Python တွင် ပုံမှန်ဖြန့်ဝေနည်း (ဥပမာများနှင့်အတူ)

အောက်ပါ syntax ကိုအသုံးပြုသည့် numpy.random.normal() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ Python တွင် ပုံမှန်ဖြန့်ဝေမှုကို လျင်မြန်စွာ ဖန်တီးနိုင်သည်-

 numpy. random . normal (loc=0.0, scale=1.0, size=None)

ရွှေ-

• တည်နေရာ- ဖြ န့်ဖြူးမှု၏ပျမ်းမျှ။ မူရင်းတန်ဖိုးသည် 0 ဖြစ်သည်။
• အတိုင်းအတာ- ဖြန့ ်ဖြူးမှု၏ စံသွေဖည်မှု။ မူရင်းတန်ဖိုးမှာ 1 ဖြစ်သည်။
• အရွယ်အစား- နမူနာအရွယ်အစား။

ဤသင်ခန်းစာတွင် Python တွင် ပုံမှန်ဖြန့်ဝေမှုတစ်ခုကို ဖန်တီးရန် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုခြင်း၏ နမူနာကို ပြသထားသည်။

ဆက်စပ်- Python တွင် Bell Curve ဖန်တီးနည်း

ဥပမာ- Python တွင် ပုံမှန်ဖြန့်ဝေမှုကို ဖန်တီးခြင်း။

အောက်ဖော်ပြပါ ကုဒ်သည် Python တွင် ပုံမှန်ဖြန့်ဖြူးမှုကို မည်သို့ထုတ်လုပ်ရမည်ကို ပြသသည်-

 from numpy. random import seed
from numpy. random import normal

#make this example reproducible
seed(1)

#generate sample of 200 values that follow a normal distribution 
data = normal (loc=0, scale=1, size=200)

#view first six values
data[0:5]

array([ 1.62434536, -0.61175641, -0.52817175, -1.07296862, 0.86540763])

ဤဖြန့်ဖြူးမှု၏ ပျမ်းမျှနှင့် စံသွေဖည်မှုကို ကျွန်ုပ်တို့ အမြန်ရှာဖွေနိုင်သည်-

 import numpy as np

#find mean of sample
n.p. mean (data)

0.1066888148479486

#find standard deviation of sample
n.p. std (data, ddof= 1 )

0.9123296653173484

ဒေတာတန်ဖိုးများ ဖြန့်ဖြူးမှုကို မြင်သာစေရန် အမြန် histogram တစ်ခုကိုလည်း ဖန်တီးနိုင်သည်-

 import matplotlib. pyplot as plt
count, bins, ignored = plt. hist (data, 30)
plt. show ()

ဒေတာအတွဲသည် သာမန်လူဦးရေမှ ဆင်းသက်ခြင်းရှိ၊ မရှိ စစ်ဆေးရန် Shapiro-Wilk စမ်းသပ်မှုကို ပင် လုပ်ဆောင်နိုင်သည်-

 from scipy. stats import shapiro

#perform Shapiro-Wilk test
shapiro(data)

ShapiroResult(statistic=0.9958659410, pvalue=0.8669294714)

စမ်းသပ်မှု၏ p-တန်ဖိုးသည် 0.8669 ဖြစ်လာသည်။ ဤတန်ဖိုးသည် 0.05 ထက်မနည်းသောကြောင့်၊ နမူနာဒေတာသည် ပုံမှန်ဖြန့်ဝေထားသော လူဦးရေမှလာသည်ဟု ကျွန်ုပ်တို့ ယူဆနိုင်ပါသည်။

ကျွန်ုပ်တို့သည် numpy.random.normal() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ဒေတာကို ပုံမှန်ဖြန့်ဝေမှုမှ ဒေတာ၏ ကျပန်းနမူနာကို ထုတ်ပေးသောကြောင့် ဤရလဒ်သည် အံ့သြစရာမဖြစ်သင့်ပါ။