scipy.stats.dirichlet_multinomial#

scipy.stats.dirichlet_multinomial = <scipy.stats._multivariate.dirichlet_multinomial_gen object>[源代码]#

一个狄利克雷多项式随机变量。

Dirichlet 多项分布是一种复合概率分布：它是具有试验次数 n 和类别概率 p 的多项分布，其中类别概率 p 是从具有浓度参数 alpha 的 Dirichlet 分布中随机抽取的。

参数:
alphaarray_like

浓度参数。沿最后一个轴的条目数量决定了分布的维度。每个条目必须严格为正。

n整数或类数组

试验次数。每个元素必须是一个严格正整数。

种子{None, int, np.random.RandomState, np.random.Generator}, 可选

用于绘制随机变量。如果 seed 是 None，则使用 RandomState 单例。如果 seed 是整数，则使用新的 RandomState 实例，并以 seed 为种子。如果 seed 已经是 RandomState 或 Generator 实例，则使用该对象。默认值为 None。

方法

logpmf(x, alpha, n):

概率质量函数的对数。

pmf(x, alpha, n):

概率质量函数。

mean(alpha, n):

Dirichlet 多项分布的均值。

var(alpha, n):

Dirichlet 多项分布的方差。

cov(alpha, n):

Dirichlet 多项分布的协方差。

参见

scipy.stats.dirichlet

狄利克雷分布。

scipy.stats.multinomial

多项分布。

参考文献

[1]

Dirichlet-多项分布, 维基百科, https://www.wikipedia.org/wiki/Dirichlet-multinomial_distribution

示例

>>> from scipy.stats import dirichlet_multinomial

获取 PMF

>>> n = 6  # number of trials
>>> alpha = [3, 4, 5]  # concentration parameters
>>> x = [1, 2, 3]  # counts
>>> dirichlet_multinomial.pmf(x, alpha, n)
0.08484162895927604

如果类别计数的总和不等于试验次数，则概率质量为零。

>>> dirichlet_multinomial.pmf(x, alpha, n=7)
0.0

获取 PMF 的日志

>>> dirichlet_multinomial.logpmf(x, alpha, n)
-2.4669689491013327

获取均值

>>> dirichlet_multinomial.mean(alpha, n)
array([1.5, 2. , 2.5])

获取方差

>>> dirichlet_multinomial.var(alpha, n)
array([1.55769231, 1.84615385, 2.01923077])

获取协方差

>>> dirichlet_multinomial.cov(alpha, n)
array([[ 1.55769231, -0.69230769, -0.86538462],
       [-0.69230769,  1.84615385, -1.15384615],
       [-0.86538462, -1.15384615,  2.01923077]])

或者，可以调用该对象（作为函数）来固定 alpha 和 n 参数，返回一个“冻结”的 Dirichlet 多项式随机变量。

>>> dm = dirichlet_multinomial(alpha, n)
>>> dm.pmf(x)
0.08484162895927579

所有方法都是完全矢量化的。x 和 alpha 的每个元素都是一个向量（沿最后一个轴），n 的每个元素是一个整数（标量），结果是逐元素计算的。

>>> x = [[1, 2, 3], [4, 5, 6]]
>>> alpha = [[1, 2, 3], [4, 5, 6]]
>>> n = [6, 15]
>>> dirichlet_multinomial.pmf(x, alpha, n)
array([0.06493506, 0.02626937])

>>> dirichlet_multinomial.cov(alpha, n).shape  # both covariance matrices
(2, 3, 3)

根据标准的 NumPy 约定支持广播。在这里，我们有四组浓度参数（每个是两个元素的向量），每个参数对应三个试验次数（每个是标量）。

>>> alpha = [[3, 4], [4, 5], [5, 6], [6, 7]]
>>> n = [[6], [7], [8]]
>>> dirichlet_multinomial.mean(alpha, n).shape
(3, 4, 2)
On this page