Statistics

Statistics標準ライブラリモジュールには、基本的な統計機能が含まれています。

Statistics.std — Function
std(itr; corrected::Bool=true, mean=nothing[, dims])

コレクション itr の標本標準偏差を計算します。

このアルゴリズムは、itr の各要素が、互いに無相関な、同一の未知の分布から得られた標本であると仮定し、その生成分布の標準偏差の推定値を返します。配列の場合、この計算は sqrt.(sum(abs2.(itr .- mean(itr))) / (length(itr) - 1)) の計算と同等です。corrected が true の場合、和には n-1 が乗じられます。一方、corrected が false の場合、和には n が乗じられます。このとき、n は itr の要素数です。

itr が AbstractArray の場合、次元ごとの標準偏差を計算するために dims を指定できます。

事前に計算した mean を指定することもできます。dims を指定する場合、mean は mean(itr, dims=dims) と同じ形状の配列でなければなりません(末尾に追加される次元が 1 の場合は許容されます)。

Note

配列に NaN または missing の値が含まれる場合、結果にも NaN または missing が含まれます(両方が含まれる場合は missing が優先されます)。skipmissing 関数を使うと、missing の要素を除外し、欠損値以外の値の標準偏差を計算できます。

source
Statistics.stdm — Function
stdm(itr, mean; corrected::Bool=true[, dims])

平均値 mean が既知のコレクション itr の標本標準偏差を計算します。

このアルゴリズムは、itr の各要素が、同じ未知の分布から抽出された無相関の標本であると仮定し、生成分布の標準偏差の推定値を返します。配列の場合、この計算は sqrt.(sum(abs2.(itr .- mean(itr))) / (length(itr) - 1)) の計算と同等です。corrected が true の場合、和は n-1 でスケーリングされます。一方、corrected が false で、n が itr の要素数である場合、和は n でスケーリングされます。

itr が AbstractArray の場合、次元ごとの標準偏差を計算するために dims を指定できます。この場合、mean は mean(itr, dims=dims) と同じ形状の配列でなければなりません(末尾に追加される単一要素の次元は許容されます)。

Note

配列に NaN または missing の値が含まれる場合、結果も NaN または missing になります(両方が含まれる場合は missing が優先されます)。skipmissing 関数を使うと、missing の要素を除外して、欠損値以外の値の標準偏差を計算できます。

source
Statistics.var — Function
var(itr; corrected::Bool=true, mean=nothing[, dims])

コレクション itr の標本分散を計算します。

このアルゴリズムは、itr の各要素が、同じ未知の分布から抽出された互いに無相関な標本であると仮定し、生成分布の分散の推定量を返します。配列の場合、この計算は sum(abs2.(itr .- mean(itr))) / (length(itr) - 1) の計算と同等です。corrected が true の場合、合計値には n-1 が乗じられます。一方、corrected が false の場合は、合計値に n が乗じられます。ここで、n は itr の要素数です。

itr が AbstractArray の場合、次元ごとの分散を計算するために dims を指定できます。

事前に計算した mean を指定することもできます。dims を指定する場合、mean は mean(itr, dims=dims) と同じ形状の配列でなければなりません(末尾に追加される次元が単一要素の次元であれば許容されます)。

Note

配列に NaN または missing の値が含まれる場合、結果も NaN または missing になります(両方が含まれる場合は missing が優先されます)。skipmissing 関数を使うと、missing の要素を除外し、欠損値以外の値の分散を計算できます。

source
Statistics.varm — Function
varm(itr, mean; dims, corrected::Bool=true)

平均値 mean が既知の場合に、コレクション itr の標本分散を計算します。

このアルゴリズムは、itr の各要素が、同じ未知の分布から抽出された無相関な標本であると仮定し、生成分布の分散の推定量を返します。配列の場合、この計算は sum(abs2.(itr .- mean(itr))) / (length(itr) - 1) の計算と同等です。corrected が true の場合、和は n-1 でスケーリングされます。一方、corrected が false で、n が itr の要素数である場合、和は n でスケーリングされます。

itr が AbstractArray の場合、次元ごとの分散を計算するために dims を指定できます。この場合、mean は mean(itr, dims=dims) と同じ形状の配列である必要があります(末尾に追加される単一要素の次元は許容されます)。

