Poisson Dağılımı

Ödevcim Online, Python, Python örnekleri, Python ödev yaptırma, Python danışmanlık, Python proje yaptırma, Python tez yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Python danışmanlık, Python yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Rastgele Veri Dağıtımı Veri Dağıtımı Nedir? Veri Dağıtımı tüm olası değerlerin ve her bir değerin ne sıklıkta gerçekleştiğinin listesidir. Bu tür listeler istatistik ve veri bilimi ile çalışırken önemlidir. Rastgele modül, rastgele oluşturulmuş veri dağılımlarını döndüren yöntemler sunar. Rastgele Dağıtım Rasgele bir dağılım, belirli bir olasılık yoğunluk fonksiyonunu takip eden rasgele sayılar kümesidir. Olasılık Yoğunluk Fonksiyonu: Sürekli bir olasılığı tanımlayan bir fonksiyon. yani bir dizideki tüm değerlerin olasılığıdır. Rasgele modülün choice () yöntemini kullanarak tanımlanan olasılıklara dayalı rasgele sayılar üretebiliriz. Choice () yöntemi, her bir değer için olasılığı belirtmemize olanak tanır. Olasılık, 0 ile 1 arasında bir sayı ile ayarlanır; burada 0, değerin asla gerçekleşmeyeceği ve 1, değerin her zaman gerçekleşeceği anlamına gelir. Misal Her bir değerin 3, 5, 7 veya 9 olması gereken 100 değer içeren bir 1-D dizisi oluşturun. Değerin 3 olma olasılığı 0,1 olarak ayarlanmıştır Değerin 5 olma olasılığı 0,3 olarak ayarlanmıştır Değerin 7 olması olasılığı 0.6 olarak ayarlanmıştır Değerin 9 olma olasılığı 0 olarak ayarlanmıştır numpy import random'dan x = rastgele. seçim ([3, 5, 7, 9], p = [0.1, 0.3, 0.6, 0.0], boyut = (100)) Baskı (x) Tüm olasılık sayılarının toplamı 1 olmalıdır. Örneği 100 katın üzerinde çalıştırsanız bile, 9 değeri asla gerçekleşmez. Size parametresinde şekli belirterek herhangi bir şekil ve boyuttaki dizileri döndürebilirsiniz. Misal Yukarıdaki ile aynı örnek, ancak her biri 5 değer içeren 3 satırlı 2-B dizi döndürür. numpy import random'dan x = rastgele. seçim ([3, 5, 7, 9], p = [0.1, 0.3, 0.6, 0.0], boyut = (3, 5)) Baskı (x) Rastgele Permütasyonlar Elementlerin Rastgele Permütasyonları Bir permütasyon, elementlerin düzenlenmesi anlamına gelir. Örneğin. [3, 2, 1] [1, 2, 3] 'ün bir permütasyonudur ve tam tersi NumPy Random modülü bunun için iki yöntem sağlar: shuffle () ve permutation (). Karıştırma Dizileri Karışık, öğelerin yerinde düzenini değiştirmek anlamına gelir. yani dizinin kendisinde. Misal Aşağıdaki dizinin öğelerini rastgele karıştır: numpy import random'dan np'yi np olarak içe aktar arr = np. dizisi ([1, 2, 3, 4, 5]) random.shuffle (arr) Baskı (arr) Shuffle () yöntemi orijinal dizide değişiklikler yapar. Dizilerin Permütasyon Üretimi Misal Aşağıdaki dizideki öğelerin rasgele permütasyonunu oluşturun: numpy import random'dan np'yi np olarak içe aktar arr = np. dizisi ([1, 2, 3, 4, 5]) Baskı (random.permutation (arr)) Permutation () yöntemi, yeniden düzenlenmiş bir dizi döndürür (ve orijinal diziyi değiştirmeden bırakır). Seaborn Seaborn ile Dağıtımları Görselleştirme Seaborn, grafikleri çizmek için altında Matplotlib kullanan bir kütüphanedir. Rastgele dağılımları görselleştirmek için kullanılacaktır. Seaborn'u yükleyin. Bir sistemde zaten Python ve PIP yüklüyse, bu komutu kullanarak kurun: C: \ Kullanıcılar \ Adınız> pip install seaborn Jupyter kullanıyorsanız, bu komutu kullanarak Seaborn'u kurun: C: \ Kullanıcılar \ Adınız>! Pip install seaborn Distplots Dağıtım grafiği dağıtım grafiği anlamına gelir, girdi olarak bir dizi alır ve dizideki noktaların dağılımına karşılık gelen bir eğri çizer. Matplotlib'i İçe Aktar Aşağıdaki ifadeyi kullanarak Matplotlib modülünün pyplot nesnesini kodunuza alın: matplotlib.pyplot dosyasını plt olarak içe aktar Seaborn'u İçe Aktar Aşağıdaki ifadeyi kullanarak kodunuzdaki Seaborn modülünü içe aktarın: sns olarak seaborn ithal Displot Oluşturma Misal matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot ([0, 1, 2, 3, 4, 5]) (Plt.show) Histogram Olmadan Bir Distplot Çizmek Misal matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot ([0, 1, 2, 3, 4, 5], hist = Yanlış) (Plt.show) Not: Bu derste rastgele dağılımları görselleştirmek için: sns.distplot (arr, hist = False) kullanacağız. Normal (Gauss) Dağılım Normal Dağılım en önemli dağılımlardan biridir. Alman matematikçi Carl Friedrich Gauss'un ardından