文档中有例子，要保证python代码输出结果与例子相近

为了确保 Python 代码输出的结果与文档中的例子相近，可以参考以下步骤：

1. **生成随机样本**：使用 `numpy` 或 `scipy.stats.gamma` 生成符合给定参数的随机样本。
2. **参数估计**：实现概率权重矩法 (PWM) 和权函数法 (MOM) 进行参数估计。
3. **计算评价指标**：计算均值、均方误、相对偏差均值和相对根均方误等评价指标。
4. **比较结果**：将计算结果与文档中的例子进行对比，确保结果相近。

以下是一个示例代码，展示了如何实现上述步骤：

import numpy as np
from scipy.stats import gamma

# 总体参数
n = 500
EX = 1042.27
Cv = 0.18
Cs = 0.36

# 生成随机样本
np.random.seed(42)
shape = (Cs + 3 * Cv + 3) / (2 * (Cv**2))
scale = EX / shape
samples = gamma.rvs(shape, scale=scale, size=(n, 50))

# 参数估计方法
def pwm_method(sample):
    # 实现概率权重矩法
    n = len(sample)
    m1 = np.mean(sample)
    m2 = np.sum((i / n) * sample[i] for i in range(n)) / n
    m3 = np.sum(((i + 1) / (n + 1)) * sample[i] for i in range(n)) / n
    alpha = (m2 - m1**2) / (m3 - m2)
    beta = m1 / alpha
    return alpha, beta

def mom_method(sample):
    # 实现权函数法
    mean = np.mean(sample)
    var = np.var(sample, ddof=1)
    skew = np.mean((sample - mean)**3) / var**(3/2)
    shape = 4 / (skew**2)
    scale = mean / shape
    return shape, scale

# 计算评价指标
def evaluate_methods(samples):
    results = {
        'EEX': [],
        'ECv': [],
        'ECs': [],
        'SEX': [],
        'SCv': [],
        'SCs': [],
        'B': [],
        'S': []
    }
    
    for sample in samples:
        pwm_alpha, pwm_beta = pwm_method(sample)
        mom_alpha, mom_beta = mom_method(sample)
        
        pwm_mean = gamma.mean(pwm_alpha, scale=pwm_beta)
        pwm_var = gamma.var(pwm_alpha, scale=pwm_beta)
        pwm_skew = gamma.stats(pwm_alpha, scale=pwm_beta, moments='s')
        
        mom_mean = gamma.mean(mom_alpha, scale=mom_beta)
        mom_var = gamma.var(mom_alpha, scale=mom_beta)
        mom_skew = gamma.stats(mom_alpha, scale=mom_beta, moments='s')
        
        results['EEX'].append((pwm_mean, mom_mean))
        results['ECv'].append((np.sqrt(pwm_var) / pwm_mean, np.sqrt(mom_var) / mom_mean))
        results['ECs'].append((pwm_skew, mom_skew))
        results['SEX'].append((abs(pwm_mean - EX) / EX, abs(mom_mean - EX) / EX))
        results['SCv'].append((abs(np.sqrt(pwm_var) / pwm_mean - Cv) / Cv, abs(np.sqrt(mom_var) / mom_mean - Cv) / Cv))
        results['SCs'].append((abs(pwm_skew - Cs) / Cs, abs(mom_skew - Cs) / Cs))
        results['B'].append((pwm_mean / EX - 1, mom_mean / EX - 1))
        results['S'].append((np.sqrt(np.mean([(x - EX)**2 for x in sample])) / EX, np.sqrt(np.mean([(x - EX)**2 for x in sample])) / EX))
    
    return results

results = evaluate_methods(samples)

# 打印结果
for key, values in results.items():
    print(f"{key}: {np.mean(values, axis=0)}")

### 解释
1. **生成随机样本**：使用 `gamma.rvs` 生成符合给定参数的随机样本。
2. **参数估计方法**：实现了概率权重矩法 (PWM) 和权函数法 (MOM)。
3. **计算评价指标**：计算了均值、均方误、相对偏差均值和相对根均方误等评价指标，并存储在字典中。
4. **打印结果**：输出了每种方法的平均评价指标。

运行上述代码后，你可以将输出结果与文档中的例子进行对比，确保结果相近。如果需要进一步调整，可以根据具体需求微调参数或方法。