scipy.stats.kstwobign#
- scipy.stats.kstwobign = <scipy.stats._continuous_distns.kstwobign_gen object>[源代码]#
缩放的 Kolmogorov-Smirnov 双边检验统计量的极限分布。
这是双边 Kolmogorov-Smirnov 统计量 \(\sqrt{n} D_n\) 的渐近分布,它衡量了理论(连续)CDF 与经验 CDF 的最大绝对距离。(参见
kstest
)。作为
rv_continuous
类的实例,kstwobign
对象继承了它的一组通用方法(完整列表见下文),并用针对此特定分布的详细信息完成它们。方法
rvs(loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, loc=0, scale=1)
概率密度函数。
logpdf(x, loc=0, scale=1)
概率密度函数的对数。
cdf(x, loc=0, scale=1)
累积分布函数。
logcdf(x, loc=0, scale=1)
累积分布函数的对数。
sf(x, loc=0, scale=1)
生存函数 (也定义为
1 - cdf
,但 sf 有时更准确)。logsf(x, loc=0, scale=1)
生存函数的对数。
ppf(q, loc=0, scale=1)
百分点函数 (
cdf
的逆函数 — 百分位数)。isf(q, loc=0, scale=1)
逆生存函数 (
sf
的逆函数)。moment(order, loc=0, scale=1)
指定阶的非中心矩。
stats(loc=0, scale=1, moments='mv')
均值 ('m')、方差 ('v')、偏度 ('s') 和/或峰度 ('k')。
entropy(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=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
函数 (一个参数) 相对于分布的期望值。
median(loc=0, scale=1)
分布的中位数。
mean(loc=0, scale=1)
分布的均值。
var(loc=0, scale=1)
分布的方差。
std(loc=0, scale=1)
分布的标准差。
interval(confidence, loc=0, scale=1)
中位数周围具有相等面积的置信区间。
注释
\(\sqrt{n} D_n\) 由下式给出
\[D_n = \text{sup}_x |F_n(x) - F(x)|\]其中 \(F\) 是一个连续 CDF, \(F_n\) 是一个经验 CDF。
kstwobign
描述了 KS 检验的零假设下的渐近分布 (即 \(\sqrt{n} D_n\) 的极限),即经验 CDF 对应于具有 CDF \(F\) 的 i.i.d. 随机变量。上面的概率密度以“标准化”形式定义。要平移和/或缩放分布,请使用
loc
和scale
参数。具体来说,kstwobign.pdf(x, loc, scale)
与kstwobign.pdf(y) / 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;某些分布的非中心概括可以在单独的类中使用。参考资料
[1]Feller, W. “On the Kolmogorov-Smirnov Limit Theorems for Empirical Distributions”, Ann. Math. Statist. Vol 19, 177-189 (1948).
示例
>>> import numpy as np >>> from scipy.stats import kstwobign >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> lb, ub = kstwobign.support()
计算前四个矩
>>> mean, var, skew, kurt = kstwobign.stats(moments='mvsk')
显示概率密度函数 (
pdf
)>>> x = np.linspace(kstwobign.ppf(0.01), ... kstwobign.ppf(0.99), 100) >>> ax.plot(x, kstwobign.pdf(x), ... 'r-', lw=5, alpha=0.6, label='kstwobign pdf')
或者,可以调用分布对象(作为函数)来固定形状、位置和尺度参数。这将返回一个“冻结”的 RV 对象,该对象保存给定的固定参数。
冻结分布并显示冻结的
pdf
>>> rv = kstwobign() >>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查
cdf
和ppf
的准确性>>> vals = kstwobign.ppf([0.001, 0.5, 0.999]) >>> np.allclose([0.001, 0.5, 0.999], kstwobign.cdf(vals)) True
生成随机数
>>> r = kstwobign.rvs(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()