scipy.stats.binom

scipy.stats.binom = object>

Биномиальная дискретная случайная величина.

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

Методы

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

Смотрите также

hypergeom, nbinom, nhypergeom

Примечания

Функция вероятности массы для binom равен:

\[f(k) = \binom{n}{k} p^k (1-p)^{n-k}\]

для \(k \in \{0, 1, \dots, n\}\), \(0 \leq p \leq 1\)

binom принимает \(n\) и \(p\) как параметры формы, где \(p\) является вероятностью единичного успеха и \(1-p\) это вероятность единичного отказа.

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

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

Ссылки

[1]

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

Примеры

Попробуйте в вашем браузере!

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

Получить поддержку:

>>> n, p = 5, 0.4
>>> lb, ub = binom.support(n, p)

Вычислить первые четыре момента:

>>> mean, var, skew, kurt = binom.stats(n, p, moments='mvsk')

Отображение функции вероятности массы (pmf):

>>> x = np.arange(binom.ppf(0.01, n, p),
...               binom.ppf(0.99, n, p))
>>> ax.plot(x, binom.pmf(x, n, p), 'bo', ms=8, label='binom pmf')
>>> ax.vlines(x, 0, binom.pmf(x, n, p), 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 = binom(n, p)
>>> 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 = binom.cdf(x, n, p)
>>> np.allclose(x, binom.ppf(prob, n, p))
True

Генерировать случайные числа:

>>> r = binom.rvs(n, p, size=1000)

НазадОткрыть во вкладке