Scipy Lognormal

Informatyka i matematyka to dwa tematy, które się uzupełniają. Mają bardzo powszechne operacje, które osoba musi się uczyć i wykonywać. Języki programowania komputerowego są bardzo powszechnie używane do szybkiego i automatycznego obliczania funkcji matematycznych. Ale zanim użyjesz jakiejkolwiek funkcji języka programowania, musisz mieć jasne zrozumienie operacji matematycznej, w której będziesz wykonywać funkcję programowania. Język programowania Pythona jest obecnie najczęściej używanym językiem programowania, ponieważ zapewnia kilka przydatnych funkcji, które pomagają w wykonywaniu złożonych obliczeń matematycznych automatycznie i szybkim. Niniejszy przewodnik bada funkcję lognormalną, która jest dostarczana w Scipy Library of Python.

Jaka jest funkcja logarytmiczna?

Lognormal to funkcja matematyczna, która jest używana do generowania rozkładu logarytmicznego. Rozkład logarytmiczny jest funkcją prawdopodobieństwa i jest używany do generowania ciągłego rozkładu prawdopodobieństwa liczby losowej. Wymaga zmiennej x, której logarytm jest normalnie rozmieszczony i generuje jego ciągły rozkład prawdopodobieństwa. W Python biblioteka Scipy zapewnia funkcję lognormalną do automatycznego wykonywania wszystkich ręcznych obliczeń matematycznych. Wszystko, co musisz zrobić, to zapewnić zmienną x, której ciągłe rozkład prawdopodobieństwa należy wygenerować. Zrozumiemy składnię funkcji lognormalnej Scipy, a następnie przejdź do sekcji przykładów, aby zrozumieć, jak działa funkcja lognormalna w programie Python.

Składnia funkcji lognormalnej

Funkcja lognormalna jest dostarczana przez bibliotekę scipy w pakiecie statystyk. Ponieważ jest to funkcja prawdopodobieństwa, znajduje się w pakiecie statystyk biblioteki Scipy. Składnia funkcji lognormalnej jest bardzo prosta i łatwa do zrozumienia. Najpierw zobaczmy składnię, a następnie zrozumiemy, do czego jest używany każdy element funkcji. Zobacz składnię folowing:

Funkcja lognormalna działa z wieloma metodami, z których każda ma inne funkcje i usługi do zaoferowania. Kilka ich metod to PDF, PPF, RVS, ISF, entropia, logsf, cdf, logpdf, oczekiwaj itp. Możesz zastosować dowolną technikę oparta na swoich potrzebach. Wyjaśnimy niektóre z tych metod za pomocą przykładów. Parametry są również dostarczane zgodnie z metodą używaną.

Wyjaśnimy tutaj każdy parametr dla twojego zrozumienia. Parametr „x” służy do dostarczenia kwantyli w tablicy jak obiekt. Parametr „Q” służy do zapewnienia prawdopodobieństwa ogona. Parametr „s” służy do zdefiniowania kształtu. Parametr „LOC” reprezentuje lokalizację. Parametr „skali” reprezentuje skalę. Parametr „rozmiaru” reprezentuje kształt losowego zmiennego. Wreszcie parametr „momentu” określa momenty, które należy obliczyć z grupy „MVSK”, w której M reprezentuje średnią, V reprezentuje wariancję, S reprezentuje skośnięcie Fishera, a K reprezentuje kurtozę Fishera. Aby uzyskać lepsze zrozumienie funkcji lognormalnej, spójrzmy na niektóre przypadki.

Przykład 1:

Zrozumiemy, w jaki sposób funkcja lognormalna wykorzystuje różne metody generowania ciągłego rozkładu prawdopodobieństwa. Rozważ następujący przykładowy kod:

importować Numpy jako NP
z statystyk importu Scipy
importować matplotlib.Pyplot as Plt
S = 0.898
Ryc, x = plt.wątki (1, 1)
Data = NP.linspace (
statystyki.Lognorm.PPF (0.01, s),
statystyki.Lognorm.PPF (0.89, s), 88)
X.Wykres (dane,
statystyki.Lognorm.PDF (dane, s), „r-”, LW = 5, alfa = 0.4)

Rozpoczęliśmy program, importując całą niezbędną bibliotekę do do tego, abyśmy nie musieli stawić czoła żadnym błędom. Pierwsza biblioteka to Numpy, która jest importowana jako NP. Służy do generowania tablicy. Druga biblioteka to Scipy, który służy do importowania pakietu statystyk, abyśmy mogli użyć funkcji lognormal w programie. Ostatnią biblioteką jest matplotlib, który służy do importowania pakietu Pyplot, abyśmy mogli użyć metody PLT do wykreślania danych na wykresie.

