scipy.stats.betanbinom

scipy.stats.betanbinom = object>

Бета-отрицательная биномиальная дискретная случайная величина.

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

Методы

rvs(n, a, b, loc=0, size=1, random_state=None)	Случайные величины.
pmf(k, n, a, b, loc=0)	Функция вероятности массы.
logpmf(k, n, a, b, loc=0)	Логарифм функции вероятности.
cdf(k, n, a, b, loc=0)	Интегральная функция распределения.
logcdf(k, n, a, b, loc=0)	Логарифм функции кумулятивного распределения.
sf(k, n, a, b, loc=0)	Функция выживания (также определяется как 1 - cdf, но sf иногда более точный).
logsf(k, n, a, b, loc=0)	Логарифм функции выживания.
ppf(q, n, a, b, loc=0)	Процентная точка функции (обратная cdf — процентили).
isf(q, n, a, b, loc=0)	Обратная функция выживания (обратная к sf).
stats(n, a, b, loc=0, moments=’mv’)	Среднее ('m'), дисперсия ('v'), асимметрия ('s') и/или эксцесс ('k').
entropy(n, a, b, loc=0)	(Дифференциальная) энтропия случайной величины.
expect(func, args=(n, a, b), loc=0, lb=None, ub=None, conditional=False)	Ожидаемое значение функции (одного аргумента) относительно распределения.
median(n, a, b, loc=0)	Медиана распределения.
mean(n, a, b, loc=0)	Среднее распределения.
var(n, a, b, loc=0)	Дисперсия распределения.
std(n, a, b, loc=0)	Стандартное отклонение распределения.
interval(confidence, n, a, b, loc=0)	Доверительный интервал с равными площадями вокруг медианы.

Смотрите также

betabinom

Бета-биномиальное распределение

Примечания

Бета-отрицательное биномиальное распределение - это отрицательное биномиальное распределение с вероятностью успеха p которое следует бета-распределению.

Функция вероятности массы для betanbinom равен:

\[f(k) = \binom{n + k - 1}{k} \frac{B(a + n, b + k)}{B(a, b)}\]

для \(k \ge 0\), \(n \geq 0\), \(a > 0\), \(b > 0\), где \(B(a, b)\) является бета-функцией.

betanbinom принимает \(n\), \(a\), и \(b\) в качестве параметров формы.

Функция вероятности массы выше определена в «стандартизированной» форме. Для сдвига распределения используйте loc параметра. В частности, betanbinom.pmf(k, n, a, b, loc) тождественно эквивалентно betanbinom.pmf(k - loc, n, a, b).

Ссылки

[1]

https://en.wikipedia.org/wiki/Beta_negative_binomial_distribution

Добавлено в версии 1.12.0.

Примеры

Попробуйте в вашем браузере!

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

Получить поддержку:

>>> n, a, b = 5, 9.3, 1
>>> lb, ub = betanbinom.support(n, a, b)

Вычислить первые четыре момента:

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

Отображение функции вероятности массы (pmf):

>>> x = np.arange(betanbinom.ppf(0.01, n, a, b),
...               betanbinom.ppf(0.99, n, a, b))
>>> ax.plot(x, betanbinom.pmf(x, n, a, b), 'bo', ms=8, label='betanbinom pmf')
>>> ax.vlines(x, 0, betanbinom.pmf(x, n, a, b), colors='b', lw=5, alpha=0.5)

Альтернативно, объект распределения может быть вызван (как функция) для фиксации формы и положения. Это возвращает «замороженный» объект RV, содержащий заданные фиксированные параметры.

Зафиксировать распределение и отобразить зафиксированное pmf:

>>> rv = betanbinom(n, a, b)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

Проверить точность cdf и ppf:

>>> prob = betanbinom.cdf(x, n, a, b)
>>> np.allclose(x, betanbinom.ppf(prob, n, a, b))
True

Генерировать случайные числа:

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

НазадОткрыть во вкладке