scipy.stats.

mvsdist#

scipy.stats.mvsdist(data)[Quelle]#

„Eingefrorene“ Verteilungen für Mittelwert, Varianz und Standardabweichung von Daten.

Parameter:

dataarray_like: Eingabearray. Wird mittels ravel zu 1-D konvertiert. Benötigt 2 oder mehr Datenpunkte.

Rückgabe:

mdist„eingefrorenes“ Verteilungsobjekt: Verteilungsobjekt, das den Mittelwert der Daten repräsentiert.
vdist„eingefrorenes“ Verteilungsobjekt: Verteilungsobjekt, das die Varianz der Daten repräsentiert.
sdist„eingefrorenes“ Verteilungsobjekt: Verteilungsobjekt, das die Standardabweichung der Daten repräsentiert.

Siehe auch

bayes_mvs

Hinweise

Die Rückgabewerte von bayes_mvs(data) sind äquivalent zu tuple((x.mean(), x.interval(0.90)) for x in mvsdist(data)).

Mit anderen Worten, das Aufrufen von <dist>.mean() und <dist>.interval(0.90) für die drei von dieser Funktion zurückgegebenen Verteilungsobjekte ergibt die gleichen Ergebnisse wie die von bayes_mvs zurückgegebenen.

Referenzen

T.E. Oliphant, „A Bayesian perspective on estimating mean, variance, and standard-deviation from data“, https://scholarsarchive.byu.edu/facpub/278, 2006.

Beispiele

>>> from scipy import stats
>>> data = [6, 9, 12, 7, 8, 8, 13]
>>> mean, var, std = stats.mvsdist(data)

Wir haben jetzt „eingefrorene“ Verteilungsobjekte „mean“, „var“ und „std“, die wir untersuchen können

>>> mean.mean()
9.0
>>> mean.interval(0.95)
(6.6120585482655692, 11.387941451734431)
>>> mean.std()
1.1952286093343936