scipy.stats.beta#

scipy.stats.beta = object>[источник]#

Бета-непрерывная случайная величина.

Как экземпляр rv_continuous класс, beta объект наследует от него коллекцию общих методов (см. ниже полный список), и дополняет их деталями, специфичными для этого конкретного распределения.

Методы

rvs(a, b, loc=0, scale=1, size=1, random_state=None)	Случайные величины.
pdf(x, a, b, loc=0, scale=1)	Функция плотности вероятности.
logpdf(x, a, b, loc=0, scale=1)	Логарифм функции плотности вероятности.
cdf(x, a, b, loc=0, scale=1)	Интегральная функция распределения.
logcdf(x, a, b, loc=0, scale=1)	Логарифм функции кумулятивного распределения.
sf(x, a, b, loc=0, scale=1)	Функция выживания (также определяется как `1 - cdf`, но sf иногда более точный).
logsf(x, a, b, loc=0, scale=1)	Логарифм функции выживания.
ppf(q, a, b, loc=0, scale=1)	Процентная точка функции (обратная `cdf` — процентили).
isf(q, a, b, loc=0, scale=1)	Обратная функция выживания (обратная к `sf`).
moment(order, a, b, loc=0, scale=1)	Нецентральный момент указанного порядка.
stats(a, b, loc=0, scale=1, moments='mv')	Среднее ('m'), дисперсия ('v'), асимметрия ('s') и/или эксцесс ('k').
entropy(a, b, loc=0, scale=1)	(Дифференциальная) энтропия случайной величины.
fit(data)	Оценки параметров для общих данных. См. scipy.stats.rv_continuous.fit для подробной документации по ключевым аргументам.
expect(func, args=(a, b), loc=0, scale=1, lb=None, ub=None, conditional=False, kwds)**	Ожидаемое значение функции (одного аргумента) относительно распределения.
median(a, b, loc=0, scale=1)	Медиана распределения.
mean(a, b, loc=0, scale=1)	Среднее распределения.
var(a, b, loc=0, scale=1)	Дисперсия распределения.
std(a, b, loc=0, scale=1)	Стандартное отклонение распределения.
interval(confidence, a, b, loc=0, scale=1)	Доверительный интервал с равными площадями вокруг медианы.

Примечания

Функция плотности вероятности для beta равен:

\[f(x, a, b) = \frac{\Gamma(a+b) x^{a-1} (1-x)^{b-1}} {\Gamma(a) \Gamma(b)}\]

для \(0 <= x <= 1\), \(a > 0\), \(b > 0\), где \(\Gamma\) является гамма-функцией (scipy.special.gamma).

beta принимает \(a\) и \(b\) в качестве параметров формы.

Это распределение использует процедуры из библиотеки Boost Math C++ для вычисления pdf, cdf, ppf, sf и isf методы. [1]

Плотность вероятности выше определена в "стандартизированной" форме. Для сдвига и/или масштабирования распределения используйте loc и scale параметры. В частности, beta.pdf(x, a, b, loc, scale) тождественно эквивалентно beta.pdf(y, a, b) / scale с y = (x - loc) / scale. Обратите внимание, что сдвиг местоположения распределения не делает его "нецентральным" распределением; нецентральные обобщения некоторых распределений доступны в отдельных классах.

Ссылки

[1]

Разработчики Boost. «Boost C++ Libraries». https://www.boost.org/.

Примеры

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

Получить поддержку:

>>> a, b = 2.31, 0.627
>>> lb, ub = beta.support(a, b)

Вычислить первые четыре момента:

>>> mean, var, skew, kurt = beta.stats(a, b, moments='mvsk')

Отображение функции плотности вероятности (pdf):

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

Альтернативно, объект распределения может быть вызван (как функция) для фиксации параметров формы, местоположения и масштаба. Это возвращает «замороженный» объект RV с заданными фиксированными параметрами.

Зафиксировать распределение и отобразить зафиксированное pdf:

>>> rv = beta(a, b)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

Проверить точность cdf и ppf:

>>> vals = beta.ppf([0.001, 0.5, 0.999], a, b)
>>> np.allclose([0.001, 0.5, 0.999], beta.cdf(vals, a, b))
True

Генерировать случайные числа:

>>> r = beta.rvs(a, b, size=1000)

И сравните гистограмму:

>>> 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()