cb
ABCD
  • NumPy Эхлэх
  • NumPy Массив үүсгэх
  • NumPy Массивын индексжүүлэлт
  • NumPy Массив үүсгэх /Slicing/
  • NumPy Өгөгдлийн төрөл /Data Type/
  • NumPy Массив Хуулбарлах VS Үзүүлэх
  • NumPy массивын хэмжээ /Shape/
  • NumPy Массивын хэмжээсийн өөрчлөх /Reshaping/
  • NumPy Массивыг давтах /Iterating/
  • NumPy Массивыг нэгтгэх /Join Array/
  • NumPy Массивыг хуваах /Split/
  • NumPy Массиваас хайх /Search/
  • NumPy Массивыг эрэмбэлэх /Sorting/
  • Массив шүүх /Filter/
  • NumPy Санамсаргүй тоо /Random Number/
  • NumPy Санамсаргүй өгөгдөл түгээх /Data Distribution/
  • Санамсаргүй сэлгээ /Random Permutations/
  • NumPy Seaborn модуль
  • NumPy Хэвийн тархалт /Normal Distribution/
  • NumPy Салангид тархалт /Binomial Distribution/
  • NumPy Салангид тархалт /Poisson Distribution/
  • NumPy Жигэд тархалт /Uniform Distribution/
тохиргоо
Толгой хэсэг
Хажуугийн самбар
Үндсэн контент
НЭВТРЭХ

NumPy Салангид тархалт /Poisson Distribution/

Poisson Distribution бол Discrete Distribution буюу салангид тархалт юм.

Энэ нь тодорхой цаг хугацаанд хэдэн удаа үйл явдал болж болохыг тооцдог. Жишээ нь нэг хүн өдөрт 3л ус уудаг бол 4л ус уух магадлал хэд вэ?

Хоёр параметртэй:

lam - тохиолдлын тоо

size - Буцаасан массивын хэлбэр

Жишээ нь

2 тохиолдлын хувьд санамсаргүй 1Х10 тархалтыг авч үзье

from numpy import random

mas = random.poisson(lam = 2, size=10)

print (mas)

Үр дүн

File G:\Hicheel\Python\test.py
[3 2 1 1 1  2 3 3 1 1]


Poisson Distribution-ийн дүрслэл

Жишээ нь

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot(random.poisson(lam = 2, size=1000), kde=False)

plt.show()

Үр дүн

File G:\Hicheel\Python\test.py



Хэвийн болон Poisson тархалтын ялгаа

Хэвийн тархалт нь тасралтгүй, Poisson тархалт нь салагид байдаг.

Гэхдээ хангалттай их хэмжээний Poisson тархалтын хувьд Binomial-тай төстэй байх нь тодорхой байдаг бөгөөд std, dev дундаж утгатай хэвийн тархалттай төстэй болно гэдгийг бид доорх жишээнээс харж байна.

Жишээ нь

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot(random.normal(loc = 50, scale = 7, size=1000), hist=False, label='normal')
sns.distplot(random.poisson(lam = 50, size = 1000), hist = False, label='poisson')

plt.show()

Үр дүн

File G:\Hicheel\Python\test.py



Binomial болон Poisson тархалтын ялгаа

Ялгаа нь маш нарийн бөгөөд биномын тархалт нь салангид туршилтанд, харин пуассоны тархалт нь тасралтгүй туршилтанд зориулагдсан байдаг.

Гэхдээ маш том n ба тэгийн ойролцоо p биномын тархалт нь пуассоны тархалттай ижил бөгөөд n * p нь lam -тай бараг тэнцүү байна.

Жишээ нь

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot(random.binomial(n = 1000, p = 0.01, size=1000), hist=False, label='binomial')
sns.distplot(random.poisson(lam = 10, size = 1000), hist = False, label='poisson')

plt.show()

Үр дүн

File G:\Hicheel\Python\test.py



Сэтгэгдэлүүд

Контентын нэр
NumPy Эхлэх
NumPy Массив үүсгэх
NumPy Массивын индексжүүлэлт
NumPy Массив үүсгэх /Slicing/
NumPy Өгөгдлийн төрөл /Data Type/
NumPy Массив Хуулбарлах VS Үзүүлэх
NumPy массивын хэмжээ /Shape/
NumPy Массивын хэмжээсийн өөрчлөх /Reshaping/
NumPy Массивыг давтах /Iterating/
NumPy Массивыг нэгтгэх /Join Array/
NumPy Массивыг хуваах /Split/
NumPy Массиваас хайх /Search/
NumPy Массивыг эрэмбэлэх /Sorting/
Массив шүүх /Filter/
NumPy Санамсаргүй тоо /Random Number/
NumPy Санамсаргүй өгөгдөл түгээх /Data Distribution/
Санамсаргүй сэлгээ /Random Permutations/
NumPy Seaborn модуль
NumPy Хэвийн тархалт /Normal Distribution/
NumPy Салангид тархалт /Binomial Distribution/
NumPy Салангид тархалт /Poisson Distribution/
NumPy Жигэд тархалт /Uniform Distribution/
ABCD.mn ©

Нөхцөл & Шаардлага

1. General

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

2. Account

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

3. Service

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

4. Payments

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.