Un modo per risolvere questo problema \u00e8 trasformare la distribuzione dei valori in un set di dati utilizzando una delle tre trasformazioni:<\/span><\/p>\n 1. Trasformazione del log:<\/strong> trasforma la variabile di risposta da y a log(y)<\/strong> .<\/span><\/p>\n 2. Trasformazione della radice quadrata:<\/strong> trasforma la variabile di risposta da y a \u221ay<\/span><\/strong> .<\/span><\/p>\n 3. Trasformazione della radice del cubo:<\/strong> trasforma la variabile di risposta da y a y 1\/3<\/sup><\/strong> .<\/span><\/p>\n Eseguendo queste trasformazioni, il set di dati generalmente diventa distribuito in modo pi\u00f9 normale.<\/span><\/p>\n Gli esempi seguenti mostrano come eseguire queste trasformazioni in Python.<\/span><\/p>\n Il codice seguente mostra come eseguire una trasformazione logaritmica<\/strong> su una variabile e creare grafici affiancati per visualizzare la distribuzione originale e la distribuzione dei dati trasformata in logaritmo:<\/span> <\/p>\n Notare come la distribuzione trasformata in log sia distribuita in modo pi\u00f9 normale rispetto alla distribuzione originale.<\/span><\/p>\n Non ha ancora una perfetta “forma a campana”, ma \u00e8 pi\u00f9 vicina a una distribuzione normale che a quella originale.<\/span><\/p>\n Il codice seguente mostra come eseguire una trasformazione radice quadrata<\/strong> su una variabile e creare grafici affiancati per visualizzare la distribuzione originale e la distribuzione trasformata radice quadrata dei dati:<\/span> <\/p>\n Si noti come i dati trasformati con radice quadrata siano distribuiti in modo molto pi\u00f9 normale rispetto ai dati originali.<\/span><\/p>\n Il codice seguente mostra come eseguire una trasformazione di radice cubica<\/strong> su una variabile e creare grafici affiancati per visualizzare la distribuzione originale e la distribuzione trasformata di radice cubica dei dati:<\/span> <\/p>\n Si noti come i dati trasformati della radice cubica siano distribuiti in modo molto pi\u00f9 normale rispetto ai dati originali.<\/span><\/p>\n Come calcolare i punteggi Z in Python<\/a> Molti test statistici presuppongono che i set di dati siano distribuiti normalmente. Tuttavia, nella pratica spesso ci\u00f2 non avviene. Un modo per risolvere questo problema \u00e8 trasformare la distribuzione dei valori in un set di dati utilizzando una delle tre trasformazioni: 1. Trasformazione del log: trasforma la variabile di risposta da y a log(y) . […]<\/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 Trasformazione del registro in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 4<\/span> , b= 15<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. log<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Log-Transformed Data<\/span> ')\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans11.png\"){kind=spacer}
<\/p>\n Trasformazione della radice quadrata in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. sqrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Square Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans12.png\"){kind=spacer}
<\/p>\n Trasformazione della radice del cubo in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create beta distributed random variable with 200 values\n<\/span>data = np. random<\/span> . beta<\/span> (a= 1<\/span> , b= 5<\/span> , size= 300<\/span> )\n\n#create log-transformed data\n<\/span>data_log = np. cbrt<\/span> (data)\n\n#define grid of plots\n<\/span>fig, axs = plt. subplots<\/span> (nrows= 1<\/span> , ncols= 2<\/span> )\n\n#create histograms\n<\/span>axs[0]. hist<\/span> (data, edgecolor=' black<\/span> ')\naxs[1]. hist<\/span> (data_log, edgecolor=' black<\/span> ')\n\n#add title to each histogram\n<\/span>axs[0]. set_title<\/span> (' Original Data<\/span> ')\naxs[1].set_title(' Cube Root Transformed Data<\/span> ')<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/trans13.png\"){kind=spacer}
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come normalizzare i dati in Python<\/a>
Qual \u00e8 il presupposto di normalit\u00e0 in statistica?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"