Scipy lognormal

Informatikk og matematikk er to fag som kompletterer hverandre. De har veldig vanlige operasjoner som en person trenger å lære og utføre. Dataprogrammeringsspråk brukes veldig ofte til å beregne de matematiske funksjonene raskt og automatisk. Men før du bruker noen funksjon av et programmeringsspråk, må du ha en klar forståelse av den matematiske operasjonen du skal utføre med en programmeringsfunksjon. Python -programmeringsspråk er det mest brukte programmeringsspråket i disse dager, da det gir flere nyttige funksjoner som hjelper til med å utføre komplekse matematiske beregninger automatisk og raskt. Denne guiden utforsker den lognormale funksjonen som er gitt i Scipy Library of Python.

Hva er en lognormal funksjon?

Lognormal er en matematisk funksjon som brukes til å generere den lognormale fordelingen. Den lognormale fordelingen er en funksjon av sannsynlighet og brukes til å generere en kontinuerlig sannsynlighetsfordeling av et tilfeldig tall. Det tar en variabel x hvis logaritme normalt distribueres og genererer sin kontinuerlige sannsynlighetsfordeling av den. I Python gir Scipy -biblioteket den lognormale funksjonen for å utføre alle manuelle matematiske beregninger automatisk. Alt du trenger å gjøre er å gi variabelen X hvis kontinuerlige sannsynlighetsfordeling må genereres. La oss forstå syntaksen til den scipy lognormale funksjonen og deretter bevege deg mot eksemplene for å forstå hvordan den lognormale funksjonen fungerer i et Python -program.

Syntaks for den lognormale funksjonen

Lognormal funksjon er levert av Scipy -biblioteket i statistikkpakken. Siden det er en sannsynlighetsfunksjon, finnes den i statistikkpakken til Scipy Library. Syntaksen til den lognormale funksjonen er veldig enkel og lett å forstå. La oss se syntaksen først, og så vil vi forstå hva hvert element i funksjonen brukes til. Se Folowing Syntax:

Lognormal funksjon fungerer med flere metoder, som hver har forskjellige funksjoner og tjenester å tilby. Noen få metoder for dem er PDF, PPF, RVS, ISF, Entropy, LogSF, CDF, Logpdf, forventer osv. Du kan bruke hvilken som helst teknikk basert på dine behov. Vi vil forklare noen av disse metodene ved hjelp av eksempler. Parametrene er også gitt i henhold til metoden du bruker.

Vi vil forklare hver parameter her for din forståelse. "X" -parameteren brukes til å gi kvantilene i en matrise som et objekt. "Q" -parameteren brukes til å gi halens sannsynlighet. "S" -parameteren brukes til å definere formen. "Loc" -parameteren representerer stedet. "Skala" -parameteren representerer skalaen. "Størrelse" -parameteren representerer formen på en tilfeldig variat. Til slutt spesifiserer "Moment" -parameteren øyeblikkene som skal beregnes fra "MVSK" -gruppen der M representerer gjennomsnitt, V representerer varians, S representerer Fishers skjev, og K representerer Fishers kurtose. For et bedre grep om den lognormale funksjonen, la oss se på noen tilfeller.

Eksempel 1:

La oss forstå hvordan den lognormale funksjonen bruker forskjellige metoder for å generere kontinuerlig sannsynlighetsfordeling. Tenk på følgende prøvekode:

Importer numpy som NP
fra scipy importstatistikk
Importer matplotlib.Pyplot som Plt
S = 0.898
Fig, x = plt.underplott (1, 1)
data = np.Linspace (
statistikk.loggnorm.PPF (0.01, s),
statistikk.loggnorm.PPF (0.89, s), 88)
x.plot (data,
statistikk.loggnorm.PDF (Data, S), 'R-', LW = 5, Alpha = 0.4)

Vi startet programmet ved å importere alt nødvendig bibliotek til slik at vi ikke trenger å møte noen feil. Det første biblioteket er numpy som importeres som NP. Det brukes til å generere matrisen. Det andre biblioteket er scipy som brukes til å importere statistikkpakken slik at vi kan bruke den lognormale funksjonen i programmet. Det siste biblioteket er matplotlib som brukes til å importere Pyplot -pakken slik at vi kan bruke PLT -metoden til å plotte dataene i en graf.

Etter å ha importert alle nødvendige biblioteker, erklærer vi dataene for å generere tilfeldig sannsynlighetsfordeling. Etter det er størrelsen på grafen erklært å plotte dataene. Den definerte “S” -variabelen sendes til lognormen.ppf () -metode. Den genererte kontinuerlige sannsynlighetsfordelingen sendes til plottet () -funksjonen slik at den kan vises i grafen. PPF står for prosentpoengfunksjon og brukes til å generere persentilfordelingen. La oss nå sjekke utgangen som genereres av lognorm.ppf () funksjon. Ta en titt på følgende graf:

Eksempel 2:

La oss utforske en annen metode med en lognormal funksjon i dette eksemplet. I forrige eksempel brukte vi PPF -funksjonen. Her vil vi bruke PDF -funksjonen. Vurder prøvekoden i følgende kodebit:

Importer numpy som NP
Fra scipy.Statistikk importerer lognorm
Importer matplotlib.Pyplot som Plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.PDF (x, 0.9,0)
plt.plot (x, y)
plt.forestilling()

Som du kan se, akkurat som i forrige eksempel, importeres alle nødvendige biblioteker først til programmet - Numpy, Scipy og Matplotlib. Deretter blir dataene erklært. NP.Arranger () -funksjonen brukes til å generere dataarrayen som deretter sendes til PDF -metoden. PDF står for sannsynlighetstetthetsfunksjon og brukes til å generere sannsynlighetstettheten for de gitte dataene. X- og Y -variablene sendes til plottet () -funksjonen. Dette trekker grafen. La oss nå se på følgende graf:

Eksempel 3:

Den neste metoden som vi skal forklare her er CDF -metoden. Vurder følgende prøvekode for å forstå arbeidet med CDF -metoden.

Importer numpy som NP
fra scipy importstatistikk
Importer matplotlib.Pyplot som Plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.CDF (x, 0.9,0)
plt.plot (x, y)
plt.forestilling()

Her bruker vi CDF -metoden med en lognormal funksjon for å se hvordan den fungerer. CDF er forkortelsen av den kumulative tetthetsfunksjonen og brukes til å generere den kumulative tettheten til de gitte dataene. Du må lure på om hele programmet er det samme som vi brukte i forrige eksempel. Ja, programmet er det samme, vi endret nettopp metoden. Dette gjøres for å vise deg forskjellen mellom utgangen av forskjellige metoder for å hjelpe deg med å forstå hvordan du kan få en helt annen utgang ved hjelp av en annen metode. La oss nå sjekke følgende utdata:

Konklusjon

Denne Python Scipy Lognormal Guide er en rask oversikt over den lognormale funksjonen. Vi lærte at den lognormale funksjonen er gitt i Scipy -biblioteket med Python -programmeringsspråk og brukes til å generere kontinuerlig sannsynlighetsfordeling automatisk og raskt. Vi lærte at den lognormale funksjonen fungerer med forskjellige metoder. Vi utforsket også PPF-, PDF- og CDF -metodene ved hjelp av eksempler. PPF -funksjonen brukes til å beregne persentilpunktet. PDF -metoden brukes til å beregne sannsynlighetstettheten. Og CDF -metoden brukes til å beregne den kumulative tettheten.