Hướng dẫn how do you implement uniform distribution in python? - làm thế nào để bạn triển khai phân phối thống nhất trong python?


Phân bố đồng đều

Được sử dụng để mô tả xác suất trong đó mọi sự kiện có cơ hội xảy ra như nhau.

Ví dụ. Tạo ra các số ngẫu nhiên.

Nó có ba tham số:

a - giới hạn dưới - mặc định 0 .0.

b - giới hạn trên - mặc định 1.0.

size - Hình dạng của mảng trả về.

Thí dụ

Tạo mẫu phân phối đồng nhất 2x3:

từ nhập khẩu ngẫu nhiên

x = ngẫu nhiên.uniform (size = (2, 3))

print(x)

Hãy tự mình thử »


Hình dung phân phối đồng nhất

Thí dụ

Tạo mẫu phân phối đồng nhất 2x3:
import matplotlib.pyplot as plt
import seaborn as sns

từ nhập khẩu ngẫu nhiên

plt.show()

x = ngẫu nhiên.uniform (size = (2, 3))

Hướng dẫn how do you implement uniform distribution in python? - làm thế nào để bạn triển khai phân phối thống nhất trong python?

Hãy tự mình thử »




A & nbsp; Phân phối thống nhất & nbsp; là phân phối xác suất trong đó mọi giá trị giữa một khoảng từ & nbsp; a & nbsp; to & nbsp; b & nbsp; có khả năng được chọn như nhau.

Xác suất là chúng tôi sẽ có được giá trị giữa x1 & nbsp; và x2 & nbsp; trong một khoảng từ & nbsp; a & nbsp; to & nbsp; b & nbsp; có thể được tìm thấy bằng cách sử dụng công thức:

P (thu được giá trị giữa x1 & nbsp; và x2) & nbsp; = & nbsp; (x2 & nbsp; - x1) / (b - a)

Hướng dẫn how do you implement uniform distribution in python? - làm thế nào để bạn triển khai phân phối thống nhất trong python?

Để tính toán các xác suất liên quan đến phân phối đồng nhất trong Python, chúng ta có thể sử dụng hàm scipy.stats.uniform (), sử dụng cú pháp cơ bản sau:

scipy.stats.uniform (x, loc, tỷ lệ)

where:

  • X: Giá trị của phân phối đồng nhất: The value of the uniform distribution
  • LỘC: Giá trị tối thiểu có thể: The minimum possible value
  • LOC + tỷ lệ: Giá trị tối đa có thể: The maximum possible value

Các ví dụ sau đây cho thấy cách sử dụng chức năng này trong thực tế.

ví dụ 1

Giả sử một chiếc xe buýt xuất hiện tại một trạm xe buýt cứ sau 20 phút. Nếu bạn đến trạm xe buýt, xác suất xe buýt sẽ xuất hiện trong 8 phút hoặc ít hơn là gì?

Chúng ta có thể sử dụng mã sau trong Python để tính xác suất này:

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=8, loc=0, scale=20) - uniform.cdf(x=0, loc=0, scale=20)

0.4

Xác suất xe buýt xuất hiện trong 8 phút trở xuống là & NBSP; 0,4.0.4.

Ví dụ 2

Trọng lượng của một loài ếch nhất định được phân bố đồng đều trong khoảng từ 15 đến 25 gram. Nếu bạn chọn ngẫu nhiên một con ếch, xác suất con ếch nặng từ 17 đến 19 gram là gì?

Chúng ta có thể sử dụng mã sau trong Python để tính xác suất này:

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2

Xác suất xe buýt xuất hiện trong 8 phút trở xuống là & NBSP; 0,4. 0.2.

Ví dụ 2

Trọng lượng của một loài ếch nhất định được phân bố đồng đều trong khoảng từ 15 đến 25 gram. Nếu bạn chọn ngẫu nhiên một con ếch, xác suất con ếch nặng từ 17 đến 19 gram là gì?

Chúng ta có thể sử dụng mã sau trong Python để tính xác suất này:

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4

Xác suất xe buýt xuất hiện trong 8 phút trở xuống là & NBSP; 0,4.0.4.

Ví dụ 2 You can double check the solution to each example by using the Uniform Distribution Calculator.

Trọng lượng của một loài ếch nhất định được phân bố đồng đều trong khoảng từ 15 đến 25 gram. Nếu bạn chọn ngẫu nhiên một con ếch, xác suất con ếch nặng từ 17 đến 19 gram là gì?

Xác suất ếch nặng từ 17 đến 19 gram là & nbsp; 0,2.

Ví dụ 3
How to Use the Poisson Distribution in Python
How to Use the t Distribution in Python

ngẫu nhiên.uniform (thấp = 0,0, cao = 1.0, size = none)#uniform(low=0.0, high=1.0, size=None)#

Vẽ các mẫu từ phân phối đồng nhất.

Các mẫu được phân phối đồng đều trong khoảng thời gian nửa mở ____10 (bao gồm thấp, nhưng không bao gồm cao). Nói cách khác, bất kỳ giá trị nào trong khoảng thời gian đã cho đều có khả năng được rút ra bởi

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
1.

Ghi chú

Mã mới nên sử dụng phương thức

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
1 của một thể hiện
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
3 thay thế; Vui lòng xem bắt đầu nhanh chóng.Quick Start.

