scipy.stats.t

scipy.stats.t = <scipy.stats._continuous_distns.t_gen object>

学生 t 连续随机变量。

对于非中心 t 分布，请参见 nct。

作为 rv_continuous 类的一个实例，t 对象继承了它一系列通用方法（完整列表见下文），并根据此特定分布的细节进行了补充。

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)	累积分布函数的对数。
sf(x, df, loc=0, scale=1)	生存函数 (也定义为 1 - cdf，但 sf 有时更精确)。
logsf(x, df, loc=0, scale=1)	生存函数的对数。
ppf(q, df, loc=0, scale=1)	百分点函数（cdf 的逆函数 — 百分位数）。
isf(q, df, loc=0, scale=1)	逆生存函数（sf 的逆函数）。
moment(order, df, loc=0, scale=1)	指定阶数的非中心矩。
stats(df, loc=0, scale=1, moments=’mv’)	均值(‘m’)、方差(‘v’)、偏度(‘s’) 和/或 峰度(‘k’)。
entropy(df, loc=0, scale=1)	（微分）随机变量的熵。
fit(data)	通用数据的参数估计。有关关键字参数的详细文档，请参见 scipy.stats.rv_continuous.fit 。
expect(func, args=(df,), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)	函数（单参数）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)	分布的均值。
var(df, loc=0, scale=1)	分布的方差。
std(df, loc=0, scale=1)	分布的标准差。
interval(confidence, df, loc=0, scale=1)	在中位数周围等面积的置信区间。

参见

nct

注释

t 的概率密度函数为：

\[f(x, \nu) = \frac{\Gamma((\nu+1)/2)} {\sqrt{\pi \nu} \Gamma(\nu/2)} (1+x^2/\nu)^{-(\nu+1)/2}\]

其中 \(x\) 是一个实数，自由度参数 \(\nu`（在实现中记作 ``df`\)）满足 \(\nu > 0\)。\(\Gamma\) 是伽马函数（scipy.special.gamma）。

上述概率密度是在“标准化”形式中定义的。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体来说，t.pdf(x, df, loc, scale) 完全等同于 t.pdf(y, df) / scale，其中 y = (x - loc) / scale。请注意，移动分布的位置并不会使其成为“非中心”分布；某些分布的非中心泛化在单独的类中可用。

示例

Try it in your browser!

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

计算前四个矩：

>>> 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，分布对象可以被调用（作为一个函数）来固定形状、位置和尺度参数。这将返回一个持有给定参数固定的“冻结”RV对象。

冻结分发并显示冻结的 pdf：

>>> rv = t(df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查 cdf 和 ppf 的准确性：

>>> 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, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

Go BackOpen In Tab