scipy.stats.binom¶
- scipy.stats.binom = <scipy.stats._discrete_distns.binom_gen object>[源代码]¶
二项离散随机变量。
作为
rv_discrete班级,binom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。参见
注意事项
的概率质量函数
binom是：\[F(K)=\binom{n}{k}p^k(1-p)^{n-k}\]为 \(k \in \{{0, 1, \dots, n\}}\) ， \(0 \leq p \leq 1\)
binom拿走 \(n\) 和 \(p\) 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，binom.pmf(k, n, p, loc)等同于binom.pmf(k - loc, n, p)。示例
>>> from scipy.stats import binom >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻：
>>> n, p = 5, 0.4 >>> mean, var, skew, kurt = binom.stats(n, p, moments='mvsk')
显示概率质量函数 (
pmf)：>>> x = np.arange(binom.ppf(0.01, n, p), ... binom.ppf(0.99, n, p)) >>> ax.plot(x, binom.pmf(x, n, p), 'bo', ms=8, label='binom pmf') >>> ax.vlines(x, 0, binom.pmf(x, n, 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 = binom(n, 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 = binom.cdf(x, n, p) >>> np.allclose(x, binom.ppf(prob, n, p)) True
生成随机数：
>>> r = binom.rvs(n, p, size=1000)
方法：
rvs(n, p, loc=0, size=1, random_state=None)
随机变量。
pmf(k, n, p, loc=0)
概率质量函数。
logpmf(k, n, p, loc=0)
概率质量函数的对数。
cdf(k, n, p, loc=0)
累积分布函数。
logcdf(k, n, p, loc=0)
累积分布函数的日志。
sf(k, n, p, loc=0)
生存函数(也定义为
1 - cdf，但是 sf 有时更准确)。logsf(k, n, p, loc=0)
生存函数的对数。
ppf(q, n, p, loc=0)
百分点数函数(与
cdf-百分位数)。isf(q, n, p, loc=0)
逆生存函数(逆
sf)。stats(n, p, loc=0, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(n, p, loc=0)
房车的(微分)熵。
expect(func, args=(n, 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(n, p, loc=0)
分布的中位数。
mean(n, p, loc=0)
分布的平均值。
var(n, p, loc=0)
分布的方差。
std(n, p, loc=0)
分布的标准差。
interval(alpha, n, p, loc=0)
包含分数Alpha的范围的端点 [0, 1] 分布的