scipy.stats.nbinom¶
- scipy.stats.nbinom = <scipy.stats._discrete_distns.nbinom_gen object>[源代码]¶
负二项离散随机变量。
作为
rv_discrete
班级,nbinom
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
负二项分布描述了I.I.D.序列。伯努利试验,重复进行,直到出现预定义的非随机成功次数。
故障次数的概率质量函数
nbinom
是:\[F(K)=\Binom{k+n-1}{n-1}p^n(1-p)^k\]为 \(k \ge 0\) , \(0 < p \leq 1\)
nbinom
拿走 \(n\) 和 \(p\) 作为其中n是成功次数的形状参数, \(p\) 是一次成功的概率,并且 \(1-p\) 是指单次失败的概率。负二项分布的另一个常见参数化是平均失败次数 \(\mu\) 要实现 \(n\) 成功。中庸之道 \(\mu\) 与成功的概率有关,因为
\[p=\frac{n}{n+\mu}\]成功的次数 \(n\) 也可以用“离散性”、“异质性”或“聚合”参数来指定 \(\alpha\) ,它将平均值 \(\mu\) 对差异的影响 \(\sigma^2\) ,例如 \(\sigma^2 = \mu + \alpha \mu^2\) 。不管使用的约定是什么 \(\alpha\) ,
\[\begin{split}p&=\frac{\mu}{\sigma^2}\\ N&=\frac{\mu^2}{\sigma^2-\mu}\end{split}\]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,nbinom.pmf(k, n, p, loc)
等同于nbinom.pmf(k - loc, n, p)
。示例
>>> from scipy.stats import nbinom >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> n, p = 5, 0.5 >>> mean, var, skew, kurt = nbinom.stats(n, p, moments='mvsk')
显示概率质量函数 (
pmf
):>>> x = np.arange(nbinom.ppf(0.01, n, p), ... nbinom.ppf(0.99, n, p)) >>> ax.plot(x, nbinom.pmf(x, n, p), 'bo', ms=8, label='nbinom pmf') >>> ax.vlines(x, 0, nbinom.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 = nbinom(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 = nbinom.cdf(x, n, p) >>> np.allclose(x, nbinom.ppf(prob, n, p)) True
生成随机数:
>>> r = nbinom.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