scipy.stats.f¶

scipy.stats.f = <scipy.stats._continuous_distns.f_gen object>[源代码]¶

一个F连续的随机变量。

有关非中心F分布的信息，请参见 ncf 。

作为 rv_continuous 班级, f 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

ncf

注意事项

的概率密度函数 f 是：

\[F(x，df_1，df_2)=\frac{df_2^{df_2/2}df_1^{df_1/2}x^{df_1/2-1}} {(DF_2+DF_1x)^{(DF_1+DF_2)/2} B(DF_1/2、DF_2/2)}\]

为 \(x > 0\) 。

f 拿走 dfn 和 dfd 作为形状参数。

上面的概率密度是以“标准化”形式定义的。若要移动和/或缩放分布，请使用 loc 和 scale 参数。具体地说， f.pdf(x, dfn, dfd, loc, scale) 等同于 f.pdf(y, dfn, dfd) / scale 使用 y = (x - loc) / scale 。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心泛化在单独的类中可用。

示例

>>> from scipy.stats import f
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

计算前四个时刻：

>>> dfn, dfd = 29, 18
>>> mean, var, skew, kurt = f.stats(dfn, dfd, moments='mvsk')

显示概率密度函数 (pdf )：

>>> x = np.linspace(f.ppf(0.01, dfn, dfd),
...                 f.ppf(0.99, dfn, dfd), 100)
>>> ax.plot(x, f.pdf(x, dfn, dfd),
...        'r-', lw=5, alpha=0.6, label='f pdf')

或者，可以调用分布对象(作为函数)来固定形状、位置和比例参数。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 pdf ：

>>> rv = f(dfn, dfd)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查以下各项的准确性 cdf 和 ppf ：

>>> vals = f.ppf([0.001, 0.5, 0.999], dfn, dfd)
>>> np.allclose([0.001, 0.5, 0.999], f.cdf(vals, dfn, dfd))
True

生成随机数：

>>> r = f.rvs(dfn, dfd, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

方法：

rvs(dfn, dfd, loc=0, scale=1, size=1, random_state=None)	随机变量。
pdf(x, dfn, dfd, loc=0, scale=1)	概率密度函数。
logpdf(x, dfn, dfd, loc=0, scale=1)	概率密度函数的对数。
cdf(x, dfn, dfd, loc=0, scale=1)	累积分布函数。
logcdf(x, dfn, dfd, loc=0, scale=1)	累积分布函数的日志。
sf(x, dfn, dfd, loc=0, scale=1)	生存函数(也定义为 `1 - cdf` ，但是 sf 有时更准确)。
logsf(x, dfn, dfd, loc=0, scale=1)	生存函数的对数。
ppf(q, dfn, dfd, loc=0, scale=1)	百分点数函数(与 `cdf` -百分位数)。
isf(q, dfn, dfd, loc=0, scale=1)	逆生存函数(逆 `sf` )。
moment(n, dfn, dfd, loc=0, scale=1)	n阶非中心矩
stats(dfn, dfd, loc=0, scale=1, moments='mv')	均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(dfn, dfd, loc=0, scale=1)	房车的(微分)熵。
拟合(数据)	一般数据的参数估计。看见 scipy.stats.rv_continuous.fit 有关关键字参数的详细文档，请参阅。
expect(func, args=(dfn, dfd), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	函数相对于分布的期望值(只有一个参数)。
median(dfn, dfd, loc=0, scale=1)	分布的中位数。
mean(dfn, dfd, loc=0, scale=1)	分布的平均值。
var(dfn, dfd, loc=0, scale=1)	分布的方差。
std(dfn, dfd, loc=0, scale=1)	分布的标准差。
interval(alpha, dfn, dfd, loc=0, scale=1)	包含分数Alpha的范围的端点 [0, 1] 分布的

scipy.stats.exponpow

scipy.stats.fatiguelife