zoukankan      html  css  js  c++  java
  • scipy.stats与统计学:4个概率分布:N,chi2,F,t

    scipy.stats与统计学:4个概率分布:N,chi2,F,t

    四个常用分布的概率密度函数、分布函数、期望、分位数、以及期望方差标准差中位数原点矩:

     

    1,正态分布:

    from scipy.stats import norm

    (1)概率密度函数:

    norm.pdf(x, mu, sigma)               # 返回N(mu,sigma^2)的概率密度函数在 x 处的值

    (2)概率分布函数:

    norm.cdf(x, mu, sigma)               # 返回N(mu,sigma^2)的概率密度函数在 负无穷 到 x 上的积分,也就是概率分布函数的值
    norm.sf(x, mu, sigma)                # 返回 1 - norm.cdf(x, mu, sigma^2)

    (3)数学期望:

    norm.expect( func = f, loc = mu, scale = sigma )       # 返回f(x)的期望,注意这里的loc和scale

    (4)分位数:

    norm.isf(1-alpha, mu, sigma)         # 返回值s满足:norm.cdf(s, mu, sigma^2) = alpha,s就是alpha分位数
    norm.ppf(alpha, mu, sigma)           # 返回值s满足:norm.cdf(s, mu, sigma^2) = alpha,s就是alpha分位数

    (5)最大似然估计:

    norm.fit(a)                                 # 假定数组a来自正态分布,返回mu和sigma的最大似然估计。感觉结果不咋地。。

    (6)分布的数量关系:

    norm.mean(mu,sigma)                         # N(mu,sigma^2) 的均值
    norm.var(mu,sigma)                          # N(mu,sigma^2) 的方差
    norm.std(mu,sigma)                          # N(mu,sigma^2) 的方差再开平方根
    norm.median(mu,sigma)                       # N(mu,sigma^2) 的中位数
    norm.moment(a,mu,sigma)                     # N(mu,sigma^2) 的 a 阶原点矩

    (7)产生满足正态分布的随机数:

    norm.rvs(loc = mu,scale = sigma, size = N)       # 产生N个服从N(mu,sigma^2)的随机数

    2,卡方分布:chi2

    from scipy.stats import chi2

    (1)概率密度函数:

    chi2.pdf(x, n)                       # 返回chi^2(n)的概率密度函数在 x 处的值

    (2)概率分布函数:

    chi2.cdf(x, n)                       # 返回chi^2(n)的概率密度函数在 0 到 x 上的积分,也就是概率分布函数的值
    chi2.sf(x, n)                        # 返回 1 - chi2.cdf(x, n)

    (3)数学期望:

    chi2.expect( func = f , args=(n,) )  # 返回f(x)的期望

    (4)分位数:

    chi2.isf(1-alpha, n)                 # 返回值s满足:chi2.cdf(s, n) = alpha,  s就是alpha分位数
    chi2.ppf(alpha, n)                   # 返回值s满足:chi2.cdf(s, n) = alpha,  s就是alpha分位数

    (5)分布的数量关系:

    chi2.mean(n)                         # chi^2(n) 的均值
    chi2.var(n)                          # chi^2(n) 的方差
    chi2.std(n)                          # chi^2(n) 的方差再开平方根
    chi2.median(n)                       # chi^2(n) 的中位数
    chi2.moment(a,n)                     # chi^2(n) 的 a 阶原点矩

    3,F分布:

    from scipy.stats import f

    (1)概率密度函数:

    f.pdf(x, m, n)                       # 返回F(m,n)的概率密度函数在x处的值

    (2)概率分布函数:

    f.cdf(x, m, n)                       # 返回F(m,n)的概率密度函数在0到x上的积分,也就是概率分布函数的值
    chi2.sf(x, n)                        # 返回 1 - f.cdf(x, m, n)

    (3)数学期望:

    f.expect( func = g , args=(m, n) )   # 返回g(x)的数学期望

    (4)分位数:

    f.isf(1-alpha, m, n)                 # 返回值s满足:chi2.cdf(s, n) = alpha,  s就是alpha分位数
    f.ppf(alpha, m, n)                   # 返回值s满足:chi2.cdf(s, n) = alpha,  s就是alpha分位数

    (5)分布的数量关系:

    f.mean(m, n)                         # F(m,n) 的均值
    f.var(m, n)                          # F(m,n) 的方差
    f.std(m, n)                          # F(m,n) 的方差再开平方根
    f.median(m, n)                       # F(m,n) 的中位数
    f.moment(a, m, n)                    # F(m,n) 的 a 阶原点矩
     

    4,t分布:

    from scipy.stats import t

    (1)概率密度函数:

    t.pdf(x, n)                         # 返回t(n)的概率密度函数在x处的值

    (2)概率分布函数:

    t.cdf(x, n)                         # 返回t(n)的概率密度函数在负无穷到x上的积分,也就是概率分布函数的值
    t.sf(x, n)                          # 返回 1 - t.cdf(x, n)

    (3)数学期望:

    t.expect( func = f , args=(n,) )    # 返回f(x)的期望

    (4)分位数:

    t.isf(1-alpha, n)                   # 返回值s满足:t.cdf(s, n) = alpha,  s就是alpha分位数
    t.ppf(alpha, n)                     # 返回值s满足:t.cdf(s, n) = alpha,  s就是alpha分位数

    (5)分布的数量关系:

    t.mean(n)                           # t(n) 的均值
    t.var(n)                            # t(n) 的方差
    t.std(n)                            # t(n) 的方差再开平方根
    t.median(n)                         # t(n) 的中位数
    t.moment(a,n)                       # t(n) 的 a 阶原点矩
     
    
    
  • 相关阅读:
    c++第十八章-(容器和算法)
    07表与表之间的关系
    06约束
    01 Hello World!
    05文件合并脚本--By Mark Lutz
    04文件分割器脚本
    05数据库用户操作
    03扫描模块搜索路径
    02扫描目录树
    01扫描单个目录
  • 原文地址:https://www.cnblogs.com/timssd/p/10557914.html
Copyright © 2011-2022 走看看