Note

配列に NaN または missing の値が含まれる場合、結果も NaN または missing になります(両方が含まれる場合は missing が優先されます)。skipmissing 関数を使うと、missing の要素を除外し、欠損値以外の値の分散を計算できます。

source
Statistics.cor — Function
cor(x::AbstractVector)

1 を返します。

source
cor(X::AbstractMatrix; dims::Int=1)

行列 X の次元 dims に沿って、ピアソン相関行列を計算します。

source
cor(x::AbstractVector, y::AbstractVector)

ベクトル x と y のピアソン相関係数を計算します。

source
cor(X::AbstractVecOrMat, Y::AbstractVecOrMat; dims=1)

ベクトルまたは行列 X と Y の間のピアソン相関を、次元 dims に沿って計算します。

source
Statistics.cov — Function
cov(x::AbstractVector; corrected::Bool=true)

ベクトル x の分散を計算します。corrected が true(デフォルト)の場合、合計は n-1 でスケーリングされます。一方、corrected が false であり、n = length(x) の場合は、合計は n でスケーリングされます。

source
cov(X::AbstractMatrix; dims::Int=1, corrected::Bool=true)

行列 X の共分散行列を、次元 dims に沿って計算します。corrected が true(デフォルト)の場合、和は n-1 でスケーリングされます。一方、corrected が false(n = size(X, dims) の場合)なら、和は n でスケーリングされます。

source
cov(x::AbstractVector, y::AbstractVector; corrected::Bool=true)

ベクトル x と y の共分散を計算します。corrected がデフォルトの true の場合、$\frac{1}{n-1}\sum_{i=1}^n (x_i-\bar x) (y_i-\bar y)^*$ を計算します。ここで、$*$ は複素共役を表し、n = length(x) = length(y) です。corrected が false の場合は、$\frac{1}{n}\sum_{i=1}^n (x_i-\bar x) (y_i-\bar y)^*$ を計算します。

source
cov(X::AbstractVecOrMat, Y::AbstractVecOrMat; dims::Int=1, corrected::Bool=true)

ベクトルまたは行列 X と Y の間の共分散を、次元 dims に沿って計算します。corrected がデフォルトの true の場合、合計は n-1 でスケーリングされます。一方、corrected が false であり、n = size(X, dims) = size(Y, dims) の場合は、合計は n でスケーリングされます。

source
Statistics.mean! — Function
mean!(r, v)

r の単一要素の次元に沿って v の平均を計算し、結果を r に書き込みます。出力先が入力元とエイリアスにならないようにしてください。

Examples

julia> using Statistics

julia> v = [1 2; 3 4]
2×2 Matrix{Int64}:
 1  2
 3  4

julia> mean!([1., 1.], v)
2-element Vector{Float64}:
 1.5
 3.5

julia> mean!([1. 1.], v)
1×2 Matrix{Float64}:
 2.0  3.0
source
Statistics.mean — Function
mean(itr)

コレクション内のすべての要素の平均を計算します。

Note

itr に NaN または missing の値が含まれている場合、結果も NaN または missing になります(配列に両方が含まれる場合は missing が優先されます)。skipmissing 関数を使うと、missing の要素を除外して、欠損値以外の値の平均を計算できます。

Examples

julia> using Statistics

julia> mean(1:20)
10.5

julia> mean([1, missing, 3])
missing

julia> mean(skipmissing([1, missing, 3]))
2.0
source
mean(f, itr)

コレクション itr の各要素に関数 f を適用し、その平均を求めます。

julia> using Statistics

julia> mean(√, [1, 2, 3])
1.3820881233139908

julia> mean([√1, √2, √3])
1.3820881233139908
source
mean(f, A::AbstractArray; dims)

配列 A の各要素に関数 f を適用し、次元 dims にわたる平均を求めます。

Julia 1.3

このメソッドを使用するには、Julia 1.3 以降が必要です。

julia> using Statistics

julia> mean(√, [1, 2, 3])
1.3820881233139908

julia> mean([√1, √2, √3])
1.3820881233139908

julia> mean(√, [1 2 3; 4 5 6], dims=2)
2×1 Matrix{Float64}:
 1.3820881233139908
 2.2285192400943226
source
mean(A::AbstractArray; dims)

