« Python pour le calcul scientifique/Statistiques » : différence entre les versions

(Lois de probabilités)
* <code>.pdf()</code> : fonction densité de probabilité ''({{lang|en|probability density function}})'' pour les lois continues ;
* <code>.mdf()</code> : fonction de masse ''({{lang|en|mass density function}})'' pour les lois discrètes ;
* <code>.cdf()</code> : fonction de répartition ''({{lang|en|cumulative density function}})''. ;
* <code>.fit()</code> : calcule les paramètres de la loi correspondant au mieux à un échantillon, au sens du maximum de vraisemblance.
Par exemple
<source lang="python">
from scipy import stats
 
mean, var, skew, kurt = stats.norm.stats(moments='mvsk')
print(mean, var, skew, kurt)
print(stats.norm.pdf(1), ";", stats.norm.cdf(0.5), ";", stats.norm.ppf(0.99))
 
x = np.linspace(-6, 6, 100)
y1 = stats.norm.pdf(x)
y2 = stats.norm.cdf(x)
 
plt.plot(x, y1, label="densité")
plt.plot(x, y2, label="répartition")
plt.legend()
</source>
et
<source lang="python">
from scipy import stats
 
varAl = stats.norm(loc=10, scale=10) # loi "gelée"
n = 100
x = varAl.rvs(n)
plt.plot(x, np.ones_like(x), "|")
plt.hist(x)
print(varAl.mean(), varAl.std())
</source>
ou encore
<source lang="python">
from scipy import stats
 
n = 100
varAl = stats.poisson(mu=50)
x = varAl.rvs(size=n)
plt.plot(x, np.ones_like(x), "|")
plt.hist(x)
print(varAl.mean(), varAl.std())
 
res = stats.norm.fit(x)
print(res)
</source>
 
== Notes et références ==
13 605

modifications