scipy.stats.bernoulli¶
- scipy.stats.bernoulli = <scipy.stats._discrete_distns.bernoulli_gen object>[源代码]¶
伯努利离散随机变量。
作为
rv_discrete
班级,bernoulli
对象从它继承一组泛型方法(完整列表请参见下面),并用特定于此特定发行版的详细信息来完成它们。注意事项
的概率质量函数
bernoulli
是:\[\begin{split}F(K)=\Begin{Cases}1-p&\text{if}k=0\\ p&\text{if}k=1\end{case}\end{split}\]为 \(k\) 在……里面 \(\{{0, 1\}}\) , \(0 \leq p \leq 1\)
bernoulli
拿走 \(p\) 作为形状参数,其中 \(p\) 是一次成功的概率, \(1-p\) 是指单次失败的概率。上面的概率质量函数是以“标准化”形式定义的。若要移动分布,请使用
loc
参数。具体地说,bernoulli.pmf(k, p, loc)
等同于bernoulli.pmf(k - loc, p)
。示例
>>> from scipy.stats import bernoulli >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')
显示概率质量函数 (
pmf
):>>> x = np.arange(bernoulli.ppf(0.01, p), ... bernoulli.ppf(0.99, p)) >>> ax.plot(x, bernoulli.pmf(x, p), 'bo', ms=8, label='bernoulli pmf') >>> ax.vlines(x, 0, bernoulli.pmf(x, p), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象(作为函数)来固定形状和位置。这将返回一个“冻结”的RV对象,其中包含固定的给定参数。
冻结分发并显示冻结的
pmf
:>>> rv = bernoulli(p) >>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1, ... label='frozen pmf') >>> ax.legend(loc='best', frameon=False) >>> plt.show()
检查以下各项的准确性
cdf
和ppf
:>>> prob = bernoulli.cdf(x, p) >>> np.allclose(x, bernoulli.ppf(prob, p)) True
生成随机数:
>>> r = bernoulli.rvs(p, size=1000)
方法:
rvs(p, loc=0, size=1, random_state=None)
随机变量。
pmf(k, p, loc=0)
概率质量函数。
logpmf(k, p, loc=0)
概率质量函数的对数。
cdf(k, p, loc=0)
累积分布函数。
logcdf(k, p, loc=0)
累积分布函数的日志。
sf(k, p, loc=0)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(k, p, loc=0)
生存函数的对数。
ppf(q, p, loc=0)
百分点数函数(与
cdf
-百分位数)。isf(q, p, loc=0)
逆生存函数(逆
sf
)。stats(p, loc=0, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(p, loc=0)
房车的(微分)熵。
expect(func, args=(p,), loc=0, lb=None, ub=None, conditional=False)
函数相对于分布的期望值(只有一个参数)。
median(p, loc=0)
分布的中位数。
mean(p, loc=0)
分布的平均值。
var(p, loc=0)
分布的方差。
std(p, loc=0)
分布的标准差。
interval(alpha, p, loc=0)
包含分数Alpha的范围的端点 [0, 1] 分布的