count, bins, ignored = plt.hist(s, 100, normed=True) # print "Count:", count # print "Bins: ", bins plt.plot(bins, 1 / (sigma * np.sqrt(2 * np.pi)) * np.exp(-(bins - mu)**2 / (2 * sigma**2)), linewidth=2, color='r') plt.grid(True) plt.show() # Więcej o rysowaniu wykresow na stronie: # http://matplotlib.org/users/pyplot_tutorial.html ###################################### # Zadania # 1. Narysowac podobny wykres dla rozkładu t_Studenta o n stopniach swobody # (wykonać proby dla kilku n) # Wygeneruj probki w oparciu o: # http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.random.standard_t.html#numpy.random.standard_t # # 2. Jak w zadaniu 1. z tym, że dla skośniego rozkładu t_Studenta # Wygeneruj probki w oparciu o: metodę rsv klasy SkewStudent (plik SkewStudent.py) from SkewStudent import SkewStudent st = SkewStudent(eta=13., lam=-.5) sample = st.rvs(size=10) print sample
print "Mean: ", abs(mu - np.mean(s)) < 0.01, np.mean(s) print "Var: ", abs(sigma - np.std(s, ddof=1)) < 0.01, np.std(s, ddof=1) count, bins, ignored = plt.hist(s, 50, normed=True) # print "Count:", count # print "Bins: ", bins plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) * np.exp( - (bins - mu)**2 / (2 * sigma**2) ), linewidth=2, color='r') plt.grid(True) plt.show() # Więcej o rysowaniu wykresow na stronie: # http://matplotlib.org/users/pyplot_tutorial.html ###################################### # Zadania # 1. Narysowac podobny wykres dla rozkładu t_Studenta o n stopniach swobody # (wykonać proby dla kilku n) # Wygeneruj probki w oparciu o: # http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.random.standard_t.html#numpy.random.standard_t # # 2. Jak w zadaniu 1. z tym, że dla skośniego rozkładu t_Studenta # Wygeneruj probki w oparciu o: metodę rsv klasy SkewStudent (plik SkewStudent.py) from SkewStudent import SkewStudent st = SkewStudent(eta=13., lam=-.5) sample = st.rvs(size=10) print sample
# dystrybuanta empiryczna i rzeczywista na jednym wykresie # mu, sigma = 0, 5 # sample = np.random.normal(mu, sigma, 1000) # # x = np.linspace(min(sample), max(sample)) # y_ecdf = np.vectorize(lambda x: ecdf(x, sample)) # y_cdf = stats.norm.cdf(x, loc=mu, scale=sigma) # # print x # # print y_ecdf # plt.plot(x, y_ecdf(x), color="blue") # plt.plot(x, y_cdf, color="red") # plt.show() ###################################### # Zadania # 1. Narysuj dystrybuantę empiryczną i rzeczywistą na jednym wykresie # dla rozkładu t_Studenta o n stopniach swobody (wykonać proby dla kilku n) # 2. Jak w zadaniu 1. z tym, że dla skośniego rozkładu t_Studenta s = SkewStudent(eta=10., lam=-.1) sample = s.rvs(size=100) x = np.linspace(min(sample), max(sample)) y_ecdf = np.vectorize(lambda x: ecdf(x, sample)) y_cdf = s.cdf(x) # print x # print y_ecdf plt.plot(x, y_ecdf(x), color="blue") plt.plot(x, y_cdf, color="red") plt.show()
# dystrybuanta empiryczna i rzeczywista na jednym wykresie # mu, sigma = 0, 5 # sample = np.random.normal(mu, sigma, 1000) # # x = np.linspace(min(sample), max(sample)) # y_ecdf = np.vectorize(lambda x: ecdf(x, sample)) # y_cdf = stats.norm.cdf(x, loc=mu, scale=sigma) # # print x # # print y_ecdf # plt.plot(x, y_ecdf(x), color="blue") # plt.plot(x, y_cdf, color="red") # plt.show() ###################################### # Zadania # 1. Narysuj dystrybuantę empiryczną i rzeczywistą na jednym wykresie # dla rozkładu t_Studenta o n stopniach swobody (wykonać proby dla kilku n) # 2. Jak w zadaniu 1. z tym, że dla skośniego rozkładu t_Studenta s = SkewStudent(eta=10., lam=-.1) sample = s.rvs(size=1000) x = np.linspace(min(sample), max(sample)) y_ecdf = np.vectorize(lambda x: ecdf(x, sample)) y_cdf = s.cdf(x) # print x # print y_ecdf plt.plot(x, y_ecdf(x), color="blue") plt.plot(x, y_cdf, color="red") plt.show()