指定された次元に沿って配列の平均を計算します。

Julia 1.1

空の配列に対する mean の使用には、Julia 1.1 以降が必要です。

Examples

julia> using Statistics

julia> A = [1 2; 3 4]
2×2 Matrix{Int64}:
 1  2
 3  4

julia> mean(A, dims=1)
1×2 Matrix{Float64}:
 2.0  3.0

julia> mean(A, dims=2)
2×1 Matrix{Float64}:
 1.5
 3.5
source
Statistics.median — Function
median(itr)

コレクション内の全要素の中央値を計算します。要素数が偶数の場合、中央値に一致する要素は存在しないため、結果は中央の2要素の平均を計算したものと等しくなります。

Note

itr に NaN または missing の値が含まれる場合、結果も NaN または missing になります(itr に両方が含まれる場合は missing が優先されます)。skipmissing 関数を使用すると、missing の要素を除外し、欠損していない値の中央値を計算できます。

Examples

julia> using Statistics

julia> median([1, 2, 3])
2.0

julia> median([1, 2, 3, 4])
2.5

julia> median([1, 2, missing, 4])
missing

julia> median(skipmissing([1, 2, missing, 4]))
2.0
source
median(A::AbstractArray; dims)

指定した次元に沿って配列の中央値を計算します。

Examples

julia> using Statistics

julia> median([1 2; 3 4], dims=1)
1×2 Matrix{Float64}:
 2.0  3.0
source
median(f, v)

コレクション v の各要素に関数 f を適用し、その後、中央値を計算します。

julia> using Statistics

julia> median(√, [1, 3, 2])
1.4142135623730951

julia> median([√1, √3, √2])
1.4142135623730951
source
Statistics.middle — Function
middle(x)

スカラー値の中央値を計算します。これはx自体と同じ値ですが、一貫性を保つため、型はmiddle(x, x)になります。

source
middle(x, y)

2つの数値 x と y の中間値を計算します。これは、平均値を計算すること((x + y) / 2)と、値と型の両方が等価です。

source
middle(a::AbstractArray)

配列 a の中央の値を求めます。これは、配列の最小値と最大値を見つけ、その平均を計算することです。

julia> using Statistics

julia> middle(1:10)
5.5

julia> a = [1,2,3.6,10.9]
4-element Vector{Float64}:
  1.0
  2.0
  3.6
 10.9

julia> middle(a)
5.95
source
Statistics.quantile! — Function
quantile!([q::AbstractArray, ] v::AbstractVector, p; sorted=false, alpha::Real=1.0, beta::Real=alpha)

確率または確率のベクトル・タプル p(区間 [0,1] 内)を指定して、ベクトル v の分位点を計算します。p がベクトルの場合は、出力配列 q も指定できます(省略すると、新しい出力配列が作成されます)。キーワード引数 sorted は、v がソート済みとみなせるかどうかを指定します。false(デフォルト)の場合、v の要素はインプレースで部分ソートされます。

標本分位点は Q(p) = (1-γ)*x[j] + γ*x[j+1] で定義されます。ここで、x[j] は v の第 j 順序統計量であり、j = floor(n*p + m) および m = alpha + p*(1 - alpha - beta)、γ = n*p + m - j です。

デフォルト(alpha = beta = 1)では、((k-1)/(n-1), x[k]) の点の間を線形補間して分位点を計算します。これは k = 1:n に対して n = length(v) の場合に適用されます。Hyndman と Fan (1996) の定義 7 に相当し、R および NumPy のデフォルトと同じです。

キーワード引数 alpha と beta は、Hyndman と Fan の同名のパラメーターに対応します。これらに異なる値を設定すると、同論文で定義された方法 4〜9 のいずれかで分位点を計算できます。

