Funkce normální distribuce, známá také jako Gaussova distribuce nebo Gaussova distribuce, je jedním z hlavních statistických rozdělení. Často se používá k modelování náhodných veličin, jako jsou měření, chyby a šum. Funkce normálního rozdělení je popsána grafem, který má tvar zvonu s vrcholem ve středu a sestupnými hodnotami na obou stranách.
V tomto podrobném průvodci podíváme se, jak vybudovat funkci normálního rozdělení v Pythonu. Začneme prozkoumáním základních konceptů této distribuce a poté ji implementujeme pomocí knihovny SciPy.
SciPy - je to výkonný nástroj pro vědecké výpočty v Pythonu, který obsahuje mnoho funkcí pro práci s různými statistickými alokacemi. Poskytuje praktické metody pro generování náhodných čísel s daným rozdělením a také pro výpočet pravděpodobnosti, hustoty a dalších charakteristik normální distribuční funkce.
V této příručce vám ukážeme, jak používat funkce z modulu scipy.stats vytvořit normální rozložení s danými parametry a také jak vizualizovat jeho graf. Podíváme se také na to, jak z této distribuce získat náhodné hodnoty a jak vypočítat pravděpodobnosti a hustoty při různých hodnotách.
Co je normální distribuční funkce?
Funkce normální distribuce má následující vlastnosti:
- Symetrie: funkce normálního rozdělení je symetrická vzhledem ke své průměrné hodnotě. Pravděpodobnost, že náhodná veličina přijme hodnotu menší než průměr, se rovná pravděpodobnosti překročení průměru.
- Modalita: funkce normálního rozdělení má jednu modu, což je nejpravděpodobnější bod, který se shoduje s průměrem.
- Omezenost: zatímco funkce normálního rozdělení může mít hodnoty v celé číselné přímce, pravděpodobnost vzorkování ve velmi vzdálených středních hodnotách směřuje k nule.
Funkce normálního rozdělení je široce používána v různých oblastech vědy a statistiky, jako je Ekonomika, Fyzika, Biologie atd. Použití funkce normálního rozdělení umožňuje analyzovat a modelovat data představující náhodnou veličinu se známou průměrnou a standardní odchylkou.
Poznámka: funkce normálního rozdělení je často označována jako "zvonová křivka" kvůli jejímu vzhledu.
Definice a příklady použití
Funkce normální distribuce má následující vzorec:
$ μ$ - průměr (matematické očekávání)
$ σ$ - standardní odchylka
Funkci normálního rozdělení lze použít k modelování a analýze dat. Je široce používán v různých oblastech, jako je fyzika, Ekonomika, Biologie a strojové učení.
Níže je uveden příklad použití funkce normálního rozdělení k generování náhodných čísel:
import numpy as npimport matplotlib.pyplot as plt# Параметры функции нормального распределенияmu = 0sigma = 1# Генерация случайных чисел с использованием функции нормального распределенияrandom_numbers = np.random.normal(mu, sigma, 1000)# Построение гистограммыplt.hist(random_numbers, bins=30, density=True, alpha=0.5)# Построение функции нормального распределенияx = np.linspace(-5, 5, 100)y = 1 / (sigma * np.sqrt(2*np.pi)) * np.exp(-0.5 * ((x - mu) / sigma)**2)plt.plot(x, y, color='red')# Отображение графикаplt.show()
V tomto příkladu jsme použili knihovnu NumPy k generování náhodných čísel pomocí funkce normálního rozdělení. Poté jsme vytvořili histogram těchto čísel a překryli na něj graf funkce normálního rozdělení.
Tento příklad ilustruje, jak lze funkci normálního rozdělení použít k modelování dat a analýze jejich distribuce.