Hàm mật độ xác suất của phân bố chuẩn, lần đầu tiên được De Moivre suy ra và 200 năm sau được cả Gauss và Laplace độc lập [2], thường được gọi là đường cong hình chuông vì hình dạng đặc trưng của nó [xem ví dụ bên dưới]
Các phân phối bình thường xảy ra thường xuyên trong tự nhiên. Ví dụ, nó mô tả sự phân bố thường xảy ra của các mẫu bị ảnh hưởng bởi một số lượng lớn các nhiễu loạn nhỏ, ngẫu nhiên, mỗi mẫu có sự phân bố độc nhất của riêng nó [2]
Ghi chú
Thay vào đó, mã mới nên sử dụng phương thức
>>> abs[mu - np.mean[s]] 0.0 # may vary4 của phiên bản
>>> abs[mu - np.mean[s]] 0.0 # may vary5; Tham sốlofloat hoặc array_like của số float
Giá trị trung bình [“trung tâm”] của phân phối
scalefloat hoặc array_like của số floatĐộ lệch chuẩn [chênh lệch hoặc “chiều rộng”] của phân phối. Phải không âm
sizeint hoặc bộ số nguyên, tùy chọnhình dạng đầu ra. Nếu hình dạng đã cho là, e. g. ,
>>> abs[mu - np.mean[s]] 0.0 # may vary6, sau đó
>>> abs[mu - np.mean[s]] 0.0 # may vary7 mẫu được rút ra. Nếu kích thước là
>>> abs[mu - np.mean[s]] 0.0 # may vary8 [mặc định], một giá trị duy nhất được trả về nếu
>>> abs[mu - np.mean[s]] 0.0 # may vary0 và
>>> abs[mu - np.mean[s]] 0.0 # may vary1 đều là vô hướng. Nếu không,
>>> abs[mu - np.mean[s]] 0.0 # may vary2 mẫu được rút raReturnsoutndarray hoặc vô hướng
Các mẫu được rút ra từ phân phối chuẩn được tham số hóa
ghi chú
Mật độ xác suất cho phân phối Gaussian là
\[p[x] = \frac{1}{\sqrt{ 2 \pi \sigma^2 }} e^{ - \frac{ [x - \mu]^2 } {2 \sigma^2} },
trong đó \[\mu\] là giá trị trung bình và \[\sigma\] độ lệch chuẩn. Bình phương của độ lệch chuẩn, \[\sigma^2\], được gọi là phương sai
Hàm có giá trị cực đại ở mức trung bình và “độ phân tán” của nó tăng theo độ lệch chuẩn [hàm đạt đến 0. 607 lần mức tối đa tại \[x + \sigma\] và \[x - \sigma\] [2]]. Điều này ngụ ý rằng bình thường có nhiều khả năng trả lại các mẫu nằm gần giá trị trung bình hơn là những mẫu ở xa
Người giới thiệu
1Wikipedia, “Phân phối chuẩn”, https. // vi. wikipedia. org/wiki/Normal_distribution
2[1,2,3]P. r. Peebles Jr. , “Định lý giới hạn trung tâm” trong “Xác suất, Biến ngẫu nhiên và Nguyên tắc tín hiệu ngẫu nhiên”, tái bản lần thứ 4. , 2001, trang. 51, 51, 125
Trong module Numpy, chúng ta đã thảo luận về nhiều hàm dùng để thao tác trên mảng nhiều chiều. Trong hướng dẫn này, chúng ta sẽ thảo luận về khái niệm hàm numpy Random normal[], được sử dụng để lấy các mẫu ngẫu nhiên từ phân phối chuẩn. Đây là hàm có sẵn trong gói numpy của python. Hàm NumPy random normal[] tạo các mẫu ngẫu nhiên từ phân phối chuẩn/phân phối Gaussian
nội dung
- Hàm Numpy Random normal[] là gì?
- Cú pháp của Numpy Random normal[]
- Các tham số của Numpy Random normal[]
- Giá trị trả về của Numpy Random normal[]
- Ví dụ về hàm normal[] ngẫu nhiên có nhiều khối
- 1. Lấy kích thước làm tham số
- 2. Lấy loc làm tham số
- 3. Lấy tỷ lệ làm tham số
- 4. Lấy cả ba làm tham số
- Biểu diễn đồ họa của hàm normal[] ngẫu nhiên numpy
- Sự kết luận
Hàm Numpy Random normal[] là gì?
