Scipy Lognormal

L'informatique et les mathématiques sont deux matières qui se complètent. Ils ont des opérations très communes qu'une personne a besoin pour apprendre et effectuer. Les langages de programmation informatique sont très couramment utilisés pour calculer les fonctions mathématiques rapidement et automatiquement. Mais avant d'utiliser toute fonction de tout langage de programmation, vous devez avoir une compréhension claire de l'opération mathématique dans laquelle vous allez effectuer une fonction de programmation. Le langage de programmation Python est le langage de programmation le plus utilisé de nos jours car il offre plusieurs fonctions utiles qui aident à effectuer des calculs mathématiques complexes automatiquement et rapidement. Ce guide explore la fonction lognormale qui est fournie dans la bibliothèque Scipy de Python.

Qu'est-ce qu'une fonction lognormale?

Lognormal est une fonction mathématique qui est utilisée pour générer la distribution lognormale. La distribution lognormale est fonction de la probabilité et est utilisée pour générer une distribution de probabilité continue d'un nombre aléatoire. Il prend une variable X dont le logarithme est normalement distribué et génère sa distribution de probabilité continue de celui-ci. Dans Python, la bibliothèque Scipy fournit la fonction lognormale pour effectuer automatiquement tous les calculs mathématiques manuels. Tout ce que vous avez à faire est de fournir la variable X dont la distribution de probabilité continue doit être générée. Comprenons la syntaxe de la fonction lognormale Scipy, puis évolue vers la section Exemples pour comprendre comment fonctionne la fonction lognormale dans un programme Python.

Syntaxe de la fonction lognormale

La fonction lognormale est fournie par la bibliothèque Scipy dans le package des statistiques. Puisqu'il s'agit d'une fonction de probabilité, il se trouve dans le package des statistiques de la bibliothèque Scipy. La syntaxe de la fonction lognormale est très simple et facile à comprendre. Voyons d'abord la syntaxe et ensuite nous comprendrons à quel point chaque élément de la fonction est utilisé pour. Voir la syntaxe foliaire:

La fonction lognormale fonctionne avec plusieurs méthodes, chacune ayant des fonctionnalités et des services différents à offrir. Quelques méthodes d'entre eux sont PDF, PPF, RVS, ISF, entropie, logsf, cdf, logpdf, attendre, etc. Vous pouvez utiliser n'importe quelle technique en fonction de vos besoins. Nous expliquerons certaines de ces méthodes à l'aide d'exemples. Les paramètres sont également fournis selon la méthode que vous utilisez.

Nous expliquerons chaque paramètre ici pour votre compréhension. Le paramètre «x» est utilisé pour fournir les quantiles dans un tableau comme un objet. Le paramètre «Q» est utilisé pour fournir la probabilité de queue. Le paramètre «S» est utilisé pour définir la forme. Le paramètre «loc» représente l'emplacement. Le paramètre «échelle» représente l'échelle. Le paramètre «taille» représente la forme d'une variété aléatoire. Enfin, le paramètre «Moment» spécifie les moments à calculer à partir du groupe «MVSK» où M représente la moyenne, V représente la variance, S représente le biais de Fisher, et K représente le kurtosis de Fisher. Pour une meilleure compréhension de la fonction lognormale, regardons quelques instances.

Exemple 1:

Comprenons comment la fonction lognormale utilise différentes méthodes pour générer la distribution de probabilité continue. Considérez l'exemple de code suivant:

Importer Numpy comme NP
à partir des statistiques d'importation Scipy
Importer Matplotlib.pypllot comme plt
S = 0.898
Fig, x = plt.intrigues secondaires (1, 1)
données = np.lispace (
Statistiques.Lognorm.PPF (0.01, s),
Statistiques.Lognorm.PPF (0.89, s), 88)
X.tracer (données,
Statistiques.Lognorm.pdf (données, s), 'r-', lw = 5, alpha = 0.4)

Nous avons commencé le programme en important toute la bibliothèque nécessaire afin que nous n'ayons pas à faire face à aucune erreur. La première bibliothèque est Numpy qui est importée comme NP. Il est utilisé pour générer le tableau. La deuxième bibliothèque est SCIPY qui est utilisée pour importer le package des statistiques afin que nous puissions utiliser la fonction lognormale dans le programme. La dernière bibliothèque est Matplotlib qui est utilisée pour importer le package Pyplot afin que nous puissions utiliser la méthode PLT pour tracer les données dans un graphique.