  • 定義 4: alpha=0、beta=1
  • 定義 5: alpha=0.5、beta=0.5(MATLAB のデフォルト)
  • 定義 6: alpha=0、beta=0(Excel PERCENTILE.EXC、Python のデフォルト、Stata altdef)
  • 定義 7: alpha=1、beta=1(Julia、R、NumPy のデフォルト、Excel PERCENTILE および PERCENTILE.INC、Python 'inclusive')
  • 定義 8: alpha=1/3、beta=1/3
  • 定義 9: alpha=3/8、beta=3/8
Note

v に NaN または missing の値が含まれている場合、ArgumentError がスローされます。

References

  • Hyndman, R.J. および Fan, Y. (1996)「統計パッケージにおける標本分位点」The American Statistician, Vol. 50, No. 4, pp. 361–365
  • Quantile on Wikipedia では、さまざまな分位点の定義について詳しく説明しています。

Examples

julia> using Statistics

julia> x = [3, 2, 1];

julia> quantile!(x, 0.5)
2.0

julia> x
3-element Vector{Int64}:
 1
 2
 3

julia> y = zeros(3);

julia> quantile!(y, x, [0.1, 0.5, 0.9]) === y
true

julia> y
3-element Vector{Float64}:
 1.2
 2.0
 2.8
source
Statistics.quantile — Function
quantile(itr, p; sorted=false, alpha::Real=1.0, beta::Real=alpha)

コレクション itr の、区間 [0,1] 上の指定した確率、または確率のベクトルやタプル p における分位点を計算します。キーワード引数 sorted は、itr がソート済みとみなせるかどうかを指定します。

標本分位点は Q(p) = (1-γ)*x[j] + γ*x[j+1] で定義されます。ここで、x[j] は itr の第 j 順序統計量であり、j = floor(n*p + m) および m = alpha + p*(1 - alpha - beta)、γ = n*p + m - j です。

デフォルト(alpha = beta = 1)では、((k-1)/(n-1), x[k]) の点の間を線形補間して分位点を計算します(k = 1:n の場合、n = length(itr))。これは Hyndman と Fan (1996) の定義 7 に相当し、R および NumPy のデフォルトと同じです。

キーワード引数 alpha と beta は、Hyndman と Fan の同名のパラメーターに対応します。これらを異なる値に設定すると、同論文で定義されている方法 4〜9 のいずれかで分位点を計算できます。

  • 定義 4: alpha=0、beta=1
  • 定義 5: alpha=0.5、beta=0.5(MATLAB のデフォルト)
  • 定義 6: alpha=0、beta=0(Excel PERCENTILE.EXC、Python のデフォルト、Stata altdef)
  • 定義 7: alpha=1、beta=1(Julia、R、NumPy のデフォルト、Excel PERCENTILE および PERCENTILE.INC、Python 'inclusive')
  • 定義 8: alpha=1/3、beta=1/3
  • 定義 9: alpha=3/8、beta=3/8
Note

v に NaN または missing の値が含まれている場合、ArgumentError がスローされます。欠損値を除外して非欠損値の分位点を計算するには、skipmissing 関数を使って missing の要素を除外してください。

References

  • Hyndman, R.J. および Fan, Y. (1996)「統計パッケージにおける標本分位点」、『The American Statistician』第 50 巻、第 4 号、361–365 ページ
  • Quantile on Wikipedia では、さまざまな分位点の定義について説明しています。

Examples

julia> using Statistics

julia> quantile(0:20, 0.5)
10.0

julia> quantile(0:20, [0.1, 0.5, 0.9])
3-element Vector{Float64}:
  2.0
 10.0
 18.0

julia> quantile(skipmissing([1, 10, missing]), 0.5)
5.5
source
quantile(f, v)

コレクション v の各要素に関数 f を適用し、区間 [0,1] 内の指定された確率、確率のベクトル、または確率のタプル p における分位点を計算します。

julia> using Statistics

julia> quantile(√, [1, 3, 2], 0.3)
1.248528137423857

julia> quantile([√1, √3, √2], 0.3)
1.248528137423857

julia> quantile(√, [1, 3, 2], (0.3, 0.4, 0.5))
(1.248528137423857, 1.3313708498984762, 1.4142135623730951)

julia> quantile(.√[1, 3, 2], (0.3, 0.4, 0.5))
(1.248528137423857, 1.3313708498984762, 1.4142135623730951)
source