scipy.stats.kurtosistest¶
- scipy.stats.kurtosistest(a, axis=0, nan_policy='propagate', alternative='two-sided')[源代码]¶
测试数据集是否具有正常峰度。
此函数检验样本所在总体的峰度为正态分布峰度的零假设。
- 参数
- a阵列
示例数据的数组。
- axis整型或无型，可选
要沿其计算测试的轴。默认值为0。如果没有，则对整个阵列进行计算 a 。
- nan_policy{‘Propagate’，‘RAISE’，‘OMIT’}，可选
定义输入包含NaN时的处理方式。以下选项可用(默认值为‘Propagate’)：
‘Propagate’：返回NaN
“raise”：引发错误
‘omit’：执行计算时忽略NaN值
- alternative{‘双面’，‘少’，‘大’}，可选
定义了另一种假设。有以下选项可用(默认为‘双面’)：
“双侧”：样本下方分布的峰度与正态分布的峰度不同。
‘Less’：样本下面的分布的峰度小于正态分布的峰度
“更大”：样本下面的分布的峰度大于正态分布的峰度。
1.7.0 新版功能.
- 退货
- statistic浮动
此测试的计算z分数。
- pvalue浮动
假设检验的p值。
注意事项
仅在n>20时有效。此函数使用中介绍的方法 [1].
参考文献
- 1
例如见F.J.Anscombe，W.J.Glynn，“Normal Samples的峰度统计量b2的分布”，Bitomka，Vol.70，第227-234页，1983年。
示例
>>> from scipy.stats import kurtosistest >>> kurtosistest(list(range(20))) KurtosistestResult(statistic=-1.7058104152122062, pvalue=0.08804338332528348) >>> kurtosistest(list(range(20)), alternative='less') KurtosistestResult(statistic=-1.7058104152122062, pvalue=0.04402169166264174) >>> kurtosistest(list(range(20)), alternative='greater') KurtosistestResult(statistic=-1.7058104152122062, pvalue=0.9559783083373583)
>>> rng = np.random.default_rng() >>> s = rng.normal(0, 1, 1000) >>> kurtosistest(s) KurtosistestResult(statistic=-1.475047944490622, pvalue=0.14019965402996987)