Ctrl+K

scipy.stats.f#

scipy.stats.f = <scipy.stats._continuous_distns.f_gen object>[源代码]#

F 连续随机变量。

对于非中心 F 分布，请参阅 ncf。

作为 rv_continuous 类的实例，f 对象从中继承了一组通用方法（完整列表见下文），并使用此特定分布的详细信息对其进行了补充。

另请参阅

ncf

说明

自由度为 \(df_1 > 0\) 和 \(df_2 > 0\) 的 F 分布是两个独立的卡方分布的比率的分布，这两个卡方分布的自由度分别为 \(df_1\) 和 \(df_2\)，并按 \(df_2 / df_1\) 重新缩放。

f 的概率密度函数为

\[f(x, df_1, df_2) = \frac{df_2^{df_2/2} df_1^{df_1/2} x^{df_1 / 2-1}} {(df_2+df_1 x)^{(df_1+df_2)/2} B(df_1/2, df_2/2)}\]

对于 \(x > 0\)。

f 接受形状参数 dfn 和 dfd，分别表示分子中卡方分布的自由度 \(df_1\) 和分母中卡方分布的自由度 \(df_2\)。

上面的概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，f.pdf(x, dfn, dfd, loc, scale) 与 f.pdf(y, dfn, dfd) / scale 完全等效，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版本在单独的类中提供。

示例

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

计算前四个矩

>>> dfn, dfd = 29, 18
>>> mean, var, skew, kurt = f.stats(dfn, dfd, moments='mvsk')

显示概率密度函数 ( pdf )

>>> x = np.linspace(f.ppf(0.01, dfn, dfd),
...                 f.ppf(0.99, dfn, dfd), 100)
>>> ax.plot(x, f.pdf(x, dfn, dfd),
...        'r-', lw=5, alpha=0.6, label='f 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，该对象固定给定的参数。

冻结分布并显示冻结的 pdf

>>> rv = f(dfn, dfd)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性

>>> vals = f.ppf([0.001, 0.5, 0.999], dfn, dfd)
>>> np.allclose([0.001, 0.5, 0.999], f.cdf(vals, dfn, dfd))
True

生成随机数

>>> r = f.rvs(dfn, dfd, 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-f-1.png

方法

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

随机变量。

pdf(x, dfn, dfd, loc=0, scale=1)

概率密度函数。

logpdf(x, dfn, dfd, loc=0, scale=1)

概率密度函数的对数。

cdf(x, dfn, dfd, loc=0, scale=1)

累积分布函数。

logcdf(x, dfn, dfd, loc=0, scale=1)

累积分布函数的对数。

sf(x, dfn, dfd, loc=0, scale=1)

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

logsf(x, dfn, dfd, loc=0, scale=1)

生存函数的对数。

ppf(q, dfn, dfd, loc=0, scale=1)

百分点函数（cdf 的逆函数 — 百分位数）。

isf(q, dfn, dfd, loc=0, scale=1)

逆生存函数（sf 的逆函数）。

moment(order, dfn, dfd, loc=0, scale=1)

指定阶数的非中心矩。

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

均值 ('m')、方差 ('v')、偏度 ('s') 和/或峰度 ('k')。

entropy(dfn, dfd, 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，请参阅 scipy.stats.rv_continuous.fit。

expect(func, args=(dfn, dfd), 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(dfn, dfd, loc=0, scale=1)

分布的中位数。

mean(dfn, dfd, loc=0, scale=1)

分布的均值。

var(dfn, dfd, loc=0, scale=1)

分布的方差。

std(dfn, dfd, loc=0, scale=1)

分布的标准差。

interval(confidence, dfn, dfd, loc=0, scale=1)

中位数周围等面积的置信区间。
在此页面上