Normal/Gauss Dağılımı

'Gauss dağılımı' veya 'çan eğrisi' olarak da bilinen 'Normal dağılım', kan basıncı, IQ puanları, ölçüm hataları vb. gibi birçok doğal olguya uyduğundan istatistikteki en önemli olasılık dağılımlarından biridir. dağılımlar süreklidir.

Python programı kullanılarak normal dağılım

Normal bir dağılımda, normal bir dağılım elde etmek için random.normal() işlevini kullanırız.

Fonksiyonun temel olarak üç parametresi vardır:

1. loc : Bu parametre, zilin tepe noktasının bulunduğu yere kadar anlamına gelen ortalama değeri gösterir.
2. ölçek : Bu parametre, grafik dağılımının düzlüğünü atamak anlamına gelen standart sapmayı gösterir.
3. size : Bu parametre, görüntülenecek grafiğin boyutunu gösterir.
4. 2*5 boyutunda rastgele bir normal dağılım oluşturmak için basit bir programa bakalım.

from numpy import random
x = random.normal(size=(2*5))
Explanation: The above program finds a Normal distribution having a matrix size of two rows and five columns.

[[-0.67740728 -0.14930913 -0.76195278 1.18255458 0.55254747]
[-2.53518812 -0.82533421 0.38608556 -0.64574332 0.75281676]]

Program:

From numpy import random
x = random.normal(loc=1, scale=2, size=(4,2))
print(x)

[[-0.34362887 4.38734593]
 [ 2.50183963 2.5900816 ]
 [ 4.18926006 2.24994328]
 [ 0.7707717 0.04108879]]

• Normal bir dağılımın görselleştirilmesi

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(random.normal(size=1000), hist = False)
plt.show()

        

         A photo by Author
        

Örneğin: Çocukların %70'inin sınavı geçtiği yerde çocukların %10'unun en yüksek puanlı olma olasılığını bulmak için.

Python Programını Kullanarak Binom Dağılımı

Binom dağılımında, bir binom dağılımı elde etmek için random.binomial() işlevini kullanırız. Bu fonksiyonun üç parametresi vardır:

1. n = Bu parametre, gerçekleştirilecek deneme sayısını belirtir.
2. p = Bu parametre, her denemenin gerçekleşme olasılığını belirtir.
3. size = Bu parametre dizinin boyutunu gösterir.
4. Yazı tura olasılığını oluşturan basit bir programa bakalım.

from numpy import random
x = random.binomial (n=6, p=0.5, size=10)
print(x)

[3 3 3 4 3 4 2 3 1 3]

5. Binom dağılımının görselleştirilmesi

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(random.binomial(n=10, p=0.5, size=1000), hist=True, kde=False)
plt.show()

        

         A photo by Author
        

Poisson Dağılımı

Poisson dağılımı, büyük bir popülasyonda meydana gelen nadir olayların sayısının olasılık dağılımını tanımlar. Poisson dağılımı da ayrıktır, ancak binom ve Poisson dağılımı arasında küçük bir fark vardır. Her ikisini de karşılaştırarak bu teoriyi anlayalım. İki terimli dağılım/deney 50 kişilik bir sürüdeki kara koyun sayısını bulurken, Poisson dağılımı/deney iki saatlik bir aralıkta kaç koyunun kaçacağına odaklanır. Bir python programı (NumPy) kullanarak bu kavramı inceleyelim.

Python Programı ile Poisson Dağılımı

Poisson dağılımında, bir Poisson dağılımı elde etmek için random.poisson() işlevini kullanırız. Bu fonksiyonun iki parametresi vardır:

1. lmp = Bu parametre, mevcut oluşum sayısını belirtir.
2. size = Bu parametre dizinin boyutunu gösterir.
3. 5'in ortaya çıkması için 2*2 üretecek basit bir programa bakalım.

from numpy import random
x = random.poisson(lam=5, size=10)
print(x)

[[7 6]
[2 6]]

4. Poisson dağılımının görselleştirilmesi

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(random.poisson(lam=2, size=1000), kde=False)
plt.show()

         

          A photo by Author
         

Program:

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(random.normal(loc=50, scale=7, size=1000), hist=False, label=’normal’, color= ‘blue’)
sns.distplot(random.poisson(lam=50, size=1000), hist=False, label=’poisson’, color= ‘red’)
plt.show()

         

          A photo by Author
         

Poisson'un binom dağılımından farkı nedir?

Binom ve Poisson dağılımı arasındaki fark çok incedir, çünkü binom dağılımı tamamen ayrık iken, Poisson dağılımı süreklidir. Ancak aşağıdaki koşullar doğru olduğunda bu fark gözlenmez:

• n değeri büyükse.
• p değeri '0'a yakınsa.

Bu kavramı görselleştirerek anlayalım:

Program:

from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns
sns.distplot(random.binomial(n=1000, p=0.01, size=1000), hist=False, label=’binomial’, color= ‘blue’)
sns.distplot(random.poisson(lam=10, size=1000), hist=False, label=’poisson’, color= ‘red’)
plt.show()

         

          A photo by Author
         

Sonuç olarak, bu makale NumPy kullanan olasılık dağılımlarının temellerini ve her dağılım arasındaki farkları ele almıştır. Bu konuda deneyebileceğiniz birçok makale olduğundan, NumPy kullanan dağıtımlar hakkında daha fazla makale okumanızı şiddetle tavsiye ederim.

Umarım makaleyi beğenirsiniz. Bana LinkedIn ve twitter adresimden ulaşın .

Önerilen Makaleler

1. NLP — Python ile Kahramana Sıfır
2. Python Veri Yapıları Veri Türleri ve Nesneler
3. Python'da İstisna İşleme Kavramları
4. Python ile Boyut Azaltmada Temel Bileşen Analizi
5. Tamamen Açıklanmış K-K-meansları Python ile Kümeleme
6. Tam Açıklama Python ile Doğrusal Regresyon
7. Python ile Tam Açıklamalı Lojistik Regresyon
8. Python ile concat(), merge() ve join() Arasındaki Farklar
9. Python ile Verilerin Tartışılması — Bölüm 1
10. Makine Öğreniminde Karışıklık Matrisi