柯伊伯

astropy.stats.kuiper(data, cdf=<function <lambda>>, args=())

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:

D : floatPython ：浮点

原始数据。

fpp : floatPython ：浮点

从CDF为CDF的分布中抽取一个样本，产生如此大的概率。

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。