scipy.stats.

mvsdist#

scipy.stats.mvsdist(данные)[источник]#

«Замороженные» распределения для среднего, дисперсии и стандартного отклонения данных.

Параметры:

данныеarray_like: Входной массив. Преобразуется в 1-D с использованием ravel. Требуется 2 или более точек данных.

Возвращает:

mdist«замороженный» объект распределения: Объект распределения, представляющий среднее значение данных.
vdist«замороженный» объект распределения: Объект распределения, представляющий дисперсию данных.
sdist«замороженный» объект распределения: Объект распределения, представляющий стандартное отклонение данных.

Смотрите также

bayes_mvs

Примечания

Возвращаемые значения из bayes_mvs(data) эквивалентно tuple((x.mean(), x.interval(0.90)) for x in mvsdist(data)).

Другими словами, вызов .mean() и .interval(0.90) на трёх объектах распределения, возвращаемых этой функцией, даст те же результаты, которые возвращаются из bayes_mvs.

Ссылки

T.E. Oliphant, «Байесовский взгляд на оценку среднего, дисперсии и стандартного отклонения по данным», https://scholarsarchive.byu.edu/facpub/278, 2006.

Примеры

>>> from scipy import stats
>>> data = [6, 9, 12, 7, 8, 8, 13]
>>> mean, var, std = stats.mvsdist(data)

Теперь у нас есть замороженные объекты распределений “mean”, “var” и “std”, которые мы можем исследовать:

>>> mean.mean()
9.0
>>> mean.interval(0.95)
(6.6120585482655692, 11.387941451734431)
>>> mean.std()
1.1952286093343936