scipy.stats.nchypergeom_fisher#

scipy.stats.nchypergeom_fisher = <scipy.stats._discrete_distns.nchypergeom_fisher_gen object>[源代码]#

Fisher 非中心超几何离散随机变量。

Fisher 非中心超几何分布模拟从一个容器中抽取两种类型的对象。M 是对象的总数,n 是 Type I 对象的数量,odds 是优势比:当每种类型的对象只有一个时,选择 Type I 对象而不是 Type II 对象的几率。 如果我们一次从容器中拿一把对象,然后事后发现我们拿了 N 个对象,则随机变量表示抽取的 Type I 对象的数量。

作为 rv_discrete 类的实例,nchypergeom_fisher 对象从中继承了一组通用方法(请参见下面的完整列表),并使用特定于此特定分布的详细信息来完善它们。

方法

rvs(M, n, N, odds, loc=0, size=1, random_state=None)

随机变量。

pmf(k, M, n, N, odds, loc=0)

概率质量函数。

logpmf(k, M, n, N, odds, loc=0)

概率质量函数的对数。

cdf(k, M, n, N, odds, loc=0)

累积分布函数。

logcdf(k, M, n, N, odds, loc=0)

累积分布函数的对数。

sf(k, M, n, N, odds, loc=0)

生存函数(也定义为 1 - cdf,但 sf 有时更准确)。

logsf(k, M, n, N, odds, loc=0)

生存函数的对数。

ppf(q, M, n, N, odds, loc=0)

百分点函数(cdf 的逆函数 - 百分位数)。

isf(q, M, n, N, odds, loc=0)

逆生存函数(sf 的逆函数)。

stats(M, n, N, odds, loc=0, moments='mv')

均值('m'),方差('v'),偏度('s')和/或峰度('k')。

entropy(M, n, N, odds, loc=0)

RV 的(微分)熵。

expect(func, args=(M, n, N, odds), loc=0, lb=None, ub=None, conditional=False)

关于分布的函数(一个参数)的期望值。

median(M, n, N, odds, loc=0)

分布的中位数。

mean(M, n, N, odds, loc=0)

分布的均值。

var(M, n, N, odds, loc=0)

分布的方差。

std(M, n, N, odds, loc=0)

分布的标准差。

interval(confidence, M, n, N, odds, loc=0)

中位数周围具有相等面积的置信区间。

注释

让数学符号 \(N\), \(n\), 和 \(M\) 与参数 N, n, 和 M (分别) 相对应,如上定义。

概率质量函数定义为

\[p(x; M, n, N, \omega) = \frac{\binom{n}{x}\binom{M - n}{N-x}\omega^x}{P_0},\]

对于 \(x \in [x_l, x_u]\), \(M \in {\mathbb N}\), \(n \in [0, M]\), \(N \in [0, M]\), \(\omega > 0\), 其中 \(x_l = \max(0, N - (M - n))\), \(x_u = \min(N, n)\),

\[P_0 = \sum_{y=x_l}^{x_u} \binom{n}{y}\binom{M - n}{N-y}\omega^y,\]

并且二项式系数定义为

\[\binom{n}{k} \equiv \frac{n!}{k! (n - k)!}.\]

nchypergeom_fisher 使用 Agner Fog 的 BiasedUrn 包,并获得许可在 SciPy 的许可下分发。

用于表示形状参数的符号(NnM)并非被普遍接受; 选择它们是为了与 hypergeom 保持一致。

请注意,Fisher 的非中心超几何分布不同于 Wallenius 的非中心超几何分布,后者模拟从一个容器中一个接一个地抽取预先确定的 N 个对象。 然而,当优势比为 1 时,两个分布都简化为普通的超几何分布。

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,nchypergeom_fisher.pmf(k, M, n, N, odds, loc)nchypergeom_fisher.pmf(k - loc, M, n, N, odds) 完全等效。

参考文献

[2]

“Fisher's noncentral hypergeometric distribution”, Wikipedia, https://en.wikipedia.org/wiki/Fisher’s_noncentral_hypergeometric_distribution

示例

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

获取支持

>>> M, n, N, odds = 140, 80, 60, 0.5
>>> lb, ub = nchypergeom_fisher.support(M, n, N, odds)

计算前四个矩

>>> mean, var, skew, kurt = nchypergeom_fisher.stats(M, n, N, odds, moments='mvsk')

显示概率质量函数 (pmf)

>>> x = np.arange(nchypergeom_fisher.ppf(0.01, M, n, N, odds),
...               nchypergeom_fisher.ppf(0.99, M, n, N, odds))
>>> ax.plot(x, nchypergeom_fisher.pmf(x, M, n, N, odds), 'bo', ms=8, label='nchypergeom_fisher pmf')
>>> ax.vlines(x, 0, nchypergeom_fisher.pmf(x, M, n, N, odds), 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,其中保存了给定的固定参数。

冻结分布并显示冻结的 pmf

>>> rv = nchypergeom_fisher(M, n, N, odds)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
../../_images/scipy-stats-nchypergeom_fisher-1_00_00.png

检查 cdfppf 的准确性

>>> prob = nchypergeom_fisher.cdf(x, M, n, N, odds)
>>> np.allclose(x, nchypergeom_fisher.ppf(prob, M, n, N, odds))
True

生成随机数

>>> r = nchypergeom_fisher.rvs(M, n, N, odds, size=1000)