Ma trận phân phối chuẩn python
Phân phối chuẩn thường được sử dụng trong khoa học tự nhiên và xã hội để biểu diễn các biến ngẫu nhiên có giá trị thực chưa biết phân phối. Phân phối chuẩn là phân phối xác suất lý thuyết liên tục. Trong bài viết này, tôi sẽ khám phá phân phối Chuẩn bằng Jupyter Notebook Show
Hãy nhập tất cả các thư viện cần thiết from scipy.stats import norm Hàm mật độ xác suất phân phối chuẩnHàm mật độ xác suất (PDF) của phân phối chuẩn là Biến ngẫu nhiên 𝑋 được mô tả trong PDF là biến chuẩn tuân theo phân phối chuẩn với giá trị trung bình và phương sai Ký hiệu phân phối chuẩn là Diện tích dưới đường cong bằng 1 giá trị norm.pdf(x=1.0, loc=0, scale=1)5norm.pdf(x=1.0, loc=0, scale=1) 5 trả về một giá trị PDF. Sau đây là giá trị PDF khi 𝑥=1, 𝜇=0, 𝜎=1norm.pdf(x=1.0, loc=0, scale=1) Nếu bạn muốn xem mã cho biểu đồ trên, vui lòng xem cái này Vì norm.pdf(x=1.0, loc=0, scale=1) 5 trả về giá trị PDF nên chúng ta có thể sử dụng hàm này để vẽ đồ thị hàm phân phối chuẩn. Chúng tôi vẽ biểu đồ PDF của phân phối chuẩn bằng cách sử dụng norm.pdf(x=1.0, loc=0, scale=1) 8, norm.pdf(x=1.0, loc=0, scale=1) 9 và fig, ax = plt.subplots()0. Ta sử dụng miền −4<𝑥<4, khoảng 0<𝑓(𝑥)<0. 45, các giá trị mặc định 𝜇=0 và 𝜎=1. fig, ax = plt.subplots()1 tạo biểu đồ fig, ax = plt.subplots() Một đường cong bình thường là hình chuông trơn. Nó đối xứng qua 𝑥=𝜇 và có điểm cực đại tại 𝑥=𝜇 PDF phân phối chuẩn với các độ lệch chuẩn khác nhauHãy vẽ đồ thị các hàm phân phối xác suất của một phân phối chuẩn trong đó giá trị trung bình có các độ lệch chuẩn khác nhau fig, ax = plt.subplots()2 có từ khóa, fig, ax = plt.subplots()3 và fig, ax = plt.subplots()4. Từ khóa vị trí (loc) chỉ định giá trị trung bình và từ khóa tỷ lệ (scale) chỉ định độ lệch chuẩn norm.pdf(x=1.0, loc=0, scale=1) 3PDF phân phối bình thường với các phương tiện khác nhauHãy vẽ các hàm phân phối xác suất của phân phối chuẩn trong đó độ lệch chuẩn là 1 và các phương tiện khác nhau norm.pdf(x=1.0, loc=0, scale=1) 4Giá trị trung bình của phân phối xác định vị trí của trung tâm của đồ thị. Như bạn có thể thấy trong biểu đồ trên, hình dạng của biểu đồ không thay đổi khi thay đổi giá trị trung bình, nhưng biểu đồ được dịch theo chiều ngang Chức năng mô hình hóaTừ hồi quy tuyến tính đến logistichướng tới khoa học dữ liệu. com Sử dụng các giá trị phân phối chuẩn ngẫu nhiên fig, ax = plt.subplots()5 tạo ra các số phân phối chuẩn ngẫu nhiên theo ________ 74 là độ lệch chuẩn, ________ 73 là giá trị trung bình và kích thước. Chúng tôi tạo biểu đồ cho các số được tạo và thêm tệp PDF norm.pdf(x=1.0, loc=0, scale=1) 8Hàm phân phối chuẩn tích luỹ Hàm phân phối tích lũy của biến ngẫu nhiên X, được đánh giá tại x, là xác suất để X nhận giá trị nhỏ hơn hoặc bằng x. Vì phân phối chuẩn là phân phối liên tục nên vùng tô đậm của đường cong biểu thị xác suất X nhỏ hơn hoặc bằng x Sử dụng fig, ax = plt.subplots()8, nó sẽ lấp đầy khu vực giữa hai đường cong fig, ax = plt.subplots()9 và norm.pdf(x=1.0, loc=0, scale=1) 30 có giá trị mặc định là 0norm.pdf(x=1.0, loc=0, scale=1) 2Tính xác suất phân phối chuẩn Với giá trị trung bình là 3 và độ lệch chuẩn là 2, chúng ta có thể tìm được xác suất của 𝑃(𝑋<2) Trong norm.pdf(x=1.0, loc=0, scale=1) 31, từ khóa vị trí (loc) chỉ định giá trị trung bình và từ khóa tỷ lệ (scale) chỉ định độ lệch chuẩnnorm.pdf(x=1.0, loc=0, scale=1) 4Hãy vẽ đồ thị norm.pdf(x=1.0, loc=0, scale=1) 5Để tìm xác suất của một khoảng giữa các biến nhất định, bạn cần trừ norm.pdf(x=1.0, loc=0, scale=1) 32 khỏi một norm.pdf(x=1.0, loc=0, scale=1) 32 khác. Hãy tìm 𝑃(0. 5<𝑋<2) với giá trị trung bình là 1 và độ lệch chuẩn là 2from scipy.stats import norm 0Đây là biểu đồ from scipy.stats import norm 1Để tìm xác suất của 𝑃(𝑋>4), chúng ta có thể sử dụng hàm norm.pdf(x=1.0, loc=0, scale=1) 34 được gọi là hàm tồn tại và nó trả về norm.pdf(x=1.0, loc=0, scale=1) 35. Ví dụ: norm.pdf(x=1.0, loc=0, scale=1) 36 trả về xác suất lớn hơn 𝑥=4,𝑃(𝑋>4) khi 𝜇=4,𝜎=2from scipy.stats import norm 2Hãy vẽ đồ thị from scipy.stats import norm 3Đồ thị trên giống như 1−𝑃(𝑋<4) from scipy.stats import norm 4Một biện pháp của mối quan hệ tuyến tínhMối tương quan thời điểm sản phẩm của Pearson với Jupyter Notebookhướng tới khoa học dữ liệu. com Tìm lượng tử 𝑘 trong 𝑃(𝑋≤𝑘)=0. 95 được gọi là lượng tử, trong trường hợp này, lượng tử 95% Hàm điểm phần trămnorm.pdf(x=1.0, loc=0, scale=1) 37 là nghịch đảo của norm.pdf(x=1.0, loc=0, scale=1) 32 và nó được gọi là hàm Điểm phần trăm. Với giá trị trung bình là 1 và độ lệch chuẩn là 3, chúng ta có thể tìm lượng phân vị norm.pdf(x=1.0, loc=0, scale=1) 39 trong 𝑃(𝑋<𝑎)=0. 506 bằng cách sử dụng norm.pdf(x=1.0, loc=0, scale=1) 37from scipy.stats import norm 5Hãy vẽ đồ thị from scipy.stats import norm 6Chức năng sinh tồn nghịch đảoVới cùng một giá trị trung bình và độ lệch chuẩn, chúng ta có thể tìm lượng phân vị norm.pdf(x=1.0, loc=0, scale=1) 41 trong 𝑃(𝑋>𝑏)=0. 198 sử dụng hàm sống sót nghịch đảo norm.pdf(x=1.0, loc=0, scale=1) 42. Điều này giống như sử dụng norm.pdf(x=1.0, loc=0, scale=1) 37 với 𝑞=(1−0. 198)from scipy.stats import norm 7from scipy.stats import norm 8Khoảng xung quanh giá trị trung bìnhnorm.pdf(x=1.0, loc=0, scale=1) 44 trả về các điểm cuối của phạm vi chứa phần trăm alpha của phân phối. Ví dụ: với giá trị trung bình là 0 và độ lệch chuẩn là 1 để tìm 95% xác suất, norm.pdf(x=1.0, loc=0, scale=1) 44 trả về các giá trị x xung quanh giá trị trung bình, trong trường hợp này, 𝜇=0from scipy.stats import norm 9norm.pdf(x=1.0, loc=0, scale=1) 0Phân phối chuẩn đa biến Phân phối chuẩn đa biến thường được sử dụng để mô tả bất kỳ tập hợp các biến ngẫu nhiên có giá trị thực tương quan nào. Chúng tôi sử dụng norm.pdf(x=1.0, loc=0, scale=1) 46 yêu cầu mảng ma trận trung bình và hiệp phương sai. Để làm cho nó đơn giản, chúng tôi sử dụng ma trận đường chéo trong đó tất cả các phần tử ngoài đường chéo đều bằng khôngnorm.pdf(x=1.0, loc=0, scale=1) 1Chúng ta có thể tạo một biểu đồ 3D bằng cách sử dụng ____ ____ của matplotlib. Chúng tôi cũng sử dụng đối tượng RV đông lạnh Scipy norm.pdf(x=1.0, loc=0, scale=1) 2Khi 𝜇=0 và phương sai=1 gọi là phân phối chuẩn. Hàm xác suất trên được đơn giản hóa thành Tất cả các đường cong bình thường có thể liên quan đến phân phối bình thường tiêu chuẩn Biến bình thường chuẩn hóa Để chuẩn hóa một biến ngẫu nhiên thành biến chuẩn hóa đã chuẩn hóa 𝑍∼𝑁(0,1) ta sử dụng phép biến đổi Giá trị chuẩn hóa Z cho biết có bao nhiêu độ lệch chuẩn dưới hoặc trên giá trị trung bình ban đầu Tìm giá trị bình thường tiêu chuẩn Ví dụ: để tìm giá trị chuẩn hóa cho 𝑥=1 khi giá trị trung bình là 2 và độ lệch chuẩn là 3 Chúng ta có thể sử dụng norm.pdf(x=1.0, loc=0, scale=1) 31 để tìm xác suất và sử dụng norm.pdf(x=1.0, loc=0, scale=1) 49 với 𝜇=0,𝜎=1 để tìm giá trị chuẩn hóanorm.pdf(x=1.0, loc=0, scale=1) 3norm.pdf(x=1.0, loc=0, scale=1) 4Sự kết luận scipy. số liệu thống kê. định mức cung cấp cho chúng tôi các tham số như fig, ax = plt.subplots()3 và fig, ax = plt.subplots()4 để chỉ định độ lệch chuẩn. Nó cũng có nhiều phương pháp khác nhau và chúng tôi đã khám phá norm.pdf(x=1.0, loc=0, scale=1) 82, norm.pdf(x=1.0, loc=0, scale=1) 32, norm.pdf(x=1.0, loc=0, scale=1) 34, norm.pdf(x=1.0, loc=0, scale=1) 37, norm.pdf(x=1.0, loc=0, scale=1) 86 và norm.pdf(x=1.0, loc=0, scale=1) 42 trong bài viết này |