scipy.stats.bernoulli

scipy.stats.bernoulli = <scipy.stats._discrete_distns.bernoulli_gen object>

伯努利离散随机变量。

作为 rv_discrete 类的实例，bernoulli 对象继承了它的通用方法集合（有关完整列表，见下文），并将这些方法补充为该特定分布的详细信息。

注释

bernoulli 的概率质量函数为

\[\begin{split}f(k) = \begin{cases}1-p &\text{if } k = 0\\ p &\text{if } k = 1\end{cases}\end{split}\]

对 \(k\) 中 \(\{0, 1\}\)、\(0 \leq p \leq 1\)

bernoulli 以 \(p\) 作为形状参数，其中 \(p\) 是单次成功的概率，\(1-p\) 是单次失败的概率。

上面的概率质量函数以“标准”形式定义。要转换分布，请使用 loc 参数。具体来说，bernoulli.pmf(k, p, loc) 等效于 bernoulli.pmf(k - loc, p)。

示例

在浏览器中尝试一下！

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

计算前四个矩

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

显示概率质量函数 (pmf)

>>> x = np.arange(bernoulli.ppf(0.01, p),
...               bernoulli.ppf(0.99, p))
>>> ax.plot(x, bernoulli.pmf(x, p), 'bo', ms=8, label='bernoulli pmf')
>>> ax.vlines(x, 0, bernoulli.pmf(x, p), colors='b', lw=5, alpha=0.5)

或者，可以调用分布对象（作为一个函数）来固定形状和位置。这将返回一个保持给定参数固定的“冻结”RV对象。

冻结分布并显示冻结的 pmf

>>> rv = bernoulli(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 cdf 和 ppf 的准确性

>>> prob = bernoulli.cdf(x, p)
>>> np.allclose(x, bernoulli.ppf(prob, p))
True

生成随机数

>>> r = bernoulli.rvs(p, size=1000)

返回在新标签页中打开

方法

rvs(p, loc=0, size=1, random_state=None)	随机变量。
pmf(k, p, loc=0)	概率质量函数。
logpmf(k, p, loc=0)	概率质量函数的对数。
cdf(k, p, loc=0)	累积分布函数。
logcdf(k, p, loc=0)	累积分布的对数函数。
sf(k, p, loc=0)	生存函数（也定义为 1 - cdf，但sf有时候更准确）。
logsf(k, p, loc=0)	生存函数的对数。
ppf(q, p, loc=0)	百分位数函数（cdf 的逆 - 百分位数）。
isf(q, p, loc=0)	逆生存函数（sf 的逆）。
stats(p, loc=0, moments=’mv’)	均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。
entropy(p, loc=0)	RV的（微分）熵。
expect(func, args=(p,), loc=0, lb=None, ub=None, conditional=False)	关于分布的函数（一元论证）的期望值。
median(p, loc=0)	分布的中值。
mean(p, loc=0)	分布的均值。
var(p, loc=0)	分布的方差。
std(p, loc=0)	分布的标准差。
interval(confidence, p, loc=0)	围绕中值的具有相等面积的置信区间。