scipy.stats.bayes_mvs¶

scipy.stats.bayes_mvs(data, alpha=0.9)[源代码]¶

均值、方差和标准差的贝叶斯置信区间。

参数

dataarray_like: 输入数据，如果是多维数据，则通过以下方式将其展平为一维 bayes_mvs 。需要2个或更多数据点。
alpha浮动，可选: 返回的置信区间包含TRUE参数的概率。

退货

mean_cntr, var_cntr, std_cntr元组

这三个结果分别是均值、方差和标准差。每个结果都是以下形式的元组：：

(center, (lower, upper))

使用 center 给定数据的值的条件pdf的平均值，以及 (lower, upper) 以中位数为中心的置信区间，包含对概率的估计 alpha 。

参见

mvsdist

注意事项

均值、方差和标准差估计的每个元组表示(中心，(下，上))，中心是给定数据的值的条件pdf的平均值，(下，上)是以中值为中心的置信区间，包含对概率的估计 alpha 。

将数据转换为一维数据，并假定所有数据具有相同的均值和方差。使用杰弗里的先验进行方差和性传播疾病。

相当于 tuple((x.mean(), x.interval(alpha)) for x in mvsdist(dat))

参考文献

T.E.Oliphant，“从数据估计均值、方差和标准差的贝叶斯观点”，https://scholarsarchive.byu.edu/facpub/278，，2006年。

示例

首先是演示输出的基本示例：

>>> from scipy import stats
>>> data = [6, 9, 12, 7, 8, 8, 13]
>>> mean, var, std = stats.bayes_mvs(data)
>>> mean
Mean(statistic=9.0, minmax=(7.103650222612533, 10.896349777387467))
>>> var
Variance(statistic=10.0, minmax=(3.176724206..., 24.45910382...))
>>> std
Std_dev(statistic=2.9724954732045084, minmax=(1.7823367265645143, 4.945614605014631))

现在我们生成一些正态分布的随机数据，并以95%的置信区间得到这些估计的均值和标准差估计：

>>> n_samples = 100000
>>> data = stats.norm.rvs(size=n_samples)
>>> res_mean, res_var, res_std = stats.bayes_mvs(data, alpha=0.95)

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> ax.hist(data, bins=100, density=True, label='Histogram of data')
>>> ax.vlines(res_mean.statistic, 0, 0.5, colors='r', label='Estimated mean')
>>> ax.axvspan(res_mean.minmax[0],res_mean.minmax[1], facecolor='r',
...            alpha=0.2, label=r'Estimated mean (95% limits)')
>>> ax.vlines(res_std.statistic, 0, 0.5, colors='g', label='Estimated scale')
>>> ax.axvspan(res_std.minmax[0],res_std.minmax[1], facecolor='g', alpha=0.2,
...            label=r'Estimated scale (95% limits)')

>>> ax.legend(fontsize=10)
>>> ax.set_xlim([-4, 4])
>>> ax.set_ylim([0, 0.5])
>>> plt.show()

../../_images/scipy-stats-bayes_mvs-1.png

scipy.stats.sem

scipy.stats.mvsdist