scipy.stats.weibull_min

scipy.stats.weibull_min（* args，** kwds ）= <scipy.stats._continuous_distns.weibull_max_gen object>源码
威布尔最小连续随机变量。

作为rv_continuous类的实例，weibull_max继承了这个类的一切通用方法（请参见下面的完整列表），并使用此分布的公式来完善它们。

也可以看看
weibull_min

笔记

weibull_max的概率密度函数为：
f(x,c)=c(x)c−1e−(x)cf(x,c)=c(x)^{c-1}e^{-(x)^c}f(x,c)=c(x)c−1e−(x)c

x<0,c>0。
weibull_max采取c作为形状参数。

以上的概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，weibull_min.pdf(x, c, loc, scale)相当于用 weibull_min.pdf(y, c) / scale，其中y = (x - loc) / scale

译者注：原文中公式如此，但是以上的公式可能与我们常见的weibull分布的pdf形式不同（以下为三参数）：
f(t)=βη(T−γη)β−1e−(T−γη)βf(t)=\frac{\beta}{\eta}(\frac{T-\gamma}{\eta})^{\beta-1}e^{-(\frac{T-\gamma}{\eta})^\beta}f(t)=ηβ(ηT−γ)β−1e−(ηT−γ)β
其中T,β,η都是大于0的其中T,\beta,\eta都是大于0的其中T,β,η都是大于0的
如果直接用loc和scale换进去，看上去可能成这个样子：
f(t)=c(T−locscale)c−1e−(T−locscale)cf(t)=c(\frac{T-loc}{scale})^{c-1}e^{-(\frac{T-loc}{scale})^c}f(t)=c(scaleT−loc)c−1e−(scaleT−loc)c
公式前的c没有除以尺度参数scale，看上去不对劲。不过，实际情况并不是这样。
真正将y替换为(x-loc)/scale只是在累积分布函数cdf中发生的，而pdf则是相当于对替换完的cdf求了个导数。因此当实际运行的时候，cdf的公式变成了这样：
F(t)=e−(x−locscale)cF(t)=e^{-(\frac{x-loc}{scale})^c}F(t)=e−(scalex−loc)c
pdf它的公式则是cdf的导数，是这样的：
f(t)=cscale(T−locscale)c−1e−(T−locscale)cf(t)=\frac{c}{scale}(\frac{T-loc}{scale})^{c-1}e^{-(\frac{T-loc}{scale})^c}f(t)=scalec(scaleT−loc)c−1e−(scaleT−loc)c
我们可以做个试验验证一下：
运行以下代码：

from scipy.stats import weibull_min
import matplotlib.pyplot as plt
import numpy as np
c = 1.79
x = np.linspace(0,
5, 100)
scale=3# 设置尺度参数为3
plt.plot(x, weibull_min.pdf(x, c,scale=scale),
‘r-’, lw=5, alpha=0.6, label=‘weibull_min pdf’)# 调用weibull_main绘制，红线
rv = weibull_min( c )
plt.plot(x, c/scale*(x/scale)**(c-1)*np.e**(-(x/scale)**c),
‘k-’, lw=2, label=‘pdf formula’)# 按照pdf公式绘制，黑线
plt.legend(loc=‘best’, frameon=False)
plt.show()

由此我们可以得到如下的拟合图像：

可以看出其中的pdf是正确的，与pdf公式得到的结果完全吻合。

例子

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

首先计算一下：

>>> c = 1.79
>>> mean, var, skew, kurt = weibull_min.stats(c, moments='mvsk')

绘制概率密度函数（pdf）：

>>> x = np.linspace(weibull_min.ppf(0.01, c),
...                 weibull_min.ppf(0.99, c), 100)
>>> ax.plot(x, weibull_min.pdf(x, c),
...        'r-', lw=5, alpha=0.6, label='weibull_min pdf')

或者，可以调用分布对象（作为函数）以固定形状，位置和比例参数。这将返回一个“冻结的” RV对象，该对象固定了给定的参数。

冻结分布并显示冻结的pdf：

>>> rv = weibull_min(c)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查cdf和的准确性ppf：

>>> vals = weibull_min.ppf([0.001, 0.5, 0.999], c)
>>> np.allclose([0.001, 0.5, 0.999], weibull_min.cdf(vals, c))
True

