scipy.stats.betabinom

scipy.stats.betabinom = <scipy.stats._discrete_distns.betabinom_gen Objekt>

Eine diskrete Beta-Binomial-Zufallsvariable.

Als Instanz der Klasse rv_discrete erbt das Objekt betabinom davon eine Sammlung generischer Methoden (siehe unten für die vollständige Liste) und vervollständigt sie mit Details, die für diese spezielle Verteilung spezifisch sind.

Methoden

rvs(n, a, b, loc=0, size=1, random_state=None)	Zufallsvariaten.
pmf(k, n, a, b, loc=0)	Wahrscheinlichkeitsmassenfunktion.
logpmf(k, n, a, b, loc=0)	Logarithmus der Wahrscheinlichkeitsmassenfunktion.
cdf(k, n, a, b, loc=0)	Kumulative Verteilungsfunktion.
logcdf(k, n, a, b, loc=0)	Logarithmus der kumulativen Verteilungsfunktion.
sf(k, n, a, b, loc=0)	Überlebensfunktion (auch definiert als 1 - cdf, aber sf ist manchmal genauer).
logsf(k, n, a, b, loc=0)	Logarithmus der Überlebensfunktion.
ppf(q, n, a, b, loc=0)	Perzentilpunktfunktion (Umkehrung von cdf — Perzentile).
isf(q, n, a, b, loc=0)	Umgekehrte Überlebensfunktion (Umkehrung von sf).
stats(n, a, b, loc=0, moments=’mv’)	Mittelwert(‚m‘), Varianz(‚v‘), Schiefe(‚s‘) und/oder Kurtosis(‚k‘).
entropy(n, a, b, loc=0)	(Differential-)Entropie der RV.
expect(func, args=(n, a, b), loc=0, lb=None, ub=None, conditional=False)	Erwartungswert einer Funktion (einer Variablen) bezüglich der Verteilung.
median(n, a, b, loc=0)	Median der Verteilung.
mean(n, a, b, loc=0)	Mittelwert der Verteilung.
var(n, a, b, loc=0)	Varianz der Verteilung.
std(n, a, b, loc=0)	Standardabweichung der Verteilung.
interval(confidence, n, a, b, loc=0)	Konfidenzintervall mit gleichen Flächen um den Median.

Siehe auch

beta, binom

Hinweise

Die Beta-Binomial-Verteilung ist eine Binomialverteilung mit einer Erfolgswahrscheinlichkeit p, die einer Beta-Verteilung folgt.

Die Wahrscheinlichkeitsmassenfunktion für betabinom ist

\[f(k) = \binom{n}{k} \frac{B(k + a, n - k + b)}{B(a, b)}\]

für \(k \in \{0, 1, \dots, n\}\), \(n \geq 0\), \(a > 0\), \(b > 0\), wobei \(B(a, b)\) die Beta-Funktion ist.

betabinom verwendet \(n\), \(a\) und \(b\) als Formparameter.

Die obige Wahrscheinlichkeitsmassenfunktion ist in der „standardisierten“ Form definiert. Um die Verteilung zu verschieben, verwenden Sie den Parameter loc. Insbesondere ist betabinom.pmf(k, n, a, b, loc) identisch mit betabinom.pmf(k - loc, n, a, b).

Referenzen

[1]

https://en.wikipedia.org/wiki/Beta-binomial_distribution

Hinzugefügt in Version 1.4.0.

Beispiele

Probieren Sie es in Ihrem Browser aus!

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

Ermitteln Sie den Träger (Support)

>>> n, a, b = 5, 2.3, 0.63
>>> lb, ub = betabinom.support(n, a, b)

Berechnen Sie die ersten vier Momente

>>> mean, var, skew, kurt = betabinom.stats(n, a, b, moments='mvsk')

Anzeigen der Wahrscheinlichkeitsmassenfunktion (pmf)

>>> x = np.arange(betabinom.ppf(0.01, n, a, b),
...               betabinom.ppf(0.99, n, a, b))
>>> ax.plot(x, betabinom.pmf(x, n, a, b), 'bo', ms=8, label='betabinom pmf')
>>> ax.vlines(x, 0, betabinom.pmf(x, n, a, b), colors='b', lw=5, alpha=0.5)

Alternativ kann das Verteilungsobjekt (als Funktion) aufgerufen werden, um die Form und den Ort festzulegen. Dies gibt ein „eingefrorenes“ RV-Objekt zurück, das die angegebenen Parameter beibehält.

Die Verteilung einfrieren und die eingefrorene pmf anzeigen

>>> rv = betabinom(n, a, b)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
...         label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

Überprüfen Sie die Genauigkeit von cdf und ppf

>>> prob = betabinom.cdf(x, n, a, b)
>>> np.allclose(x, betabinom.ppf(prob, n, a, b))
True

Generieren Sie Zufallszahlen

>>> r = betabinom.rvs(n, a, b, size=1000)

ZurückIn Tab öffnen