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
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()