SciPy Calcular la probabilidad de distribución normal
En este artículo, discutiremos la distribución normal de SciPy. Calcularemos la probabilidad de distribución normal usando SciPy.
Distribución normal
Primero, entendamos la distribución normal.
La distribución normal es una distribución de probabilidad continua para una variable aleatoria con valores reales. Se calcula utilizando la media y la desviación estándar.
La función de densidad de probabilidad, a veces conocida como PDF, calcula la probabilidad de un solo punto en una distribución. El PDF se calcula usando esta fórmula:
Donde μ
es la media y σ
es la desviación estándar de la distribución.
Calcule la probabilidad de distribución normal usando SciPy
Para calcular la función de densidad de probabilidad de una distribución particular, utilizaremos uno de los métodos scipy.stats.norm.pdf()
.
La sintaxis de scipy.stats.norm.pdf()
se proporciona a continuación:
scipy.stats.norm.pdf(data, loc, scale)
Donde datos
es una colección de puntos o valores que representan datos igualmente muestreados en forma de datos de matriz, loc
es la ubicación de los datos de muestra (media) y escala
es una muestra de desviación estándar.
Veamos cómo calcular el pdf de una distribución particular usando los métodos a continuación:
Primero, importe las bibliotecas requeridas de esta manera:
Luego crea una matriz para obtener números aleatorios. Aquí, hemos creado una matriz entre -10 y 10 con una diferencia de 0,3 y la hemos almacenado en un objeto x_arr.
.
Obtengamos los valores de la media y la desviación estándar usando los datos aleatorios dados.
Ahora calculando el valor pdf usando el método norma
con loc=media
y escala=estándar
.
Aquí, 5
es un objeto similar a una matriz cuya probabilidad se va a calcular.
Imprimiendo el valor calculado de pdf:
Aquí está la captura de pantalla del código completo:
De esta forma, podemos usar los valores de desviación estándar y media para calcular la probabilidad de distribución normal usando la biblioteca SciPy.
Shiv is a self-driven and passionate Machine learning Learner who is innovative in application design, development, testing, and deployment and provides program requirements into sustainable advanced technical solutions through JavaScript, Python, and other programs for continuous improvement of AI technologies.
LinkedIn