scipy.stats.randint

scipy.stats.randint = <scipy.stats._discrete_distns.randint_gen object>

一个均匀离散随机变量。

作为 rv_discrete 类的一个实例，randint 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(low, high, loc=0, size=1, random_state=None)	随机变量。
pmf(k, low, high, loc=0)	概率质量函数。
logpmf(k, low, high, loc=0)	概率质量函数的对数。
cdf(k, low, high, loc=0)	累积分布函数。
logcdf(k, low, high, loc=0)	累积分布函数的对数。
sf(k, low, high, loc=0)	生存函数 (也定义为 1 - cdf，但 sf 有时更精确)。
logsf(k, low, high, loc=0)	生存函数的对数。
ppf(q, low, high, loc=0)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, low, high, loc=0)	逆生存函数（sf 的逆函数）。
stats(low, high, loc=0, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。
entropy(low, high, loc=0)	（微分）随机变量的熵。
expect(func, args=(low, high), loc=0, lb=None, ub=None, conditional=False)	函数（单参数）相对于分布的期望值。
median(low, high, loc=0)	分布的中位数。
mean(low, high, loc=0)	分布的均值。
var(low, high, loc=0)	分布的方差。
std(low, high, loc=0)	分布的标准差。
interval(confidence, low, high, loc=0)	在中位数周围等面积的置信区间。

注释

randint 的概率质量函数为：

\[f(k) = \frac{1}{\texttt{高} - \texttt{低}}\]

对于 \(k \in \{\texttt{低}, \dots, \texttt{高} - 1\}\)。

randint 接受 \(\texttt{low}\) 和 \(\texttt{high}\) 作为形状参数。

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，randint.pmf(k, low, high, loc) 完全等价于 randint.pmf(k - loc, low, high)。

示例

Try it in your browser!

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

计算前四个矩：

>>> low, high = 7, 31
>>> mean, var, skew, kurt = randint.stats(low, high, moments='mvsk')

显示概率质量函数 (pmf)：

>>> x = np.arange(low - 5, high + 5)
>>> ax.plot(x, randint.pmf(x, low, high), 'bo', ms=8, label='randint pmf')
>>> ax.vlines(x, 0, randint.pmf(x, low, high), 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 = randint(low, high)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-',
...           lw=1, label='frozen pmf')
>>> ax.legend(loc='lower center')
>>> plt.show()

检查累积分布函数 (cdf) 与其逆函数，即百分点函数 (ppf) 之间的关系：

>>> q = np.arange(low, high)
>>> p = randint.cdf(q, low, high)
>>> np.allclose(q, randint.ppf(p, low, high))
True

生成随机数：

>>> r = randint.rvs(low, high, size=1000)

Go BackOpen In Tab