Gauss Dağılımı da denir. Birçok olayın olasılık dağılımına uymaktadır, örn. IQ Skorları, Kalp Atışı vb. Normal Veri Dağıtımı almak için random.normal () yöntemini kullanın. Üç parametresi vardır: loc - (Ortalama), çanın zirvesinin bulunduğu yer. ölçek - (Standart Sapma) grafik dağılımının ne kadar düz olması gerektiği. size - Döndürülen dizinin şekli. Misal 2x3 boyutunda rastgele normal bir dağılım oluşturun: numpy import random'dan x = rastgele. normal (boyut = (2, 3)) Baskı (x) Misal Ortalama 1 ve ortalama 2 sapma ile 2x3 boyutunda rastgele bir normal dağılım oluşturun: numpy import random'dan x = rastgele. normal (loc = 1, ölçek = 2, boyut = (2, 3)) Baskı (x) Normal Dağılımın Görselleştirilmesi Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (rasgele. normal (boyut = 1000), hist = Yanlış) (Plt.show) Sonuç Not: Normal Dağılımın eğrisi, çan şeklindeki eğri nedeniyle Çan Eğrisi olarak da bilinir. Binom Dağılımı Binom Dağılımı Ayrık Bir Dağılımdır. İkili senaryoların sonuçlarını açıklar, örn. bir madalyonun atmak, baş ya da kuyruk olacak. Üç parametresi vardır: n - deneme sayısı. p - her denemenin meydana gelme olasılığı (örneğin, her biri 0,5'lik bir madalyonun atılması için). size - Döndürülen dizinin şekli. Ayrık Dağıtım: Dağıtım, ayrı olay kümesinde tanımlanır, örn. bir madalyonun sonucu sadece kafa veya kuyruk olabileceğinden ayrıktır, oysa insanların yüksekliği 170, 170.1, 170.11 ve benzeri olabildiği için süreklidir. Misal Bozuk para atma için 10 deneme verildiğinde 10 veri noktası oluşturulur: numpy import random'dan x = rasgele. ikili (n = 10, p = 0.5, boyut = 10) Baskı (x) Binom Dağılımının Görselleştirilme Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (random.binomial (n = 10, p = 0.5, boyut = 1000), hist = Doğru, kde = Yanlış) (Plt.show) Sonuç Normal ve Binom Dağılımı Arasındaki Fark Temel fark, normal dağılımın sürekliliğinin yanı sıra binomun ayrık olmasıdır, ancak yeterli veri noktası varsa, belirli yer ve ölçek ile normal dağılıma oldukça benzer olacaktır. Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (random.normal (loc = 50, ölçek = 5, boyut = 1000), hist = Yanlış, etiket = 'normal') sns.distplot (random.binomial (n = 100, p = 0.5, boyut = 1000), hist = Yanlış, etiket = 'binom') (Plt.show) Sonuç Poisson Dağılımı Poisson Dağılımı Ayrık Bir Dağılımdır. Belirli bir zamanda bir olayın kaç kez olabileceğini tahmin eder. Örneğin. Birisi günde iki kez yerse, üç kez yemek olasılığı nedir? İki parametresi vardır: lam - oranı veya bilinen olay sayısı ör. Yukarıdaki sorun için 2. size - Döndürülen dizinin şekli. Misal Oluşum 2 için rastgele bir 1x10 dağılımı oluşturun: numpy import random'dan x = rastgele. zehir (lam = 2, boyut = 10) Baskı (x) Poisson Dağılımının Görselleştirilmesi Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (random.poisson (lam = 2, boyut = 1000), kde = Yanlış) (Plt.show) Sonuç Normal ve Poisson Dağılımı Arasındaki Fark Normal dağılım süreklidir, poisson ayrıktır. Ancak, yeterince büyük bir poisson dağılımı için binom'a benzer şekilde, belirli standart ve ortalama ile normal dağılıma benzer hale geleceğini görebiliriz. Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (rastgele.normal (loc = 50, ölçek = 7, boyut = 1000), hist = Yanlış, etiket = 'normal') sns.distplot (random.poisson (lam = 50, boyut = 1000), hist = Yanlış, etiket = 'poisson') (Plt.show) Sonuç Poisson ve Binom Dağılımı Arasındaki Fark Aradaki fark çok incedir ki, binom dağılımı ayrık denemeler için iken, poisson dağılımı sürekli denemeler içindir. Fakat çok büyük n ve sıfıra yakın p için binom dağılımı, n * p'nin lam'a neredeyse eşit olacağı şekilde poisson dağılımıyla hemen hemen aynıdır. Misal numpy import random'dan matplotlib.pyplot dosyasını plt olarak içe aktar sns olarak seaborn ithal sns.distplot (random.binomial (n = 1000, p = 0.01, boyut = 1000), hist = Yanlış, etiket = 'binom') sns.distplot (random.poisson (lam = 10, boyut = 1000), hist = Yanlış, etiket = 'poisson') (Plt.show) Sonuç Ödevcim Online, Python, Python örnekleri, Python ödev yaptırma, Python danışmanlık, Python proje yaptırma, Python tez yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Python danışmanlık, Python yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.