p, moments='mvsk')

显示概率质量函数 (pmf)：

>>> x = np.arange(logser.ppf(0.01, p),
...               logser.ppf(0.99, p))
>>> ax.plot(x, logser.pmf(x, p), 'bo', ms=8, label='logser pmf')
>>> ax.vlines(x, 0, logser.pmf(x, p), colors='b', lw=5, alpha=0.5)

或者，分布对象可以被调用（作为函数）来固定形状和位置。这将返回一个持有给定参数固定的“冻结”RV对象。

冻结分布并显示冻结的 pmf：

>>> rv = logser(p)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

检查 cdf 和 ppf 的准确性：

>>> prob = logser.cdf(x, p)
>>> np.allclose(x, logser.ppf(prob, p))
True

生成随机数：

>>> r = logser.rvs(p, size=1000)

Go BackOpen In Tab