Hướng dẫn plot kurtosis in python - âm mưu kurtosis ở trăn

Tính toán Kurtosis (Fisher hoặc Pearson) của một bộ dữ liệu.

Kurtosis là khoảnh khắc trung tâm thứ tư chia cho bình phương phương sai. Nếu định nghĩa của Fisher, được sử dụng, thì 3.0 được trừ vào kết quả để cung cấp 0,0 cho phân phối bình thường.

Nếu sai lệch là sai thì kurtosis được tính toán bằng cách sử dụng k thống kê để loại bỏ sai lệch đến từ các công cụ ước tính thời điểm sai lệch

Sử dụng

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

Dữ liệu mà kurtosis được tính toán.

Nếu một int, trục của đầu vào dọc theo đó để tính toán thống kê. Thống kê của mỗi slice trục (ví dụ: hàng) của đầu vào sẽ xuất hiện trong một phần tử tương ứng của đầu ra. Nếu

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

Nếu đúng, định nghĩa của Fisher, được sử dụng (bình thường ==> 0,0). Nếu sai, định nghĩa Pearson, được sử dụng (bình thường ==> 3.0).

Nếu sai, thì các tính toán được sửa chữa cho sai lệch thống kê.

Xác định cách xử lý Nans đầu vào.

• >>> import matplotlib.pyplot as plt
  >>> import scipy.stats as stats
  >>> from scipy.stats import kurtosis
  

  2: Nếu một NAN có mặt trong lát trục (ví dụ: hàng) theo đó thống kê được tính toán, mục nhập tương ứng của đầu ra sẽ là NAN.

• >>> import matplotlib.pyplot as plt
  >>> import scipy.stats as stats
  >>> from scipy.stats import kurtosis
  

  3: Nans sẽ bị bỏ qua khi thực hiện tính toán. Nếu không đủ dữ liệu vẫn còn trong lát trục mà thống kê được tính toán, mục nhập tương ứng của đầu ra sẽ là NAN.

• >>> import matplotlib.pyplot as plt
  >>> import scipy.stats as stats
  >>> from scipy.stats import kurtosis
  

  4: Nếu có NAN có mặt,

  >>> import matplotlib.pyplot as plt
  >>> import scipy.stats as stats
  >>> from scipy.stats import kurtosis
  

  5 sẽ được nâng lên.

Nếu điều này được đặt thành TRUE, các trục bị giảm được để lại trong kết quả là kích thước với kích thước một. Với tùy chọn này, kết quả sẽ phát sóng chính xác so với mảng đầu vào.

Kurtosis của các giá trị dọc theo một trục, trả lại NaN trong đó tất cả các giá trị đều bằng nhau.

Ghi chú

Bắt đầu trong đầu vào SCIPY 1.9,

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

Người giới thiệu

Zwillinger, D. và Kokoska, S. (2000). Xác suất tiêu chuẩn CRC và bảng thống kê và công thức. Chapman & Hall: New York. 2000.

Ví dụ

Trong Fisher, Definiton, kurtosis của phân phối bình thường bằng không. Trong ví dụ sau, kurtosis gần bằng không, vì nó được tính toán từ bộ dữ liệu, không phải từ phân phối liên tục.

>>> from scipy.stats import norm, kurtosis
>>> data = norm.rvs(size=1000, random_state=3)
>>> kurtosis(data)
-0.06928694200380558

Sự phân phối với kurtosis cao hơn có đuôi nặng hơn. Không có giá trị có giá trị của phân phối bình thường trong định nghĩa của Fisher có thể đóng vai trò là điểm tham chiếu.

>>> import matplotlib.pyplot as plt
>>> import scipy.stats as stats
>>> from scipy.stats import kurtosis

>>> x = np.linspace(-5, 5, 100)
>>> ax = plt.subplot()
>>> distnames = ['laplace', 'norm', 'uniform']

>>> for distname in distnames:
...     if distname == 'uniform':
...         dist = getattr(stats, distname)(loc=-2, scale=4)
...     else:
...         dist = getattr(stats, distname)
...     data = dist.rvs(size=1000)
...     kur = kurtosis(data, fisher=True)
...     y = dist.pdf(x)
...     ax.plot(x, y, label="{}, {}".format(distname, round(kur, 3)))
...     ax.legend()

Phân phối Laplace có đuôi nặng hơn so với phân phối bình thường. Sự phân bố đồng đều (có kurtosis âm tính) có đuôi mỏng nhất.