Après avoir importé toutes les bibliothèques nécessaires, nous déclarons les données pour générer la distribution de probabilité aléatoire. Après cela, la taille du graphique est déclarée tracer les données. La variable «S» définie est transmise au Logorm.Méthode PPF (). La distribution de probabilité continue générée est transmise à la fonction de tracé () afin qu'elle puisse être affichée dans le graphique. Le PPF signifie pourcentage la fonction de point et est utilisé pour générer la distribution de centile. Maintenant, vérifions la sortie générée par le Lognorm.Fonction PPF (). Jetez un œil au graphique suivant:

Exemple 2:

Explorons une autre méthode avec une fonction lognormale dans cet exemple. Dans l'exemple précédent, nous avons utilisé la fonction PPF. Ici, nous utiliserons la fonction PDF. Considérez l'exemple de code dans l'extrait de code suivant:

Importer Numpy comme NP
de Scipy.Statistiques Import Lognorm
Importer Matplotlib.pypllot comme plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.pdf (x, 0.9,0)
PLT.Terrain (x, y)
PLT.montrer()

Comme vous pouvez le voir, tout comme dans l'exemple précédent, toutes les bibliothèques nécessaires sont importées d'abord dans le programme - Numpy, Scipy et Matplotlib. Ensuite, les données sont déclarées. Le NP.La fonction arrange () est utilisée pour générer le tableau de données qui est ensuite transmis à la méthode PDF. Le PDF signifie une fonction de densité de probabilité et est utilisé pour générer la densité de probabilité pour les données données. Les variables x et y sont transmises à la fonction Plot (). Cela dessine le graphique. Maintenant, regardons le graphique suivant:

Exemple 3:

La prochaine méthode que nous allons expliquer ici est la méthode CDF. Considérez l'exemple de code suivant pour comprendre le fonctionnement de la méthode CDF.

Importer Numpy comme NP
à partir des statistiques d'importation Scipy
Importer Matplotlib.pypllot comme plt
x = np.Arange (-2, 2, 0.5)
y = lognorm.CDF (x, 0.9,0)
PLT.Terrain (x, y)
PLT.montrer()

Ici, nous utilisons la méthode CDF avec une fonction lognormale pour voir comment elle fonctionne. Le CDF est l'abréviation de la fonction de densité cumulative et est utilisé pour générer la densité cumulative des données données. Vous devez vous demander si l'ensemble du programme est le même que nous avons utilisé dans l'exemple précédent. Oui, le programme est le même, nous avons juste changé la méthode. Ceci est fait pour vous montrer la différence entre la sortie de différentes méthodes pour vous aider à comprendre comment vous pouvez obtenir une sortie complètement différente en utilisant une méthode différente. Maintenant, vérifions la sortie suivante:

Conclusion

Ce guide lognormal Python Scipy est un aperçu rapide de la fonction lognormale. Nous avons appris que la fonction lognormale est fournie dans la bibliothèque Scipy du langage de programmation Python et est utilisée pour générer automatiquement la distribution de probabilité continue et rapidement. Nous avons appris que la fonction lognormale fonctionne avec différentes méthodes. Nous avons également exploré les méthodes PPF, PDF et CDF à l'aide d'exemples. La fonction PPF est utilisée pour calculer le point de centile. La méthode PDF est utilisée pour calculer la densité de probabilité. Et la méthode CDF est utilisée pour calculer la densité cumulative.