scipy.stats.studentized_range¶
- scipy.stats.studentized_range = <scipy.stats._continuous_distns.studentized_range_gen object>[源代码]¶
一个学生化的范围连续的随机变量。
作为
rv_continuous
班级,studentized_range
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
t
学生t分布
注意事项
的概率密度函数
studentized_range
是:\[f(x; k, \nu) = \frac{k(k-1)\nu^{\nu/2}}{\Gamma(\nu/2) 2^{\nu/2-1}} \int_{0}^{\infty} \int_{-\infty}^{\infty} s^{\nu} e^{-\nu s^2/2} \phi(z) \phi(sx + z) [\Phi(sx + z) - \Phi(z)]^{k-2} \,dz \,ds\]为 \(x ≥ 0\) , \(k > 1\) ,以及 \(\nu > 0\) 。
studentized_range
拿走k
为 \(k\) 和df
为 \(\nu\) 作为形状参数。什么时候 \(\nu\) 超过100,000,则使用渐近近似(无限自由度)来计算累积分布函数 [4].
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,studentized_range.pdf(x, k, df, loc, scale)
等同于studentized_range.pdf(y, k, df) / 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
“学院化范围分布”,https://en.wikipedia.org/wiki/Studentized_range_distribution
- 2
Batista,Ben Dêivide等人。“外部学生化的正态中期分布。”Ciência e Agrotecnologia,Vol.41,第4期,2017年,第378-389页,目录号:10.1590/1413-70542017414047716。
- 3
哈特,这是H·利昂。“范围表和学院化范围表。”数理统计年鉴,第一卷。31,第4期,1960年,第1122-1147页。JSTOR,www.jstor.org/STRATE/2237810。访问时间为2021年2月18日。
- 4
Lund,R.E.和J.R.Lund。“算法AS 190:学生化范围的概率和上分位数。”“皇家统计学会学报”。C辑(应用统计),第一卷。32,第2期,1983年,第204-210页。JSTOR,www.jstor.org/STRATE/2347300。访问时间为2021年2月18日。
示例
>>> from scipy.stats import studentized_range >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
计算前四个时刻:
>>> k, df = 3, 10 >>> mean, var, skew, kurt = studentized_range.stats(k, df, moments='mvsk')
显示概率密度函数 (
pdf
):>>> x = np.linspace(studentized_range.ppf(0.01, k, df), ... studentized_range.ppf(0.99, k, df), 100) >>> ax.plot(x, studentized_range.pdf(x, k, df), ... 'r-', lw=5, alpha=0.6, label='studentized_range 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 = studentized_range(k, df) >>> 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 = studentized_range.ppf([0.001, 0.5, 0.999], k, df) >>> np.allclose([0.001, 0.5, 0.999], studentized_range.cdf(vals, k, df)) True
而不是使用 (
studentized_range.rvs
)为了产生随机变量,这对于这个分布来说是非常慢的,我们可以使用内插器近似逆CDF,然后用这个近似的逆CDF进行逆变换采样。这个分布有一条无限但很细的右尾巴,所以我们将注意力集中在最左边的99.9%。
>>> a, b = studentized_range.ppf([0, .999], k, df) >>> a, b 0, 7.41058083802274
>>> from scipy.interpolate import interp1d >>> rng = np.random.default_rng() >>> xs = np.linspace(a, b, 50) >>> cdf = studentized_range.cdf(xs, k, df) # Create an interpolant of the inverse CDF >>> ppf = interp1d(cdf, xs, fill_value='extrapolate') # Perform inverse transform sampling using the interpolant >>> r = ppf(rng.uniform(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(k, df, loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, k, df, loc=0, scale=1)
概率密度函数。
logpdf(x, k, df, loc=0, scale=1)
概率密度函数的对数。
cdf(x, k, df, loc=0, scale=1)
累积分布函数。
logcdf(x, k, df, loc=0, scale=1)
累积分布函数的日志。
sf(x, k, df, loc=0, scale=1)
生存函数(也定义为
1 - cdf
,但是 sf 有时更准确)。logsf(x, k, df, loc=0, scale=1)
生存函数的对数。
ppf(q, k, df, loc=0, scale=1)
百分点数函数(与
cdf
-百分位数)。isf(q, k, df, loc=0, scale=1)
逆生存函数(逆
sf
)。moment(n, k, df, loc=0, scale=1)
n阶非中心矩
stats(k, df, loc=0, scale=1, moments='mv')
均值(‘m’)、方差(‘v’)、偏斜(‘s’)和/或峰度(‘k’)。
entropy(k, df, 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=(k, df), 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(k, df, loc=0, scale=1)
分布的中位数。
mean(k, df, loc=0, scale=1)
分布的平均值。
var(k, df, loc=0, scale=1)
分布的方差。
std(k, df, loc=0, scale=1)
分布的标准差。
interval(alpha, k, df, loc=0, scale=1)
包含分数Alpha的范围的端点 [0, 1] 分布的