scipy.stats.chi2#

scipy.stats.chi2 = <scipy.stats._continuous_distns.chi2_gen object>[source]#

连续卡方随机变量。

对于非中心卡方分布，请参阅 ncx2。

作为 rv_continuous 类的实例，chi2 对象从它继承了大量的通用方法（见下文完整列表），并用此特定分布的详细信息对其进行了完善。

另请参见

ncx2

注释

的概率密度函数 chi2 如下所示

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

对于 \(x > 0\) 和 \(k > 0\) （自由度，在实现中表示为 df）。

chi2 将 df 作为形状参数。

卡方分布是伽马分布的特例，其伽马参数为 a = df/2， loc = 0 和 scale = 2。

上述的概率密度采用“标准化”形式进行定义。要平移和/或缩放分布，请使用 loc 和 scale 参数。具体来说， chi2.pdf(x, df, loc, scale) 与 chi2.pdf(y, df) / scale 中的 y = (x - loc) / scale 等价。请注意，变换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可在单独的类别中找到。

示例

>>> import numpy as np
>>> from scipy.stats import chi2
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

计算前四个矩

>>> df = 55
>>> mean, var, skew, kurt = chi2.stats(df, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(chi2.ppf(0.01, df),
...                 chi2.ppf(0.99, df), 100)
>>> ax.plot(x, chi2.pdf(x, df),
...        'r-', lw=5, alpha=0.6, label='chi2 pdf')

也可以调用分布对象（作为函数）来修正形状、位置和缩放参数。这会返回一个“冻结”的 RV 对象，其中给定的参数已修正。

冻结分布并显示冻结的 pdf

>>> rv = chi2(df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确度

>>> vals = chi2.ppf([0.001, 0.5, 0.999], df)
>>> np.allclose([0.001, 0.5, 0.999], chi2.cdf(vals, df))
True

生成随机数

>>> r = chi2.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-chi2-1.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 有时更精确）。

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

生存函数的对数。

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

百分位数函数（cdf 的反函数——百分位数）。

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

逆生存函数 （作为 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)

随机变量的（差分）熵。

fit(data)

用于普通数据的参数估计。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)

分布中的函数（一个参数）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)

中位数周围具有相等面积的置信区间。
本页内容