ParameterSlowFloat hoặc Array_Like of Floats, Tùy chọnlowfloat or array_like of floats, optional

Ranh giới thấp hơn của khoảng đầu ra. Tất cả các giá trị được tạo sẽ lớn hơn hoặc bằng thấp. Giá trị mặc định là 0.

HighFloat hoặc Array_like of Floatsfloat or array_like of floats

Ranh giới trên của khoảng đầu ra. Tất cả các giá trị được tạo sẽ nhỏ hơn hoặc bằng cao. Giới hạn cao có thể được bao gồm trong mảng nổi được trả về do làm tròn điểm nổi trong phương trình

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
4. Giá trị mặc định là 1.0.

kích thước hoặc tuple của int, tùy chọnint or tuple of ints, optional

Hình dạng đầu ra. Nếu hình dạng đã cho là, ví dụ,

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
5, thì các mẫu
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
6 được rút ra. Nếu kích thước là
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
7 (mặc định), một giá trị duy nhất được trả về nếu
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
8 và
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
9 đều là vô hướng. Nếu không, các mẫu
from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
0 được rút ra.

ReturnSoutNDarray hoặc vô hướngoutndarray or scalar

Các mẫu rút ra từ phân phối đồng đều được tham số hóa.

Xem thêm

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
1

Phân phối đồng nhất rời rạc, năng suất số nguyên.

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
2

Phân phối đồng đều rời rạc trong khoảng thời gian đóng

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
3.

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
4

Phao phân phối đồng đều trên

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
5.

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
6

Bí danh cho

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
4.

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
8

Hàm tiện lợi chấp nhận kích thước làm đầu vào, ví dụ,

from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
9 sẽ tạo ra một mảng floats 2 x 2, được phân phối đồng đều trên
from scipy.stats import uniform

#calculate uniform probability 
uniform.cdf(x=170, loc=120, scale=50) - uniform.cdf(x=150, loc=120, scale=50)

0.4
5.

>>> x = np.float32(5*0.99999999)
>>> x
5.0
1

nên được sử dụng cho mã mới.

Ghi chú

Hàm mật độ xác suất của phân phối đồng nhất là

\ [p (x) = \ frac {1} {b - a} \]

Bất cứ nơi nào trong khoảng thời gian

>>> x = np.float32(5*0.99999999)
>>> x
5.0
2 và không ở nơi khác.

Khi

from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
9 ==
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
8, các giá trị của
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
8 sẽ được trả về. Nếu
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
9 <
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
8, kết quả chính thức không được xác định và cuối cùng có thể gây ra lỗi, tức là không dựa vào chức năng này để hành xử khi thông qua các đối số thỏa mãn điều kiện bất bình đẳng đó. Giới hạn
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
9 có thể được bao gồm trong mảng nổi đã trả lại do làm tròn điểm nổi trong phương trình
from scipy.stats import uniform

#calculate uniform probability
uniform.cdf(x=19, loc=15, scale=10) - uniform.cdf(x=17, loc=15, scale=10)

0.2
4. Ví dụ:

>>> x = np.float32(5*0.99999999)
>>> x
5.0

Ví dụ

Vẽ các mẫu từ phân phối:

>>> s = np.random.uniform(-1,0,1000)

Tất cả các giá trị nằm trong khoảng thời gian đã cho:

>>> np.all(s >= -1)
True
>>> np.all(s < 0)
True

Hiển thị biểu đồ của các mẫu, cùng với hàm mật độ xác suất:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(s, 15, density=True)
>>> plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
>>> plt.show()

Hướng dẫn how do you implement uniform distribution in python? - làm thế nào để bạn triển khai phân phối thống nhất trong python?

Làm thế nào để bạn có được một phân phối thống nhất trong Python?

Có 2 cách để mô hình hóa phân phối đồng đều trong Python ...
Sử dụng thư viện Numpy trong Python. Nhập khẩu Numpy dưới dạng NP. Nhập matplotlib. pyplot như plt. Giá trị = NP. ngẫu nhiên. Đồng nhất (0,01, 0,99, 1000) ....
Sử dụng thư viện Scipy trong Python. từ Scipy. số liệu thống kê nhập khẩu đồng phục. Nhập matplotlib. pyplot như plt. Nhập khẩu Numpy dưới dạng NP. .

Làm thế nào để bạn tạo một phân phối thống nhất?

Công thức chung.Công thức chung cho hàm mật độ xác suất (PDF) cho phân phối đồng nhất là: f (x) = 1/ (b-a) cho a≤ x ≤b.Một số người là tham số vị trí: Tham số vị trí cho bạn biết trung tâm của đồ thị ở đâu.f(x) = 1/ (B-A) for A≤ x ≤B. “A” is the location parameter: The location parameter tells you where the center of the graph is.

Phương pháp thống nhất trong Python là gì?

Phương thức đồng nhất ngẫu nhiên Python () Phương thức đồng nhất () Phương thức trả về một số nổi ngẫu nhiên giữa hai số được chỉ định (cả hai bao gồm).returns a random floating number between the two specified numbers (both included).

Làm thế nào để bạn tạo một phân phối xác suất trong Python?

Phân phối nhị thức Trong Python Bạn có thể tạo biến ngẫu nhiên phân tán nhị phân bằng phương thức Binom.rvs () của SCIPYĐể thay đổi phân phối sử dụng tham số LỘC.using scipy. stats module's binom. rvs() method which takes $n$ (number of trials) and $p$ (probability of success) as shape parameters. To shift distribution use the loc parameter.