scipy.stats.skellam¶

scipy.stats.skellam = <scipy.stats._discrete_distns.skellam_gen object>[源代码]¶

一个Skellam离散随机变量。

作为 rv_discrete 班级, skellam 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

两个相关或不相关的泊松随机变量之差的概率分布。

让我们 \(k_1\) 和 \(k_2\) 是两个泊松分布的R.V.具有期望值 \(\lambda_1\) 和 \(\lambda_2\) 。然后, \(k_1 - k_2\) 遵循带有参数的Skellam分布 \(\mu_1 = \lambda_1 - \rho \sqrt{{\lambda_1 \lambda_2}}\) 和 \(\mu_2 = \lambda_2 - \rho \sqrt{{\lambda_1 \lambda_2}}\) ，在哪里 \(\rho\) 是两个值之间的相关系数 \(k_1\) 和 \(k_2\) 。如果两个泊松分布的房车。都是独立的 \(\rho = 0\) 。

参数 \(\mu_1\) 和 \(\mu_2\) 必须是严格的正值。

有关详情，请参阅：https://en.wikipedia.org/wiki/Skellam_distribution

skellam 拿走 \(\mu_1\) 和 \(\mu_2\) 作为形状参数。

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， skellam.pmf(k, mu1, mu2, loc) 等同于 skellam.pmf(k - loc, mu1, mu2) 。

示例

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

计算前四个时刻：

>>> mu1, mu2 = 15, 8
>>> mean, var, skew, kurt = skellam.stats(mu1, mu2, moments='mvsk')

显示概率质量函数 (pmf )：

>>> x = np.arange(skellam.ppf(0.01, mu1, mu2),
...               skellam.ppf(0.99, mu1, mu2))
>>> ax.plot(x, skellam.pmf(x, mu1, mu2), 'bo', ms=8, label='skellam pmf')
>>> ax.vlines(x, 0, skellam.pmf(x, mu1, mu2), 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 = skellam(mu1, mu2)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

../../_images/scipy-stats-skellam-1_00_00.png

检查以下各项的准确性 cdf 和 ppf ：

>>> prob = skellam.cdf(x, mu1, mu2)
>>> np.allclose(x, skellam.ppf(prob, mu1, mu2))
True

生成随机数：

>>> r = skellam.rvs(mu1, mu2, size=1000)

方法：

rvs(mu1, mu2, loc=0, size=1, random_state=None)	随机变量。
pmf(k, mu1, mu2, loc=0)	概率质量函数。
logpmf(k, mu1, mu2, loc=0)	概率质量函数的对数。
cdf(k, mu1, mu2, loc=0)	累积分布函数。
logcdf(k, mu1, mu2, loc=0)	累积分布函数的日志。
sf(k, mu1, mu2, loc=0)	生存函数(也定义为 `1 - cdf` ，但是 sf 有时更准确)。
logsf(k, mu1, mu2, loc=0)	生存函数的对数。
ppf(q, mu1, mu2, loc=0)	百分点数函数(与 `cdf` -百分位数)。
isf(q, mu1, mu2, loc=0)	逆生存函数(逆 `sf` )。
stats(mu1, mu2, loc=0, moments='mv')	均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(mu1, mu2, loc=0)	房车的(微分)熵。
expect(func, args=(mu1, mu2), 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(mu1, mu2, loc=0)	分布的中位数。
mean(mu1, mu2, loc=0)	分布的平均值。
var(mu1, mu2, loc=0)	分布的方差。
std(mu1, mu2, loc=0)	分布的标准差。
interval(alpha, mu1, mu2, loc=0)	包含分数Alpha的范围的端点 [0, 1] 分布的

scipy.stats.randint

scipy.stats.yulesimon