bayesian_blocks

astropy.stats.bayesian_blocks(t, x=None, sigma=None, fitness='events', **kwargs)

スカゲルベイズブロックを用いてデータの最適分割を計算する

これはScargle 2012で記述されたベイジアンブロックアルゴリズムの柔軟な実現である. [1].

パラメータ

tアレイ式.

データ回数(1次元，長さN)

x同様のアレイはオプションです

データ値.

sigmaクラス配列または浮動小数点型、オプション

データエラー

fitness文字列またはオブジェクト

モデルの適応度関数に用いる.文字列である場合は、以下のオプションをサポートします。

• “事件” : binned or unbinned event data. Arguments are gamma, which gives the slope of the prior on the number of bins, or ncp_prior, which is \(-\ln({{\tt gamma}})\) それがそうです。

• 'regular_events' : non-overlapping events measured at multiples of a fundamental tick rate, dt, which must be specified as an additional argument. Extra arguments are p0, which gives the false alarm probability to compute the prior, or gamma, which gives the slope of the prior on the number of bins, or ncp_prior, which is \(-\ln({{\tt gamma}})\) それがそうです。

• “措置” : fitness for a measured sequence with Gaussian errors. Extra arguments are p0, which gives the false alarm probability to compute the prior, or gamma, which gives the slope of the prior on the number of bins, or ncp_prior, which is \(-\ln({{\tt gamma}})\) それがそうです。

In all three cases, if more than one of p0, gamma, and ncp_prior is chosen, ncp_prior takes precedence over gamma which takes precedence over p0.

あるいは、適応度パラメータは FitnessFunc あるいはそのサブクラスです

**kwargs :

他のキーワードパラメータは指定されたものに渡されます FitnessFunc 派生類。

返品

edgesNdarray

N個の柱を定義する(N+1)条辺を含む配列

参考

astropy.stats.histogram

ベイジアンブロックを用いてヒストグラムを計算する

参考文献

1

スカガーJらです(2012)https：//ui.adsab.atherard.edu/abs/2013 ApJ...764..167 S

実例.

活動データ：

>>> t = np.random.normal(size=100)
>>> edges = bayesian_blocks(t, fitness='events', p0=0.01)

繰り返しのイベントデータ：

>>> t = np.random.normal(size=100)
>>> t[80:] = t[:20]
>>> edges = bayesian_blocks(t, fitness='events', p0=0.01)

通常のイベントデータ：

>>> dt = 0.05
>>> t = dt * np.arange(1000)
>>> x = np.zeros(len(t))
>>> x[np.random.randint(0, len(t), len(t) // 10)] = 1
>>> edges = bayesian_blocks(t, x, fitness='regular_events', dt=dt)

間違った測定点データ：

>>> t = 100 * np.random.random(100)
>>> x = np.exp(-0.5 * (t - 50) ** 2)
>>> sigma = 0.1
>>> x_obs = np.random.normal(x, sigma)
>>> edges = bayesian_blocks(t, x_obs, sigma, fitness='measures')