scipy.stats.hypergeom¶
- scipy.stats.hypergeom = <scipy.stats._discrete_distns.hypergeom_gen object>[源代码]¶
超几何离散随机变量。
超几何分布对来自存储箱的绘制对象进行建模。 M 是对象的总数, n 是类型I对象的总数。随机变量表示中的类型I对象的数量 N 不加替换地从总人口中抽取的。
作为
rv_discrete
班级,hypergeom
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
用于表示形状参数的符号 (M , n ,以及 N )并不是被普遍接受的。有关此处使用的定义的说明,请参阅示例。
概率质量函数被定义为,
\[P(k,M,n,N)=\frac{\Binom{n}{k}\Binom{M-n}{N-k}} {\Binom{M}{N}}\]为 \(k \in [\max(0, N - M + n), \min(n, N)]\) ,其中二项系数定义为,
\[\binom{n}{k}\EQUIV\FRAC{n!}{k!(n-k)}。\]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,hypergeom.pmf(k, M, n, N, loc)
等同于hypergeom.pmf(k - loc, M, n, N)
。示例
>>> from scipy.stats import hypergeom >>> import matplotlib.pyplot as plt
假设我们收集了20只动物,其中7只是狗。然后,如果我们想知道找到给定数量的狗的概率,如果我们从20只动物中随机选择12只,我们可以初始化冻结分布,并绘制概率质量函数:
>>> [M, n, N] = [20, 7, 12] >>> rv = hypergeom(M, n, N) >>> x = np.arange(0, n+1) >>> pmf_dogs = rv.pmf(x)
>>> fig = plt.figure() >>> ax = fig.add_subplot(111) >>> ax.plot(x, pmf_dogs, 'bo') >>> ax.vlines(x, 0, pmf_dogs, lw=2) >>> ax.set_xlabel('# of dogs in our group of chosen animals') >>> ax.set_ylabel('hypergeom PMF') >>> plt.show()
除了使用冻结分发之外,我们还可以使用
hypergeom
方法采用直接法。例如,要获得累积分布函数,请使用:>>> prb = hypergeom.cdf(x, M, n, N)
并生成随机数:
>>> R = hypergeom.rvs(M, n, N, size=10)
方法:
rvs(M, n, N, loc=0, size=1, random_state=None)
随机变量。
pmf(k, M, n, N, loc=0)
概率质量函数。
logpmf(k, M, n, N, loc=0)
概率质量函数的对数。
cdf(k, M, n, N, loc=0)
累积分布函数。
logcdf(k, M, n, N, loc=0)
累积分布函数的日志。
sf(k, M, n, N, loc=0)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(k, M, n, N, loc=0)
生存函数的对数。
ppf(q, M, n, N, loc=0)
百分点数函数(与
cdf
-百分位数)。isf(q, M, n, N, loc=0)
逆生存函数(逆
sf
)。stats(M, n, N, loc=0, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(M, n, N, loc=0)
房车的(微分)熵。
expect(func, args=(M, n, N), 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(M, n, N, loc=0)
分布的中位数。
mean(M, n, N, loc=0)
分布的平均值。
var(M, n, N, loc=0)
分布的方差。
std(M, n, N, loc=0)
分布的标准差。
interval(alpha, M, n, N, loc=0)
包含分数Alpha的范围的端点 [0, 1] 分布的