scipy.stats.geom#

scipy.stats.geom = object>[источник]#

Геометрическая дискретная случайная величина.

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

Методы

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

Смотрите также

planck

Примечания

Функция вероятности массы для geom равен:

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

для $k \ge 1$, $0 < p \leq 1$

geom принимает $p$ в качестве параметра формы, где $p$ является вероятностью единичного успеха и $1-p$ это вероятность единичного отказа.

Обратите внимание, что при случайной выборке вероятность наблюдений, превышающих np.iinfo(np.int64).max быстро возрастает при уменьшении $p$ ниже $10^{-17}$. Для $p < 10^{-20}$ почти все наблюдения превысили бы максимальное int64; однако, выходной dtype всегда int64, поэтому эти значения обрезаются до максимума.

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

Примеры

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

Получить поддержку:

>>> p = 0.5
>>> lb, ub = geom.support(p)

Вычислить первые четыре момента:

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

Отображение функции вероятности массы (pmf):

>>> x = np.arange(geom.ppf(0.01, p),
...               geom.ppf(0.99, p))
>>> ax.plot(x, geom.pmf(x, p), 'bo', ms=8, label='geom pmf')
>>> ax.vlines(x, 0, geom.pmf(x, 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 = geom(p)
>>> 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-geom-1_00_00.png

Проверить точность cdf и ppf:

>>> prob = geom.cdf(x, p)
>>> np.allclose(x, geom.ppf(prob, p))
True

Генерировать случайные числа:

>>> r = geom.rvs(p, size=1000)