Scipy lognormal

Informatik und Mathematik sind zwei Fächer, die einander ergänzen. Sie haben sehr häufige Operationen, die eine Person lernen und ausführen muss. Computerprogrammiersprachen werden sehr häufig verwendet, um die mathematischen Funktionen schnell und automatisch zu berechnen. Bevor Sie jedoch eine Funktion einer Programmiersprache verwenden, müssen Sie die mathematische Operation, in der Sie mit einer Programmierfunktion ausgeführt werden, ein klares Verständnis haben, ein klares Verständnis. Die Python -Programmiersprache ist heutzutage die am häufigsten verwendete Programmiersprache. In diesem Handbuch wird die lognormale Funktion untersucht, die in der Scipy Library von Python bereitgestellt wird.

Was ist eine logarithmische Funktion?

Lognormal ist eine mathematische Funktion, mit der die lognormale Verteilung erzeugt wird. Die logarithmische Verteilung ist eine Funktion der Wahrscheinlichkeit und wird verwendet, um eine kontinuierliche Wahrscheinlichkeitsverteilung einer Zufallszahl zu erzeugen. Es dauert eine Variable X, deren Logarithmus normal verteilt ist und seine kontinuierliche Wahrscheinlichkeitsverteilung von IT erzeugt. In Python bietet die Scipy Library die lognormale Funktion, um alle manuellen mathematischen Berechnungen automatisch durchzuführen. Alles, was Sie tun müssen, ist die Variable X bereitzustellen, deren kontinuierliche Wahrscheinlichkeitsverteilung generiert werden muss. Lassen Sie uns die Syntax der scipy lognormalen Funktion verstehen und dann zu dem Beispiel für Beispiele gehen, um zu verstehen, wie die lognormale Funktion in einem Python -Programm funktioniert.

Syntax der lognormalen Funktion

Die lognormale Funktion wird von der Scipy -Bibliothek im Statistikpaket bereitgestellt. Da es sich um eine Wahrscheinlichkeitsfunktion handelt, befindet es sich im Statistikpaket der Scipy -Bibliothek. Die Syntax der lognormalen Funktion ist sehr einfach und leicht zu verstehen. Lassen Sie uns zuerst die Syntax sehen und dann werden wir verstehen, wofür jedes Element der Funktion verwendet wird. Siehe die leitende Syntax:

Die lognormale Funktion funktioniert mit mehreren Methoden, die jeweils unterschiedliche Funktionen und Dienste haben, die angeboten werden können. Einige Methoden von ihnen sind PDF, PPF, Wohnmobile, ISF, Entropie, Logsf, CDF, Logpdf, Erwartung usw. Sie können jede Technik anwenden, die auf Ihren Bedürfnissen basiert. Wir werden einige dieser Methoden mit Hilfe von Beispielen erklären. Die Parameter werden auch gemäß der von Ihnen verwendeten Methode bereitgestellt.

Wir werden jeden Parameter hier für Ihr Verständnis erklären. Der Parameter „X“ wird verwendet, um die Quantile in einem Array wie ein Objekt bereitzustellen. Der Parameter „Q“ wird verwendet, um die Schwanzwahrscheinlichkeit bereitzustellen. Der Parameter „S“ wird verwendet, um die Form zu definieren. Der Parameter „loc“ repräsentiert den Standort. Der Parameter „Skalen“ repräsentiert die Skala. Der Parameter „Größe“ repräsentiert die Form einer zufälligen Variation. Schließlich gibt der Parameter „Moment“ die Momente an, die aus der Gruppe „MVSK“ berechnet werden sollen. Schauen wir uns einige Instanzen an, um ein besseres Verständnis für die lognormale Funktion zu betrachten.

Beispiel 1:

Lassen Sie uns verstehen, wie die lognormale Funktion unterschiedliche Methoden verwendet, um die kontinuierliche Wahrscheinlichkeitsverteilung zu erzeugen. Betrachten Sie den folgenden Beispielcode:

Numph als NP importieren
aus Scipy -Importstatistiken
Matplotlib importieren.Pyplot als PLT
S = 0.898
Fig, x = PLT.Nebenhandlungen (1, 1)
Data = np.Linspace (
Statistiken.lognorm.PPF (0.01, s),
Statistiken.lognorm.PPF (0.89, s), 88)
X.Diagramm (Daten,
Statistiken.lognorm.PDF (Daten, s), 'r-', lw = 5, alpha = 0.4)

Wir haben das Programm begonnen, indem wir alle notwendigen Bibliotheken importiert haben, damit wir keine Fehler haben müssen. Die erste Bibliothek ist Numpy, die als NP importiert wird. Es wird verwendet, um das Array zu erzeugen. Die zweite Bibliothek ist Scipy, mit der das Statistikpaket importiert wird, damit wir die lognormale Funktion im Programm verwenden können. Die letzte Bibliothek ist Matplotlib, mit der das Pyplot -Paket importiert wird, damit wir die PLT -Methode verwenden können, um die Daten in einem Diagramm zu zeichnen.