Po zaimportowaniu wszystkich niezbędnych bibliotek deklarujemy dane w celu wygenerowania losowego rozkładu prawdopodobieństwa. Następnie zadeklarowany jest rozmiar wykresu, aby wykreślić dane. Zdefiniowana zmienna „S” jest przekazywana do logarnicji.Metoda PPF (). Wygenerowany ciągły rozkład prawdopodobieństwa jest przekazywany do funkcji PTOT (), aby można go było wyświetlić na wykresie. PPF oznacza funkcję punktu procentowego i jest używany do generowania rozkładu percentylowego. Teraz sprawdźmy dane wyjściowe generowane przez lognorm.funkcja ppf (). Spójrz na następujący wykres:

Przykład 2:

Zbadajmy inną metodę z funkcją lognormalną w tym przykładzie. W poprzednim przykładzie użyliśmy funkcji PPF. Tutaj użyjemy funkcji PDF. Rozważ przykładowy kod w następującym fragmencie kodu:

importować Numpy jako NP
od Scipy.Statystyki importowe logowania
importować matplotlib.Pyplot as Plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.PDF (x, 0.9,0)
plt.Wykres (x, y)
plt.pokazywać()

Jak widać, tak jak w poprzednim przykładzie, wszystkie niezbędne biblioteki są najpierw importowane do programu - Numpy, Scipy i Matplotlib. Następnie dane są zadeklarowane. NP.Funkcja ustawiona () służy do generowania tablicy danych, która jest następnie przekazywana do metody PDF. PDF oznacza funkcję gęstości prawdopodobieństwa i jest używany do wygenerowania gęstości prawdopodobieństwa dla podanych danych. Zmienne x i y są przekazywane do funkcji wykresu (). To rysuje wykres. Teraz spójrzmy na następujący wykres:

Przykład 3:

Następną metodą, którą tutaj wyjaśnimy, jest metoda CDF. Rozważ następujący przykładowy kod, aby zrozumieć działanie metody CDF.

importować Numpy jako NP
z statystyk importu Scipy
importować matplotlib.Pyplot as Plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.CDF (x, 0.9,0)
plt.Wykres (x, y)
plt.pokazywać()

Tutaj używamy metody CDF z funkcją lognormal, aby zobaczyć, jak to działa. CDF jest skrótem funkcji kumulatywnej gęstości i służy do generowania kumulatywnej gęstości podanych danych. Musisz zastanawiać się, czy cały program jest taki sam, jak w poprzednim przykładzie. Tak, program jest taki sam, właśnie zmieniliśmy metodę. Odbywa się to, aby pokazać różnicę między wyjściem różnych metod, aby pomóc Ci zrozumieć, w jaki sposób możesz uzyskać zupełnie inne wyjście przy użyciu innej metody. Teraz sprawdźmy następujące dane wyjściowe:

Wniosek

Ten przewodnik Lognormal Python Scipy to szybki przegląd funkcji lognormal. Dowiedzieliśmy się, że funkcja lognormalna jest dostarczana w Scipy Library of Python Programming Language i jest używana do automatycznego i szybkiego generowania ciągłego rozkładu prawdopodobieństwa. Dowiedzieliśmy się, że funkcja lognormalna działa z różnymi metodami. Zastosowaliśmy również metody PPF, PDF i CDF za pomocą przykładów. Funkcja PPF służy do obliczenia punktu percentowego. Metoda PDF służy do obliczenia gęstości prawdopodobieństwa. A metoda CDF jest stosowana do obliczenia kumulatywnej gęstości.