scipy.stats.randint

scipy.stats.randint = object>

Равномерная дискретная случайная величина.

Как экземпляр rv_discrete класс, randint объект наследует от него коллекцию общих методов (см. ниже полный список), и дополняет их деталями, специфичными для этого конкретного распределения.

Методы

rvs(low, high, loc=0, size=1, random_state=None)	Случайные величины.
pmf(k, low, high, loc=0)	Функция вероятности массы.
logpmf(k, low, high, loc=0)	Логарифм функции вероятности.
cdf(k, low, high, loc=0)	Интегральная функция распределения.
logcdf(k, low, high, loc=0)	Логарифм функции кумулятивного распределения.
sf(k, low, high, loc=0)	Функция выживания (также определяется как 1 - cdf, но sf иногда более точный).
logsf(k, low, high, loc=0)	Логарифм функции выживания.
ppf(q, low, high, loc=0)	Процентная точка функции (обратная cdf — процентили).
isf(q, low, high, loc=0)	Обратная функция выживания (обратная к sf).
stats(low, high, loc=0, moments=’mv’)	Среднее ('m'), дисперсия ('v'), асимметрия ('s') и/или эксцесс ('k').
entropy(low, high, loc=0)	(Дифференциальная) энтропия случайной величины.
expect(func, args=(low, high), loc=0, lb=None, ub=None, conditional=False)	Ожидаемое значение функции (одного аргумента) относительно распределения.
median(low, high, loc=0)	Медиана распределения.
mean(low, high, loc=0)	Среднее распределения.
var(low, high, loc=0)	Дисперсия распределения.
std(low, high, loc=0)	Стандартное отклонение распределения.
interval(confidence, low, high, loc=0)	Доверительный интервал с равными площадями вокруг медианы.

Примечания

Функция вероятности массы для randint равен:

\[f(k) = \frac{1}{\texttt{high} - \texttt{low}}\]

для \(k \in \{\texttt{low}, \dots, \texttt{high} - 1\}\).

randint принимает \(\texttt{low}\) и \(\texttt{high}\) как параметры формы.

Функция вероятности массы выше определена в «стандартизированной» форме. Для сдвига распределения используйте loc параметра. В частности, randint.pmf(k, low, high, loc) тождественно эквивалентно randint.pmf(k - loc, low, high).

Примеры

Попробуйте в вашем браузере!

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

Вычислить первые четыре момента:

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

Отображение функции вероятности массы (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)

Альтернативно, объект распределения может быть вызван (как функция) для фиксации формы и положения. Это возвращает "замороженный" объект случайной величины, содержащий заданные фиксированные параметры.

Зафиксировать распределение и отобразить зафиксированное 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()

Проверить связь между функцией распределения (cdf) и обратная ей функция, функция процентной точки (ppf):

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

Генерировать случайные числа:

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

НазадОткрыть во вкладке