Ctrl+K

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型从一个箱子中抽取两种类型的对象。M 是对象的总数，n 是类型 I 对象的数量，odds 是优势比：当每种类型只有一个对象时，选择类型 I 对象而不是类型 II 对象的几率。随机变量表示如果我们一次从箱子中取一把对象，然后发现我们取了 N 个对象时，抽取的类型 I 对象的数量。

作为 rv_discrete 类的实例，nchypergeom_fisher 对象继承了它的一组通用方法（完整列表请参见下文），并使用此特定分布的详细信息对其进行补充。

另请参阅

nchypergeom_wallenius, hypergeom, nhypergeom

注释

令数学符号 \(N\)、\(n\) 和 \(M\) 分别对应于如上定义的参数 N、n 和 M。

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 \(x_l = \max(0, N - (M - n))\)、\(x_u = \min(N, n)\)，

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

且二项式系数定义为

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

nchypergeom_fisher 使用了 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（N、n 和 M）的符号并非被普遍接受；选择这些符号是为了与 hypergeom 保持一致。

请注意，Fisher 非中心超几何分布与 Wallenius 非中心超几何分布不同，后者模型从一个箱子中逐个抽取预定的 N 个对象。但是，当优势比为 1 时，这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) 与 nchypergeom_fisher.pmf(k - loc, M, n, N, odds) 完全等效。

参考

[2]

“Fisher 非中心超几何分布”，维基百科，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)

计算前四阶矩

>>> M, n, N, odds = 140, 80, 60, 0.5
>>> 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，该对象保持给定的参数固定。

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 cdf 和 ppf 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)

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)

中位数周围区域相等的置信区间。
在此页上