scipy.stats.nct#

scipy.stats.nct = <scipy.stats._continuous_distns.nct_gen object>[source]#

非中心学生 t 连续随机变量。

作为 rv_continuous 类的一个实例，nct 对象继承了它的一组通用方法（请参见下面的完整列表），并用此特定分布的详细信息对其进行了补充。

注释

如果 \(Y\) 是一个标准正态随机变量，\(V\) 是一个具有 \(k\) 自由度的独立卡方随机变量（chi2），则

\[X = \frac{Y + c}{\sqrt{V/k}}\]

在实数线上具有一个非中心学生 t 分布。自由度参数 \(k\)（在实现中表示为 df）满足 \(k > 0\)，非中心参数 \(c\)（在实现中表示为 nc）是一个实数。

上面的概率密度已以“标准化”形式定义。要偏移和/或缩放分布，请使用loc和scale参数。具体来说，nct.pdf(x, df, nc, loc, scale)的值与nct.pdf(y, df, nc) / scale（其中y = (x - loc) / scale）的值完全相同。请注意，虽然分布的位置会发生偏移，但这并不会使其成为“非中心”分布；一些分布的非中心推广形式可在单独的类中获取。

示例

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

计算前四个矩

>>> df, nc = 14, 0.24
>>> mean, var, skew, kurt = nct.stats(df, nc, moments='mvsk')

显示概率密度函数 (pdf)

>>> x = np.linspace(nct.ppf(0.01, df, nc),
...                 nct.ppf(0.99, df, nc), 100)
>>> ax.plot(x, nct.pdf(x, df, nc),
...        'r-', lw=5, alpha=0.6, label='nct pdf')

或者，可以调用分布对象（作为函数）以修复形状、位置和缩放参数。这会返回一个“冻结”的 RV 对象，固定着给定的参数。

冻结分布并显示冻结的 pdf

>>> rv = nct(df, nc)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性

>>> vals = nct.ppf([0.001, 0.5, 0.999], df, nc)
>>> np.allclose([0.001, 0.5, 0.999], nct.cdf(vals, df, nc))
True

生成随机数

>>> r = nct.rvs(df, nc, 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-nct-1.png

方法

rvs(df, nc, loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, df, nc, loc=0, scale=1)

概率密度函数。

logpdf(x, df, nc, loc=0, scale=1)

概率密度函数的对数。

cdf(x, df, nc, loc=0, scale=1)

累积概率分布函数。

logcdf(x, df, nc, loc=0, scale=1)

累积概率分布函数的对数。

sf(x, df, nc, loc=0, scale=1)

生存函数（也定义为1 - cdf，但sf 有时更精确）。

logsf(x, df, nc, loc=0, scale=1)

生存函数的对数。

ppf(q, df, nc, loc=0, scale=1)

百分位点函数（cdf 的逆函数——百分位数）。

isf(q, df, nc, loc=0, scale=1)

逆生存函数（sf 的逆函数）。

moment(order, df, nc, loc=0, scale=1)

指定阶数的非中心矩。

stats(df, nc, loc=0, scale=1, moments=’mv’)

平均值（‘m’）、方差（‘v’）、偏度（‘s’）和/或峰度（‘k’）。

entropy(df, nc, loc=0, scale=1)

随机变量的（差异）熵。

fit(数据)

通用数据的参数估计。参见 scipy.stats.rv_continuous.fit，以获取关键字参数的详细文档。

expect(函数，args=(df，nc)，loc=0，scale=1，lb=None，ub=None，conditional=False，**kwds)

关于分布的一个函数（一个参数）的期望值。

median(df，nc，loc=0，scale=1)

分布的中值。

mean(df，nc，loc=0，scale=1)

分布的平均值。

var(df，nc，loc=0，scale=1)

分布的方差。

std(df，nc，loc=0，scale=1)

分布的标准差。

interval(置换度，df，nc，loc=0，scale=1)

围绕中值的置信度区间。
在本页