四個經常使用分佈的機率密度函數、分佈函數、指望、分位數、以及指望方差標準差中位數原點矩:
html
1,正態分佈:
from scipy.stats import norm
(1)機率密度函數:python
norm.pdf(x, mu, sigma) # 返回N(mu,sigma^2)的機率密度函數在 x 處的值
(2)機率分佈函數:數組
norm.cdf(x, mu, sigma) # 返回N(mu,sigma^2)的機率密度函數在 負無窮 到 x 上的積分,也就是機率分佈函數的值
norm.sf(x, mu, sigma) # 返回 1 - norm.cdf(x, mu, sigma^2)
(3)數學指望:函數
norm.expect( func = f, loc = mu, scale = sigma ) # 返回f(x)的指望,注意這裏的loc和scale
(4)分位數:post
norm.isf(1-alpha, mu, sigma) # 返回值s知足:norm.cdf(s, mu, sigma^2) = alpha,s就是alpha分位數
norm.ppf(alpha, mu, sigma) # 返回值s知足:norm.cdf(s, mu, sigma^2) = alpha,s就是alpha分位數
(5)最大似然估計:spa
norm.fit(a) # 假定數組a來自正態分佈,返回mu和sigma的最大似然估計。感受結果不咋地。。
(6)分佈的數量關係:code
norm.mean(mu,sigma) # N(mu,sigma^2) 的均值
norm.var(mu,sigma) # N(mu,sigma^2) 的方差
norm.std(mu,sigma) # N(mu,sigma^2) 的方差再開平方根
norm.median(mu,sigma) # N(mu,sigma^2) 的中位數
norm.moment(a,mu,sigma) # N(mu,sigma^2) 的 a 階原點矩
(7)產生知足正態分佈的隨機數:orm
norm.rvs(loc = mu,scale = sigma, size = N) # 產生N個服從N(mu,sigma^2)的隨機數
from scipy.stats import chi2
(1)機率密度函數:htm
chi2.pdf(x, n) # 返回\chi^2(n)的機率密度函數在 x 處的值
(2)機率分佈函數:blog
chi2.cdf(x, n) # 返回\chi^2(n)的機率密度函數在 0 到 x 上的積分,也就是機率分佈函數的值
chi2.sf(x, n) # 返回 1 - chi2.cdf(x, n)
(3)數學指望:
chi2.expect( func = f , args=(n,) ) # 返回f(x)的指望
(4)分位數:
chi2.isf(1-alpha, n) # 返回值s知足:chi2.cdf(s, n) = alpha, s就是alpha分位數
chi2.ppf(alpha, n) # 返回值s知足:chi2.cdf(s, n) = alpha, s就是alpha分位數
(5)分佈的數量關係:
chi2.mean(n) # \chi^2(n) 的均值
chi2.var(n) # \chi^2(n) 的方差
chi2.std(n) # \chi^2(n) 的方差再開平方根
chi2.median(n) # \chi^2(n) 的中位數
chi2.moment(a,n) # \chi^2(n) 的 a 階原點矩
from scipy.stats import f
(1)機率密度函數:
f.pdf(x, m, n) # 返回F(m,n)的機率密度函數在x處的值
(2)機率分佈函數:
f.cdf(x, m, n) # 返回F(m,n)的機率密度函數在0到x上的積分,也就是機率分佈函數的值
chi2.sf(x, n) # 返回 1 - f.cdf(x, m, n)
(3)數學指望:
f.expect( func = g , args=(m, n) ) # 返回g(x)的數學指望
(4)分位數:
f.isf(1-alpha, m, n) # 返回值s知足:chi2.cdf(s, n) = alpha, s就是alpha分位數
f.ppf(alpha, m, n) # 返回值s知足:chi2.cdf(s, n) = alpha, s就是alpha分位數
(5)分佈的數量關係:
f.mean(m, n) # F(m,n) 的均值
f.var(m, n) # F(m,n) 的方差
f.std(m, n) # F(m,n) 的方差再開平方根
f.median(m, n) # F(m,n) 的中位數
f.moment(a, m, n) # F(m,n) 的 a 階原點矩
from scipy.stats import t
(1)機率密度函數:
t.pdf(x, n) # 返回t(n)的機率密度函數在x處的值
(2)機率分佈函數:
t.cdf(x, n) # 返回t(n)的機率密度函數在負無窮到x上的積分,也就是機率分佈函數的值
t.sf(x, n) # 返回 1 - t.cdf(x, n)
(3)數學指望:
t.expect( func = f , args=(n,) ) # 返回f(x)的指望
(4)分位數:
t.isf(1-alpha, n) # 返回值s知足:t.cdf(s, n) = alpha, s就是alpha分位數
t.ppf(alpha, n) # 返回值s知足:t.cdf(s, n) = alpha, s就是alpha分位數
(5)分佈的數量關係:
t.mean(n) # t(n) 的均值
t.var(n) # t(n) 的方差
t.std(n) # t(n) 的方差再開平方根
t.median(n) # t(n) 的中位數
t.moment(a,n) # t(n) 的 a 階原點矩