Một biến ngẫu nhiên riêng biệt Bernoulli.
Là một ví dụ của lớp rv_discrete
, đối tượng bernoulli
kế thừa từ nó một tập hợp các phương thức chung [xem bên dưới để biết danh sách đầy đủ] và hoàn thành chúng với chi tiết cụ thể cho phân phối cụ thể này.
Ghi chú
Hàm khối lượng xác suất cho bernoulli
là:
\ [\ BẮT ĐẦU {split} f [k] = \ start } \]
cho \ [k \] trong \ [\ {0, 1 \} \], \ [0 \ leq p \ leq 1 \]\[k\] in \[\{0, 1\}\], \[0 \leq p \leq 1\]
bernoulli
lấy \ [p \] làm tham số hình dạng, trong đó \ [p \] là xác suất của một thành công duy nhất và \ [1-p \] là xác suất của một lỗi duy nhất.\[p\] as shape parameter, where \[p\] is the probability of a single success and \[1-p\] is the probability of a single failure.
Hàm khối lượng xác suất ở trên được xác định ở dạng tiêu chuẩn hóa trên mạng. Để thay đổi phân phối, sử dụng tham số
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']0. Cụ thể,
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']1 tương đương với
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']2.
Ví dụ
>>> from scipy.stats import bernoulli >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots[1, 1]
Tính bốn khoảnh khắc đầu tiên:
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']
Hiển thị hàm khối lượng xác suất [
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']3]:
>>> x = np.arange[bernoulli.ppf[0.01, p], ... bernoulli.ppf[0.99, p]] >>> ax.plot[x, bernoulli.pmf[x, p], 'bo', ms=8, label='bernoulli pmf'] >>> ax.vlines[x, 0, bernoulli.pmf[x, p], colors='b', lw=5, alpha=0.5]
Ngoài ra, đối tượng phân phối có thể được gọi [như một hàm] để sửa hình dạng và vị trí. Điều này trả về một đối tượng RV Frozen Frozen, giữ các tham số đã cho được sửa.
Đóng băng phân phối và hiển thị
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']3 đóng băng:
>>> rv = bernoulli[p] >>> ax.vlines[x, 0, rv.pmf[x], colors='k', linestyles='-', lw=1, ... label='frozen pmf'] >>> ax.legend[loc='best', frameon=False] >>> plt.show[]
Kiểm tra độ chính xác của
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']5 và
>>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']6:
>>> prob = bernoulli.cdf[x, p] >>> np.allclose[x, bernoulli.ppf[prob, p]] True
Tạo số ngẫu nhiên:
>>> r = bernoulli.rvs[p, size=1000]
Phương pháp
RVS [p, loc = 0, size = 1, Random_state = none] | Biến thể ngẫu nhiên. |
PMF [k, p, loc = 0] | Chức năng có thể xảy ra tập trung. |
logpmf [k, p, loc = 0] | Nhật ký của hàm khối xác suất. |
cdf [k, p, loc = 0] | Chức năng phân phối tích lũy. |
logcdf [k, p, loc = 0] | Nhật ký của hàm phân phối tích lũy. |
SF [k, p, loc = 0] | Hàm sinh tồn [cũng được định nghĩa là >>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']7, nhưng SF đôi khi chính xác hơn]. |
logsf [k, p, loc = 0] | Nhật ký của chức năng sinh tồn. |
ppf [q, p, loc = 0] | Chức năng điểm phần trăm [nghịch đảo của >>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']5 - phần trăm]. |
ISF [q, p, loc = 0] | Chức năng sống sót nghịch đảo [nghịch đảo của >>> p = 0.3 >>> mean, var, skew, kurt = bernoulli.stats[p, moments='mvsk']9]. |
số liệu thống kê [p, loc = 0, khoảnh khắc = mv mv]] | Trung bình [’m,], phương sai [’ v,], độ lệch [‘s,] và/hoặc kurtosis [‘ k,]. |
entropy [p, loc = 0] | [Khác biệt] Entropy của RV. |
Mong đợi [func, args = [p,], loc = 0, lb = none, ub = none, có điều kiện = false] | Giá trị dự kiến của một hàm [của một đối số] đối với phân phối. |
trung bình [p, loc = 0] | Trung bình phân phối. |
trung bình [p, loc = 0] | Trung bình của phân phối. |
var [p, loc = 0] | Phương sai của phân phối. |
std [p, loc = 0] | Độ lệch chuẩn của phân phối. |
khoảng thời gian [độ tin cậy, p, loc = 0] | Khoảng tin cậy với các khu vực bằng nhau xung quanh trung bình. |