Hàm Numpy Random normal[] tạo ra một mảng các hình dạng được chỉ định và điền vào đó các giá trị ngẫu nhiên, đây thực sự là một phần của Phân phối bình thường [Gaussian]. Tên khác của phân phối này là đường cong hình chuông vì hình dạng của nó
Cú pháp của Numpy Random normal[]
numPy.random.normal[loc = 0.0, scale = 1.0, size = None]
Các tham số của Numpy Random normal[]
- lộc. Nó là một tham số tùy chọn. Đầu vào giống như một giá trị giống như mảng hoặc float. Nó chỉ định giá trị trung bình của phân phối. Theo mặc định, nó là 0. 0
- tỉ lệ. Nó là một tham số tùy chọn. Đầu vào giống như một giá trị giống như mảng hoặc float. Nó chỉ định độ lệch chuẩn hoặc độ phẳng của đồ thị phân phối sẽ như thế nào. Theo mặc định, nó là 1. 0. Nó không được là một giá trị âm
- kích thước. Nó là một tham số tùy chọn. Đầu vào giống như một số nguyên hoặc một bộ số nguyên. Nó chỉ định hình dạng của mảng kết quả. Nếu kích thước là Không có. Theo mặc định, nó là 1
Giá trị trả về của Numpy Random normal[]
Giá trị trả về của hàm này là mảng các hình dạng đã xác định chứa đầy các giá trị ngẫu nhiên của phân phối chuẩn/phân phối gaussian
Ví dụ về hàm normal[] ngẫu nhiên có nhiều khối
Ở đây, chúng ta sẽ thảo luận về cách chúng ta có thể viết hàm normal[] ngẫu nhiên từ gói numpy của python
1. Lấy kích thước làm tham số
Trong ví dụ này, chúng tôi sẽ nhập thư viện numpy. Sau đó, chúng tôi sẽ áp dụng ngẫu nhiên. normal[] với size = 5 và bộ 2 và 6 làm tham số. Vì vậy, đầu ra sẽ đến dưới dạng mảng có kích thước = 5 và đối với bộ 2, các hàng và cột sẽ tạo ra một mảng nhiều chiều làm đầu ra. Chúng ta hãy xem ví dụ để hiểu khái niệm này một cách chi tiết
# importing numpy library as np import numpy as np output= np.random.normal[size = 5] print[output] out= np.random.normal[size = [2,6]] print[out]
đầu ra
[-0.95488981 2.2038197 -0.50444554 0.51845053 -1.15899431]
[[-0.62126192 -0.05753977 -0.26676354 -2.04002572 1.26073641 -0.03351041]
[ 1.54348742 2.46762337 -0.53278498 0.35762827 -0.05746769 -0.63672764]]
Giải trình
- Đầu tiên, chúng tôi sẽ nhập thư viện numpy có tên bí danh là np
- Sau đó, chúng ta sẽ áp dụng hàm với size = 5 làm tham số
- Kích thước có nghĩa là số lượng giá trị trong mảng
- Sau đó, chúng tôi sẽ in đầu ra
- Sau đó, chúng tôi sẽ lấy kích thước làm giá trị bộ dữ liệu và in đầu ra
- Do đó, bạn có thể thấy đầu ra của cả hai phương pháp
2. Lấy loc làm tham số
Trong ví dụ này, chúng tôi sẽ nhập thư viện numpy. Sau đó, chúng tôi sẽ áp dụng ngẫu nhiên. normal[] với tham số loc = 5 và xem đầu ra là giá trị trung bình của các giá trị ngẫu nhiên của mảng. Chúng ta hãy xem ví dụ để hiểu khái niệm này một cách chi tiết
# importing numpy library as np import numpy as np output= np.random.normal[loc = 5] print[output]
đầu ra
5.55426892339958
Giải trình
- Đầu tiên, chúng tôi sẽ nhập thư viện numpy có tên bí danh là np
- Sau đó, chúng ta sẽ áp dụng hàm với tham số loc = 5
- Loc có nghĩa là giá trị trung bình của các giá trị ngẫu nhiên được chọn từ hàm
- Cuối cùng, chúng tôi sẽ in đầu ra
- Do đó, bạn có thể xem giá trị trung bình là đầu ra
