Tutorial ini menjelaskan cara menghitung dan memplot nilai CDF normal dengan Python.<\/span><\/p>\n Cara termudah untuk menghitung probabilitas CDF normal dengan Python adalah dengan menggunakan fungsi norm.cdf()<\/strong> dari perpustakaan SciPy<\/a> .<\/span><\/p>\n Kode berikut menunjukkan cara menghitung probabilitas suatu variabel acak bernilai kurang dari 1,96 dalam distribusi normal standar:<\/span><\/p>\n Probabilitas suatu variabel acak mempunyai nilai kurang dari 1,96 dalam distribusi normal standar adalah sekitar 0,975<\/strong> .<\/span><\/p>\n Kita juga dapat mencari probabilitas suatu variabel acak bernilai lebih besar dari 1,96 hanya dengan mengurangkan nilai ini dari 1:<\/span><\/p>\n Probabilitas suatu variabel acak mempunyai nilai lebih besar dari 1,96 dalam distribusi normal standar adalah sekitar 0,025<\/strong> .<\/span><\/p>\n Kode berikut menunjukkan cara memplot CDF normal dengan Python:<\/span> <\/p>\n Sumbu x menunjukkan nilai variabel acak yang mengikuti distribusi normal standar, dan sumbu y menunjukkan kemungkinan suatu variabel acak mengambil nilai lebih kecil dari nilai yang ditunjukkan pada sumbu x.<\/span><\/p>\n Misalnya, jika kita melihat x = 1,96, kita akan melihat bahwa probabilitas kumulatif x kurang dari 1,96 adalah sekitar 0,975<\/strong> .<\/span><\/p>\n Jangan ragu untuk juga mengubah warna dan label sumbu plot CDF normal:<\/span> <\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya dengan Python:<\/span><\/p>\n Cara Menghasilkan Distribusi Normal dengan Python<\/a> Fungsi distribusi kumulatif ( CDF ) memberi tahu kita probabilitas bahwa suatu variabel acak mempunyai nilai yang kurang dari atau sama dengan nilai tertentu. Tutorial ini menjelaskan cara menghitung dan memplot nilai CDF normal dengan Python. Contoh 1: Hitung Probabilitas CDF Normal dengan Python Cara termudah untuk menghitung probabilitas CDF normal dengan Python adalah dengan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh 1: Hitung Probabilitas CDF Normal dengan Python<\/strong><\/span><\/h3>\n
from<\/span> scipy. stats<\/span> import<\/span> norm\n<\/span>\n#calculate probability that random value is less than 1.96 in normal CDF<\/span>\nnorm. cdf<\/span> ( 1.96<\/span> )\n\n<\/span>0.9750021048517795\n<\/strong><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> norm\n<\/span>\n#calculate probability that random value is greater than 1.96 in normal CDF<\/span>\n1 - norm. cdf<\/span> ( 1.96<\/span> )\n\n<\/span>0.024997895148220484\n<\/strong><\/pre>\n Contoh 2: Merencanakan CDF Normal<\/strong><\/span><\/h3>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\nimport<\/span> numpy as<\/span> np\nimport<\/span> scipy. stats<\/span> as<\/span> ss\n\n#define x and y values to use for CDF\n<\/span>x = np. linspace<\/span> (-4, 4, 1000)\ny = ss. norm<\/span> . cdf<\/span> (x)\n\n#normal plot CDF\n<\/span>plt. plot<\/span> (x, y)<\/strong> <\/pre>\n![\"CDF](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/normcdf12.jpg\")
<\/p>\n import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\nimport<\/span> numpy as<\/span> np\nimport<\/span> scipy. stats<\/span> as<\/span> ss\n\n#define x and y values to use for CDF\n<\/span>x = np. linspace<\/span> (-4, 4, 1000)\ny = ss. norm<\/span> . cdf<\/span> (x)\n\n#normal plot CDF\n<\/span>plt. plot<\/span> (x,y,color=' red<\/span> ')\nplt. title<\/span> (' Normal CDF<\/span> ')\nplt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' CDF<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/normcdf13.jpg\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Merencanakan Distribusi Normal dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"