Búsqueda de sitios web

Mostrar distribución normal de potencia en estadísticas usando Python

En este artículo conoceremos la Distribución Normal de Energía, su aplicación y usos. Aprenderemos a analizar la distribución con la ayuda de diferentes métodos, incluidos PDF y CDF. Antes de eso, veamos qué es la Distribución Normal de Energía.

Distribución normal de energía

La distribución normal de energía es la misma que la distribución normal, solo que la diferencia es que esta distribución incluye el parámetro de energía que se utiliza para controlar la forma de la distribución. Nos proporciona una manera fácil de modelar los datos que mostrarán las características de la distribución no normal.

Veamos la distribución normal de energía usando varios métodos:

Método 1: generación de números aleatorios

Aquí, en este método, generaremos números aleatorios a partir de la distribución normal de potencia. Para generar el número aleatorio utilizamos el módulo scipy.stats.

Ejemplo


import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import powernorm

mean = 0  
sigma = 1
alpha = 2  

random_numbers = powernorm.rvs(alpha, loc=mean, scale=sigma, size=20)
print(random_numbers)

Producción


[-1.13156225 -1.87837294  0.43238318 -2.01395963 -0.78067048 -0.09210662
 -0.90814025  0.64637169  0.3459799  -1.11370548 -0.40993553  0.933623
 -0.31985786 -0.35511113 -0.04098083 -0.44625217  0.44481325 -0.71633978
 -1.00779006  1.30530909]

Explicación

Aquí, en la función, importamos la clase powernorm de scipy.stats para trabajar con la distribución normal de energía. Aquí tenemos el parámetro como media, sigma que es la desviación estándar y alfa para el parámetro de potencia. Usando powernorm.rvs() generamos 20 valores aleatorios de la distribución normal de potencia.

Método 2: función de densidad de probabilidad (PDF)

La PDF de una distribución normal de potencia dice que se producirá algún resultado. Se utiliza para definir la probabilidad de cualquier variable aleatoria. Para analizar el PDF de cualquier punto específico usaremos el método pdf().

Ejemplo


from scipy.stats import powernorm

mean = 0
sigma = 1
alpha = 2

x = 0.5
pdf_value = powernorm.pdf(x, alpha, loc=mean , scale=sigma)

print(pdf_value)

Producción


0.21725073878123458

Explicación

Aquí también en la función importamos la clase powernorm de scipy.stats para trabajar con la distribución normal de energía. Para calcular el PDF en cualquier punto dado utilizamos la función pdf().

Método 3: Función de distribución acumulativa (CDF)

Usamos la PDF de la función de distribución acumulativa para describir el valor de una variable aleatoria que es menor o igual a cualquier valor x. Esto se incluye en la función acumulativa, ya que evalúa la suma de la probabilidad total hasta ese punto.

Ejemplo


from scipy.stats import powernorm

sigma = 1
alpha = 2
mean = 0

x = 0.5
cdf_value = powernorm.cdf(x, alpha, loc=mean, scale=sigma)

print(cdf_value)

Producción


0.9048045871969101

Explicación

Aquí, en la función, importamos la clase powernorm de scipy.stats para trabajar con la distribución normal de energía. Para calcular la CDF en cualquier punto x utilizamos la función cdf().

Método 4: Ajustar datos a la distribución normal de energía

Para ajustar los valores podemos usar el método fit(). Podemos estimar el parámetro de distribución normal de potencia después de ajustar el valor al PDF.

Ejemplo


from scipy.stats import powernorm
import numpy as np

data = np.array([0.5, 0.6, 0.7, 0.8, 0.9])

alpha, loc, scale = powernorm.fit(data)

print("A:", alpha)
print("S:", scale)
print("L:", loc)

Producción


A: 3.0842243722735286e-05 
S: 0.0011910055743893453 
L: 0.4320397942139688

Explicación

Aquí, en la función, importamos la clase powernorm de scipy.stats para trabajar con la distribución normal de energía. Utilizamos el método fit() para estimar los parámetros de distribución normal de potencia, aquí los parámetros son A, S, L, que son Alfa, Escala y Ubicación respectivamente.

Entonces, en este artículo exploramos la distribución normal de energía. Vemos varios métodos para trabajar con PDF que incluyen generar variables aleatorias, calcular PDF, CDF y visualizar la distribución usando histograma. Además, también vimos cómo podemos ajustar nuestros datos en el PDF (Función de densidad de probabilidad).

Artículos relacionados: