Rozkład wykładniczy Scipy
Co to jest rozkład wykładniczy?
Rozkład wykładniczy można zdefiniować jako ciągły rozkład prawdopodobieństwa, który jest głównie wykorzystywany w teorii statystyki i prawdopodobieństwa. Celem tego jest opisanie, jak często zdarza się zdarzenie. Rozkład wykładniczy to seria niezależnych zdarzeń, które odbywają się konsekwentnie przy stałej średniej. Często jest używany do obliczenia, jak długo powinno zająć zdarzenie. Koncepcja rozkładu wykładniczego jest taka sama w Statystyce, jak i Python. Python zapewnia tylko automatyczną funkcję utworzenia rozkładu wykładniczego dla wykładniczego rozkładu statystyki. Ten przewodnik celowo wyjaśni, jak obliczyć rozkład wykładniczy za pomocą biblioteki Scipy.
Scipy.Statystyki.Exton () Python Funkcja
Funkcja exton () dostarczona przez pakiet statystyk i biblioteka SCIPY to wykładnicza ciągła zmienna losowa zdefiniowana z określonym parametrem kształtu i formatem standardowym. Wypełnienie jego specyfikacji wymaga wielu wymaganych i opcjonalnych parametrów i zwraca wykładniczą ciągłą zmienną losową. Zobaczmy i poznajmy składnię funkcji exton (), aby zrozumieć, jakie parametry potrzebujemy, aby.
Składnia Scipy.Statystyki.Exton ()
Ogólnie rzecz biorąc, funkcja exton () jest zgodna z funkcją gęstości prawdopodobieństwa, która jest następująca:
Składnia Scipy.statystyki.funkcja exton () jest następująca:
Funkcja exton () działa z różnymi metodami klasy RV_Contous, a każda metoda przyjmuje różne parametry. Jednak wymieniliśmy wszystkie parametry, aby pomóc Ci zrozumieć, jakiego rodzaju parametry wejściowe musisz podać dowolną metodę RV_Continous.
Parametr „x” służy do dostarczenia kwantyli w tablicy podobnej do obiektu. Parametr „Q” służy do zdefiniowania prawdopodobieństwa dolnego lub górnego ogona w tablicy podobnej. Parametr „LOC” reprezentuje lokalizację. Parametr „skali” reprezentuje skalę. Parametr „rozmiaru” reprezentuje kształt losowych zmiennych. I na koniec parametr „momentów” służy do określenia momentów do obliczenia z kombinacji MVSK. MVSK to kombinacja momentów, które można wykonać z dowolną funkcją klas RV_Contious. „M” z MVSK reprezentuje średnią „V” reprezentuje wariancję, „S” reprezentuje skośnięcie Fishera, a „K” reprezentuje kurtozę Fishera.
Domyślnie parametr momentów to MV. W rezultacie funkcja exton () zwraca wykładniczą ciągłą zmienną losową. Pokazajmy kilka przykładów, aby dowiedzieć się, jak korzystać z funkcji expon () w programach Python.
Przykład 1:
Utwórzmy wykładniczą ciągłą zmienną losową. Rozważ dany przykładowy kod:
od Scipy.Statystyki importowenum = exton.Numargs
[] = [0.4,] * num
ecrv = exton ()
Drukuj („Eksponentna ciągła zmienna losowa: \ n \ n”, ECRV)
Po pierwsze, biblioteka Scipy jest importowana do programu, aby wywołać funkcję Stats Pakiet i Expon (). Funkcja exon () służy do wywołania metody Numargs w celu utworzenia wykładniczej ciągłej zmiennej losowej. Ten program jest bardzo prosty i krótki, możesz go łatwo zrozumieć i użyć go w swoich programach. Teraz zobaczmy wygenerowane dane wyjściowe:
Przykład 2:
Nauczyliśmy się, jak tworzyć wykładniczą ciągłą zmienną losową z biblioteką Scipy i jej funkcją exton (). Dowiedzmy się, jak generować rozkład prawdopodobieństwa z wykładniczymi wariantami losowymi. Rozważ dany przykładowy kod:
importować Numpy jako NPod Scipy.Statystyki importowe
Q = NP.Arange (0.09, 1, 0.2)
ecrv = exton.RV (skala = 3, rozmiar = 15)
Drukuj („Wykładkowe ciągłe losowe zmienności: \ n \ n”, ECRV)
ex = exton.PDF (Q, loc = 0, skala = 2)
Drukuj („\ nprobability dystrybucja: \ n”, ex)
Po pierwsze, biblioteka Numpy jest importowana do programu jako NP, ponieważ potrzebujemy biblioteki Numpy, aby utworzyć Numpy Data. Następnie druga biblioteka, którą zaimportowaliśmy. Tablica danych jest zadeklarowana za pomocą NP.ARANGE () Funkcja. Wykładnicza ciągła zmienna losowa jest tworzona wraz z wykładem.Metoda RVS () poprzez przekazywanie skali = 3 i rozmiar = 15. Skomponowana tablica danych jest przekazywana do wykładu.funkcja pdf () w celu utworzenia rozkładu prawdopodobieństwa. PDF oznacza funkcję gęstości prawdopodobieństwa i służy do obliczenia rozkładu prawdopodobieństwa. Lokalizacja rozkładu prawdopodobieństwa jest podana jako loc =, a skala jest podana jako skala = 2. Teraz sprawdźmy, jaki wynik wygeneruje funkcja exton (). Zobacz następujące dane wyjściowe:
Przykład 3:
Nauczyliśmy się, jak tworzyć wykładniczą ciągłą zmienną losową i rozkład prawdopodobieństwa za pomocą metody PDF klasy RV_Continous. Dowiedzmy się, jak wyświetlać wykładniczą ciągłą zmienną losową w tym przykładzie. Rozważ następujący kod:
importować Numpy jako NPod Scipy.Statystyki importowe
importować matplotlib.Pyplot as Plt
ecrv = np.Linspace (0, NP.minimum (RV.dist.B, 25))
Drukuj („Wykładkowe ciągłe losowe zmienności: \ n \ n”, ECRV)
Wykres = plt.fabuła (ECRV, RV.PDF (ECRV))
W tym przykładowym programie najpierw importujemy bibliotekę Numpy. Do tego użycia jest używana instrukcja „Importuj Numpy jako NP”, ponieważ musimy korzystać z funkcji biblioteki Numpy. Następnie druga biblioteka to Scipy, który jest importowany do korzystania z funkcji expon (). Trzecia i ostatnia biblioteka, którą importowaliśmy, jest Matplotlib. Służy do wykreślania danych na wykresie. Dane do utworzenia wykładniczej ciągłej zmiennej losowej są generowane za pomocą NP.funkcja Linspace (). Aby wykreślić wygenerowane wykładnicze ciągłe warianty losowe, używamy PLT.Funkcja wykresu (). Teraz zobaczmy wykładnicze ciągłe warianty losowe i ich wykreślony wykres w następującym wyniku:
Wniosek
Ten przewodnik służy jako szybki i krótki przegląd dystrybucji wykładniczej Scipy. Tutaj nauczyliśmy się pojęcia rozkładu wykładniczego w statystykach i tym, czym jest teoria prawdopodobieństwa. Następnie nauczyliśmy się tworzyć wykładniczą ciągłą zmienną losową jako program Python. Dowiedzieliśmy się również o funkcji exton () biblioteki Scipy, aby utworzyć wykładniczą ciągłą zmienną losową w programie Python. Za pomocą przykładów wykazaliśmy, jak korzystać z funkcji exton () w programie Python do generowania i wykreślania wykładniczej ciągłej zmiennej losowej.