Ctrl+K

scipy.stats.chi#

scipy.stats.chi = <scipy.stats._continuous_distns.chi_gen object>[源代码]#

一个卡方连续随机变量。

作为 rv_continuous 类的实例，chi 对象从中继承了一组通用方法（完整列表见下文），并用此特定分布的细节完成了它们。

说明

chi 的概率密度函数为

\[f(x, k) = \frac{1}{2^{k/2-1} \Gamma \left( k/2 \right)} x^{k-1} \exp \left( -x^2/2 \right)\]

对于 \(x >= 0\) 和 \(k > 0\) (自由度，在实现中表示为 df)。 \(\Gamma\) 是伽马函数 (scipy.special.gamma)。

chi 的特殊情况是

chi 将 df 作为形状参数。

上面的概率密度是在“标准化”形式中定义的。要平移和/或缩放分布，请使用 loc 和 scale 参数。 具体来说，chi.pdf(x, df, loc, scale) 完全等价于 chi.pdf(y, df) / scale，其中 y = (x - loc) / scale。 请注意，移动分布的位置不会使其成为“非中心”分布；某些分布的非中心推广在单独的类中提供。

示例

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

计算前四个矩

>>> df = 78
>>> mean, var, skew, kurt = chi.stats(df, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(chi.ppf(0.01, df),
...                 chi.ppf(0.99, df), 100)
>>> ax.plot(x, chi.pdf(x, df),
...        'r-', lw=5, alpha=0.6, label='chi 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，其中固定了给定的参数。

冻结分布并显示冻结的 pdf

>>> rv = chi(df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性

>>> vals = chi.ppf([0.001, 0.5, 0.999], df)
>>> np.allclose([0.001, 0.5, 0.999], chi.cdf(vals, df))
True

生成随机数

>>> r = chi.rvs(df, size=1000)

并比较直方图

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
../../_images/scipy-stats-chi-1.png

方法

rvs(df, loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, df, loc=0, scale=1)

概率密度函数。

logpdf(x, df, loc=0, scale=1)

概率密度函数的对数。

cdf(x, df, loc=0, scale=1)

累积分布函数。

logcdf(x, df, loc=0, scale=1)

累积分布函数的对数。

sf(x, df, loc=0, scale=1)

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

logsf(x, df, loc=0, scale=1)

生存函数的对数。

ppf(q, df, loc=0, scale=1)

百分点函数（cdf 的反函数 — 百分位数）。

isf(q, df, loc=0, scale=1)

逆生存函数（sf 的反函数）。

moment(order, df, loc=0, scale=1)

指定阶数的非中心矩。

stats(df, loc=0, scale=1, moments='mv')

均值（'m'）、方差（'v'）、偏度（'s'）和/或峰度（'k'）。

entropy(df, loc=0, scale=1)

RV 的（微分）熵。

fit(data)

通用数据的参数估计。有关关键字参数的详细文档，请参见 scipy.stats.rv_continuous.fit。

expect(func, args=(df,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函数（一个参数）关于分布的期望值。

median(df, loc=0, scale=1)

分布的中位数。

mean(df, loc=0, scale=1)

分布的均值。

var(df, loc=0, scale=1)

分布的方差。

std(df, loc=0, scale=1)

分布的标准差。

interval(confidence, df, loc=0, scale=1)

中位数周围等面积的置信区间。
在本页上