Nach dem Importieren aller erforderlichen Bibliotheken deklarieren wir die Daten, um die Zufallswahrscheinlichkeitsverteilung zu generieren. Danach wird die Größe des Diagramms so deklariert, die Daten zu zeichnen. Die definierte S -Variable wird an das Protokollnorm übergeben.PPF () Methode. Die erzeugte kontinuierliche Wahrscheinlichkeitsverteilung wird an die Funktion Plot () übergeben, damit sie in der Grafik angezeigt werden kann. Der PPF steht für die Prozentpunktfunktion und wird verwendet, um die Perzentilverteilung zu erzeugen. Lassen Sie uns nun die vom Protokollnorm erzeugte Ausgabe überprüfen.PPF () Funktion. Schauen Sie sich die folgende Grafik an:

Beispiel 2:

Lassen Sie uns in diesem Beispiel eine andere Methode mit einer lognormalen Funktion untersuchen. Im vorherigen Beispiel haben wir die PPF -Funktion verwendet. Hier werden wir die PDF -Funktion verwenden. Betrachten Sie den Beispielcode im folgenden Code -Snippet:

Numph als NP importieren
von Scipy.Statistiken importieren lognorm
Matplotlib importieren.Pyplot als PLT
x = np.Arange (-2, 2, 0.5)
y = lognorm.PDF (x, 0.9,0)
PLT.Diagramm (x, y)
PLT.zeigen()

Wie Sie sehen können, werden genau wie im vorherigen Beispiel alle erforderlichen Bibliotheken zuerst in das Programm importiert - Numpy, Scipy und Matplotlib. Dann werden die Daten deklariert. Der NP.Die Funktion arrang () wird verwendet, um das Datenarray zu generieren, das dann an die PDF -Methode übergeben wird. Die PDF steht für die Wahrscheinlichkeitsdichtefunktion und wird verwendet, um die Wahrscheinlichkeitsdichte für die angegebenen Daten zu erzeugen. Die x- und y -Variablen werden an die Funktion Plot () übergeben. Dies zeichnet die Grafik. Lassen Sie uns nun das folgende Diagramm ansehen:

Beispiel 3:

Die nächste Methode, die wir hier erklären werden, ist die CDF -Methode. Betrachten Sie den folgenden Beispielcode, um die Arbeit der CDF -Methode zu verstehen.

Numph als NP importieren
aus Scipy -Importstatistiken
Matplotlib importieren.Pyplot als PLT
x = np.Arange (-2, 2, 0.5)
y = lognorm.CDF (x, 0.9,0)
PLT.Diagramm (x, y)
PLT.zeigen()

Hier verwenden wir die CDF -Methode mit einer lognormalen Funktion, um zu sehen, wie sie funktioniert. Die CDF ist die Abkürzung der kumulativen Dichtefunktion und wird verwendet, um die kumulative Dichte der angegebenen Daten zu erzeugen. Sie müssen sich fragen, ob das gesamte Programm das gleiche ist wie im vorherigen Beispiel. Ja, das Programm ist das gleiche, wir haben gerade die Methode geändert. Dies wird durchgeführt, um Ihnen den Unterschied zwischen der Ausgabe verschiedener Methoden zu zeigen, um zu verstehen, wie Sie eine völlig andere Ausgabe mit einer anderen Methode erhalten können. Lassen Sie uns nun die folgende Ausgabe überprüfen:

Abschluss

Diese python scipy lognormale Handbuch ist ein kurzer Überblick über die lognormale Funktion. Wir haben erfahren, dass die lognormale Funktion in der Scipy Library der Python -Programmiersprache bereitgestellt wird und verwendet wird, um die kontinuierliche Wahrscheinlichkeitsverteilung automatisch und schnell zu generieren. Wir haben gelernt, dass die lognormale Funktion mit verschiedenen Methoden funktioniert. Wir haben auch die Methoden PPF-, PDF- und CDF -Methoden untersucht. Die PPF -Funktion wird verwendet, um den Perzentilpunkt zu berechnen. Die PDF -Methode wird verwendet, um die Wahrscheinlichkeitsdichte zu berechnen. Und die CDF -Methode wird verwendet, um die kumulative Dichte zu berechnen.