scipy.stats.nbinom#
- scipy.stats.nbinom = <scipy.stats._discrete_distns.nbinom_gen object>[source]#
一个负二项离散随机变量。
作为
rv_discrete
类的实例,nbinom
对象从中继承了一组通用方法(完整列表见下文),并用特定于此分布的详细信息完成了它们。方法
rvs(n, p, loc=0, size=1, random_state=None)
随机变量。
pmf(k, n, p, loc=0)
概率质量函数。
logpmf(k, n, p, loc=0)
概率质量函数的对数。
cdf(k, n, p, loc=0)
累积分布函数。
logcdf(k, n, p, loc=0)
累积分布函数的对数。
sf(k, n, p, loc=0)
生存函数(也定义为
1 - cdf
,但 sf 有时更准确)。logsf(k, n, p, loc=0)
生存函数的对数。
ppf(q, n, p, loc=0)
百分点函数(
cdf
的逆函数 - 百分位数)。isf(q, n, p, loc=0)
逆生存函数(
sf
的逆函数)。stats(n, p, loc=0, moments=’mv’)
均值(‘m’),方差(‘v’),偏度(‘s’)和/或峰度(‘k’)。
entropy(n, p, loc=0)
RV的(微分)熵。
expect(func, args=(n, p), loc=0, lb=None, ub=None, conditional=False)
函数(一个参数)关于分布的期望值。
median(n, p, loc=0)
分布的中位数。
mean(n, p, loc=0)
分布的均值。
var(n, p, loc=0)
分布的方差。
std(n, p, loc=0)
分布的标准差。
interval(confidence, n, p, loc=0)
围绕中位数的等面积置信区间。
参见
注释
负二项分布描述了一系列 i.i.d. 伯努利试验,重复直到发生预定义的非随机数量的成功为止。
nbinom
的失败次数的概率质量函数为\[f(k) = \binom{k+n-1}{n-1} p^n (1-p)^k\]对于 \(k \ge 0\), \(0 < p \leq 1\)
nbinom
将 \(n\) 和 \(p\) 作为形状参数,其中 \(n\) 是成功的次数, \(p\) 是单次成功的概率, \(1-p\) 是单次失败的概率。负二项分布的另一种常见参数化是根据达到 \(n\) 次成功的平均失败次数 \(\mu\) 。均值 \(\mu\) 与成功的概率相关,如
\[p = \frac{n}{n + \mu}\]成功的次数 \(n\) 也可以用“离散度”、“异质性”或“聚集”参数 \(\alpha\) 来指定,该参数将均值 \(\mu\) 与方差 \(\sigma^2\) 相关联,例如\(\sigma^2 = \mu + \alpha \mu^2\)。无论用于 \(\alpha\) 的约定如何,
\[\begin{split}p &= \frac{\mu}{\sigma^2} \\ n &= \frac{\mu^2}{\sigma^2 - \mu}\end{split}\]此分布使用 Boost Math C++ 库中的例程来计算
pmf
,cdf
,sf
,ppf
,isf
和stats
方法。[1]上面的概率质量函数以“标准化”形式定义。要移动分布,请使用
loc
参数。具体来说,nbinom.pmf(k, n, p, loc)
与nbinom.pmf(k - loc, n, p)
完全等效。参考文献
[1]Boost 开发者. “Boost C++ Libraries”. https://boost.ac.cn/.
例子
>>> import numpy as np >>> from scipy.stats import nbinom >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots(1, 1)
获取支持
>>> n, p = 5, 0.5 >>> lb, ub = nbinom.support(n, p)
计算前四个矩
>>> mean, var, skew, kurt = nbinom.stats(n, p, moments='mvsk')
显示概率质量函数 (
pmf
)>>> x = np.arange(nbinom.ppf(0.01, n, p), ... nbinom.ppf(0.99, n, p)) >>> ax.plot(x, nbinom.pmf(x, n, p), 'bo', ms=8, label='nbinom pmf') >>> ax.vlines(x, 0, nbinom.pmf(x, n, p), colors='b', lw=5, alpha=0.5)
或者,可以调用分布对象(作为函数)来固定形状和位置。 这将返回一个“冻结”的 RV 对象,该对象保持给定的参数固定。
冻结分布并显示冻结的
pmf
>>> rv = nbinom(n, 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 = nbinom.cdf(x, n, p) >>> np.allclose(x, nbinom.ppf(prob, n, p)) True
生成随机数
>>> r = nbinom.rvs(n, p, size=1000)