Là một thể hiện của lớp, đối tượng kế thừa từ nó một tập hợp các phương thức chung [xem bên dưới để biết danh sách đầy đủ] và hoàn thành chúng với các chi tiết cụ thể cho phân phối cụ thể này
ghi chú
Hàm mật độ xác suất cho là
\[f[x, a, b] = \frac{\Gamma[a+b] x^{a-1} [1-x]^{b-1}} {\Gamma[a] \Gamma[b
for \[0 , \[a > 0 . , \[b > 0\], where \[\Gamma\] is the gamma function [].
nhận \[a\] và \[b\] as shape parameters.
Mật độ xác suất ở trên được định nghĩa ở dạng “chuẩn hóa”. Để dịch chuyển và/hoặc chia tỷ lệ phân phối, hãy sử dụng các tham số
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']2 và
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']3. Cụ thể,
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']4 tương đương hoàn toàn với
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']5 với
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']6. Lưu ý rằng việc thay đổi vị trí của một bản phân phối không biến nó thành một bản phân phối “không tập trung”;
ví dụ
>>> import numpy as np >>> from scipy.stats import beta >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots[1, 1]
Tính bốn khoảnh khắc đầu tiên
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']
Hiển thị hàm mật độ xác suất [
>>> a, b = 2.31, 0.627 >>> mean, var, skew, kurt = beta.stats[a, b, moments='mvsk']7]
________số 8
Ngoài ra, đối tượng phân phối có thể được gọi [dưới dạng hàm] để sửa các tham số hình dạng, vị trí và tỷ lệ. Điều này trả về một đối tượng RV "đóng băng" giữ cố định các tham số đã cho