3. Lấy tỷ lệ làm tham số
Trong ví dụ này, chúng tôi sẽ nhập mô-đun numpy. Sau đó, chúng tôi sẽ áp dụng ngẫu nhiên. hàm normal[] với tỷ lệ = 5. 0 làm tham số và xem đầu ra là độ lệch chuẩn của đầu vào. Chúng ta hãy xem ví dụ để hiểu khái niệm này một cách chi tiết
________số 8
đầu ra
-6.245600820720526
Giải trình
- Đầu tiên, chúng tôi sẽ nhập thư viện numpy có tên bí danh là np
- Sau đó, chúng tôi sẽ áp dụng chức năng với tỷ lệ = 5. 0 làm tham số
- tỷ lệ có nghĩa là độ lệch chuẩn của các giá trị được chọn từ hàm
- Cuối cùng, chúng tôi sẽ in đầu ra
- Do đó, bạn có thể xem độ lệch chuẩn là đầu ra
4. Lấy cả ba làm tham số
Trong ví dụ này, chúng tôi sẽ nhập thư viện numpy. Sau đó, chúng tôi sẽ áp dụng ngẫu nhiên. hàm normal[] với tỷ lệ = 5. 0, loc = 2 và size = 6 làm tham số. sau đó chúng ta sẽ thấy đầu ra đối với các tham số. Chúng ta hãy xem ví dụ để hiểu khái niệm này một cách chi tiết
>>> abs[mu - np.mean[s]] 0.0 # may vary0
đầu ra
>>> abs[mu - np.mean[s]] 0.0 # may vary1
Giải trình
- Đầu tiên, chúng tôi sẽ nhập thư viện numpy có tên bí danh là np
- Sau đó, chúng tôi sẽ áp dụng chức năng với tỷ lệ = 5. 0, loc = 2 và size = 6 làm tham số
- tỷ lệ có nghĩa là độ lệch chuẩn của các giá trị được chọn từ hàm
- Loc có nghĩa là giá trị trung bình của các giá trị ngẫu nhiên được chọn từ hàm
- Kích thước có nghĩa là số lượng giá trị trong mảng
- Cuối cùng, chúng tôi sẽ in đầu ra
- Do đó, bạn có thể thấy đầu ra với tất cả các tham số
Biểu diễn đồ họa của hàm normal[] ngẫu nhiên numpy
Trong ví dụ này, chúng tôi sẽ nhập thư viện numpy và thư viện pyplot. Sau đó, chúng tôi sẽ áp dụng ngẫu nhiên. normal[] với tất cả các tham số và in đầu ra. Sau đó, chúng tôi sẽ tạo một biểu đồ với thư viện pyplot trợ giúp và in biểu đồ. Chúng ta hãy xem ví dụ để hiểu khái niệm này một cách chi tiết
>>> abs[mu - np.mean[s]] 0.0 # may vary2
đầu ra
# importing numpy library as np import numpy as np output= np.random.normal[size = 5] print[output] out= np.random.normal[size = [2,6]] print[out]0
Giải trình
- Đầu tiên, chúng tôi sẽ nhập thư viện numpy có tên bí danh là np
- Sau đó, chúng tôi sẽ nhập pyplot dưới dạng plt từ thư viện matplotlib
- Sau đó, chúng tôi sẽ áp dụng chức năng với tất cả các tham số và in đầu ra
- Giá trị mảng rất nhiều với kích thước là 50. vì vậy sẽ có 50 giá trị là mẫu ngẫu nhiên
- Sau đó, chúng tôi sẽ in biểu đồ với sự trợ giúp của mô-đun pyplot
- Cuối cùng, chúng ta có thể thấy biểu đồ được vẽ
- Do đó, bạn có thể thấy cả đầu ra
Sự kết luận
Trong hướng dẫn này, chúng ta đã tìm hiểu về khái niệm hàm normal[] ngẫu nhiên có nhiều khối. Chúng ta đã thảo luận về định nghĩa, cú pháp, tham số và giá trị trả về của hàm. Chúng tôi cũng đã giải thích tất cả các cách mà chúng tôi có thể sử dụng normal[] ngẫu nhiên gọn gàng với sự trợ giúp của các ví dụ được giải thích chi tiết. Bạn có thể sử dụng bất kỳ chức năng nào theo sự lựa chọn và yêu cầu của bạn trong chương trình
Tuy nhiên, nếu bạn có bất kỳ nghi ngờ hoặc câu hỏi nào, hãy cho tôi biết trong phần bình luận bên dưới. Tôi sẽ cố gắng giúp bạn trong thời gian sớm nhất