柯伊伯#
- astropy.stats.kuiper(data, cdf=<function <lambda>>, args=())[源代码]#
计算柯伊伯统计量。
使用柯伊伯统计版本的Kolmogorov-Smirnov检验来发现
data
从CDF为cdf
.警告
对于实际离散的分布(例如泊松分布),这将无法正常工作。
- 参数:
- data : array_likeNumpy:ARRAY_LIKE
数据值。
- cdf :
callable()
Python:Callable() 一个可调用的函数,用于评估正在测试的分发的CDF。将同时使用所有值的向量调用。默认为均匀分布。
- args列表式,可选
要提供给cdf的其他参数。
- 返回:
笔记
柯伊伯统计量与Kolmogorov-Smirnov检验相似,因为它是非参数的,并且在数据重新参数化的情况下是不变的。此外,柯伊伯统计量在整个领域同样敏感,而且在循环排列下也是不变的(这使得它特别适合于分析循环数据)。
返回(D,fpp),其中D是柯伊伯D数,fpp是从cdf中提取数据时出现与D一样大的值的概率。
警告
fpp只是近似地计算出来的,它可以是真实值的1.5倍。
斯蒂芬斯1970年声称,在检测一个分布的方差变化方面,这比KS更有效;KS(他声称)在检测均值变化方面更为敏感。
如果cdf是通过拟合从数据中获得的,那么fpp是不正确的,需要用montecarlo模拟来解释D。D通常应该与cdf的形状无关。
工具书类
[1]Stephens,M.A.,“Kolmogorov-Smirnov,Cramer Von Mises和相关统计数据的使用,无需大量表格”,《皇家统计学会杂志》。B系列(方法学),第32卷,第1期。(1970年),第115-122页。