python中 t用法_python scipy stats.t用法及代码示例

学生的连续随机变量。

作为一个实例rv_continuous类，t对象从中继承了通用方法的集合(完整列表请参见下文)，并使用特定于此特定发行版的详细信息来完善它们。

注意：

的概率密度函数t是：

其中是实数和自由度参数(表示为df在实施中)满足。是伽马函数(scipy.special.gamma)。

上面的概率密度以“standardized”形式定义。要移动和/或缩放分布，请使用loc和scale参数。特别，t.pdf(x, df, loc, scale)等同于t.pdf(y, df) / scale与y = (x - loc) / scale。

例子：

>>> from scipy.stats import t

>>> import matplotlib.pyplot as plt

>>> fig, ax = plt.subplots(1, 1)

首先计算一下：

>>> df = 2.74

>>> mean, var, skew, kurt = t.stats(df, moments='mvsk')

显示概率密度函数(pdf)：

>>> x = np.linspace(t.ppf(0.01, df),

... t.ppf(0.99, df), 100)

>>> ax.plot(x, t.pdf(x, df),

... 'r-', lw=5, alpha=0.6, label='t pdf')

或者，可以调用分发对象(作为函数)以固定形状，位置和比例参数。这将返回固定固定给定参数的“frozen” RV对象。

冻结发行版并显示冻结的pdf：

>>> rv = t(df)

>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查的准确性cdf和ppf：

>>> vals = t.ppf([0.001, 0.5, 0.999], df)

>>> np.allclose([0.001, 0.5, 0.999], t.cdf(vals, df))

True

生成随机数：

>>> r = t.rvs(df, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)

>>> ax.legend(loc='best', frameon=False)

>>> plt.show()

方法：

rvs(df, loc=0, scale=1, size=1, random_state=None)

随机变量。

pdf(x, df, loc=0, scale=1)

概率密度函数。

logpdf(x, df, loc=0, scale=1)

概率密度函数的对数。

cdf(x, df, loc=0, scale=1)

累积分布函数。

logcdf(x, df, loc=0, scale=1)

累积分布函数的日志。

sf(x, df, loc=0, scale=1)

生存函数(也定义为1 - cdf，但sf有时更准确)。

logsf(x, df, loc=0, scale=1)

生存函数的日志。

ppf(q, df, loc=0, scale=1)

百分比点函数(的倒数cdf—百分位数)。

isf(q, df, loc=0, scale=1)

逆生存函数(sf)。

moment(n, df, loc=0, scale=1)

n阶非中心矩

stats(df, loc=0, scale=1, moments=’mv’)

均值(‘m’)，方差(‘v’)，偏斜(‘s’)和/或峰度(‘k’)。

entropy(df, loc=0, scale=1)

RV的(微分)熵。

fit(data, df, loc=0, scale=1)

通用数据的参数估计。

expect(func, args=(df,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函数(具有一个参数)相对于分布的期望值。

median(df, loc=0, scale=1)

分布的中位数。

mean(df, loc=0, scale=1)

分布的平均值。

var(df, loc=0, scale=1)

分布的差异。

std(df, loc=0, scale=1)

分布的标准偏差。

interval(alpha, df, loc=0, scale=1)

包含分布的Alpha百分比的范围的端点