scipy.stats.ksone¶
- scipy.stats.ksone = <scipy.stats._continuous_distns.ksone_gen object>[源代码]¶
Kolmogorov-Smirnov单边检验统计分布。
这是单侧Kolmogorov-Smirnov(KS)统计量的分布 \(D_n^+\) 和 \(D_n^-\) 对于有限样本大小
n
(Shape参数)。作为
rv_continuous
班级,ksone
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
\(D_n^+\) 和 \(D_n^-\) 由以下人员提供
\[\begin{split}d_n^+&=\text{sup}_x(F_n(X)-F(X)),\\ d_n^-&=\text{sup}_x(F(X)-F_n(X)),\\\end{split}\]哪里 \(F\) 是一个连续的CDF,并且 \(F_n\) 是经验性的CDF。
ksone
描述了经验CDF对应的KS检验零假设下的分布 \(n\) 身份证。带CDF的随机变量 \(F\) 。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,ksone.pdf(x, n, loc, scale)
等同于ksone.pdf(y, n) / 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。参考文献
- 1
题名/责任者:The Career of First,and and Tingey,F.H.“概率分布函数的单边置信等值线”,“数理统计年鉴”,第22(4)页,第592-596页(1951)。
示例
>>> from scipy.stats import ksone >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> n = 1e+03 >>> mean, var, skew, kurt = ksone.stats(n, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(ksone.ppf(0.01, n), ... ksone.ppf(0.99, n), 100) >>> ax.plot(x, ksone.pdf(x, n), ... 'r-', lw=5, alpha=0.6, label='ksone 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 = ksone(n) >>> 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 = ksone.ppf([0.001, 0.5, 0.999], n) >>> np.allclose([0.001, 0.5, 0.999], ksone.cdf(vals, n)) True
生成随机数:
>>> r = ksone.rvs(n, 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(n, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, n, loc=0, scale=1)
概率密度函数。
logpdf(x, n, loc=0, scale=1)
概率密度函数的对数。
cdf(x, n, loc=0, scale=1)
累积分布函数。
logcdf(x, n, loc=0, scale=1)
累积分布函数的日志。
sf(x, n, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, n, loc=0, scale=1)
生存函数的对数。
ppf(q, n, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, n, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, n, loc=0, scale=1)
n阶非中心矩
stats(n, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(n, 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=(n,), 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(n, loc=0, scale=1)
分布的中位数。
mean(n, loc=0, scale=1)
分布的平均值。
var(n, loc=0, scale=1)
分布的方差。
std(n, loc=0, scale=1)
分布的标准差。
interval(alpha, n, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的