生成随机数：

>>> r = weibull_min.rvs(c, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

方法

方法	用途
rvs（c，loc = 0，scale = 1，size = 1，random_state = None）	随机变量生成。
pdf（x，c，loc = 0，scale = 1）	概率密度函数。
logpdf（x，c，loc = 0，scale = 1）	概率密度函数的对数。
cdf（x，c，loc = 0，scale = 1）	累积分布函数。
logcdf（x，c，loc = 0，scale = 1）	累积分布函数的日志。
sf（x，c，loc = 0，scale = 1）	生存函数（也定义为1-cdf，但sf有时更准确）
logsf（x，c，loc = 0，scale = 1）	生存函数的对数。
ppf（q，c，loc = 0，scale = 1）	百分比点函数（与cdf—百分位数相反）
isf（q，c，loc = 0，scale = 1）	逆生存函数（的逆sf）
moment（n，c，loc = 0，scale = 1）	n阶非中心矩
stats（c，loc = 0，scale = 1，moments =‘mv’）	均值（‘m’），方差（‘v’），偏斜（‘s’）和/或峰度（‘k’）。
entropy（c，loc = 0，scale = 1）	RV的（微分）熵。
fit（data，C，loc= 0，scale= 1）	通用数据的参数估计。
expect（func，args =（c，），loc = 0，scale = 1，lb = None，ub = None，conditional= False，** kwds)	函数（单参数）相对于分布的期望值。
median（c，loc = 0，scale = 1）	分布的中位数。
mean（c，loc = 0，scale = 1）	分布的平均值。
var（c，loc = 0，scale = 1）	分布的方差。
std（c，loc = 0，scale = 1）	分布的标准偏差。
interval（alpha，c，loc = 0，scale = 1）	包含分布的Alpha百分比的范围的端点

scipy,weibull_min中文翻译(也就是一般的weibull分布，可以通过改变参数设置为三参数或者两参数。)相关推荐

ElasticSearch Java High level Rest Client 官方文档中文翻译(一)
ElasticSearch Java High level Rest Client 官方文档中文翻译一纯粹记录自己在看官网的es rest high level api 时的翻译笔记,可以对照着官 ...
【R-CNN论文翻译】目标检测经典论文R-CNN最新版本（v5版）全面中文翻译
R-CNN目标检测的奠基性文章,学习目标检测必看的经典论文之一,后续有Fast R-CNN,Faster R-CNN一系列论文. 目前网上能找到的论文翻译版本要么不全,要么不是最新版本的(论文从201 ...
rfc-3227中文翻译
本人翻译的RFC-3227,<电子证据收集.保管指南>. 译者:孙达(ntbbc@hotmail.com) 发布:networkmanager.blogchina.com 译文发布时间:2 ...
对1976年Diffie和Hellman的文章《New Direction in Cryptography》的中文翻译
中文翻译(1976-Diffie-Hellman) 密码学新方向摘要本文介绍了两种当前密码学的发展技术.远程处理的广泛应用导致了对新型密码系统的需求,这种系统可以最大限度地减少对安全密钥分发通 ...
论文中文翻译——Double-Fetch情况如何演变为Double-Fetch漏洞：Linux内核中的双重获取研究
本论文相关内容论文下载地址--Web Of Science 论文中文翻译--How Double-Fetch Situations turn into Double-Fetch Vulnerabil ...
DirectPlay SDK中文翻译
DirectPlay SDK中文翻译--Introduction To DirectPlay Introduction To DirectPlay 目录: Creating and Managing ...
Paxos Made Simple【中文翻译注解】
paxos made simple [ 翻译自 Leslie Lamport 论文 http://lamport.azurewebsites.net/pubs/paxos-simple.pdf , ...
YOLOv4全文阅读（全文中文翻译）
YOLOv4全文阅读(全文中文翻译) YOLOv4: Optimal Speed and Accuracy of Object Detection 论文链接: https://arxiv.org/pd ...

scipy,weibull_min中文翻译(也就是一般的weibull分布，可以通过改变参数设置为三参数或者两参数。)

scipy.stats.weibull_min

笔记

例子

方法

scipy,weibull_min中文翻译(也就是一般的weibull分布，可以通过改变参数设置为三参数或者两参数。)相关推荐

最新文章

热门文章