我試圖做的是玩一些隨機(jī)分布。我不希望它變得正常。但就目前而言，正常更容易。import matplotlib.pyplot as pltfrom scipy.stats import normws=norm.rvs(4.0, 1.5, size=100)density, bins = np.histogram(ws, 50,normed=True, density=True)unity_density = density / density.sum()fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2, sharex=True, figsize=(12,6))widths = bins[:-1] - bins[1:]ax1.bar(bins[1:], unity_density, width=widths)ax2.bar(bins[1:], unity_density.cumsum(), width=widths)fig.tight_layout()然后，我能做的就是根據(jù)點(diǎn)數(shù)來(lái)可視化CDF。density1=unity_density.cumsum()x=bins[:-1]y=density1plt.plot(x, density1, 'o')因此，我一直試圖做的是在np.直方圖的輸出上使用np.interp函數(shù)，以獲得表示CDF的平滑曲線并提取百分點(diǎn)以繪制它們。理想情況下，我需要嘗試手動(dòng)完成所有操作并使用scipy中的ppf函數(shù)。作為一名本科生，我一直在與統(tǒng)計(jì)學(xué)作斗爭(zhēng)。我現(xiàn)在在讀研究生，并試圖讓我盡可能多地進(jìn)行這樣的練習(xí)，以便更深入地了解正在發(fā)生的事情。我對(duì)這項(xiàng)任務(wù)已經(jīng)到了絕望的地步。謝謝！
1 回答
皈依舞
TA貢獻(xiàn)1851條經(jīng)驗(yàn) 獲得超3個(gè)贊
獲得更平滑結(jié)果的一種可能性是使用更多樣本，通過(guò)使用，我得到以下圖像：10^5 samples100 bins
ws = norm.rvs(loc=4.0, scale=1.5, size=100000)
density, bins = np.histogram(ws, bins=100, normed=True, density=True)
通常，您可以使用 scipys 插值模塊來(lái)平滑 CDF。對(duì)于和平滑因子我得到：100 sampless=0.01
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import splev, splrep
density1 = unity_density.cumsum()
x = bins[:-1]
y = density1
# Interpolation
spl = splrep(x, y, s=0.01, per=False)
x2 = np.linspace(x[0], x[-1], 200)
y2 = splev(x2, spl)
# Plotting
fig, ax = plt.subplots()
plt.plot(x, density1, 'o')
plt.plot(x2, y2, 'r-')
第三種可能性是分析計(jì)算CDF。如果你自己用一個(gè)/函數(shù)生成噪音，大多數(shù)時(shí)候已經(jīng)有可用的實(shí)現(xiàn)，否則你應(yīng)該在維基百科上找到它。如果您的樣品來(lái)自測(cè)量值，那當(dāng)然是另一回事。numpyscipyCDF
import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
x = np.linspace(-2, 10)
y = norm(loc=4.0, scale=1.5).cdf(x)
ax.plot(x, y, 'bo-')
添加回答
舉報(bào)
0/150
提交
取消