Generowanie ciągłych zmiennych losowych

Symulacje Monte Carlo w Pythonie

Izzy Weber

Curriculum Manager, DataCamp

Rozkład normalny

Kształt dzwonu, wyśrodkowany w średniej (loc); szerokość określona przez odchylenie standardowe (scale)

Wzrost dorosłych Amerykanów płci męskiej ma rozkład normalny: Teoretyczna funkcja gęstości prawdopodobieństwa rozkładu normalnego

Teoretyczna funkcja gęstości prawdopodobieństwa rozkładu normalnego dla różnych odchyleń standardowych

Teoretyczna funkcja gęstości prawdopodobieństwa rozkładu normalnego dla różnych średnich

Teoretyczna funkcja gęstości prawdopodobieństwa rozkładu normalnego dla różnych średnich i odchyleń standardowych

Wzrost dorosłych Amerykanów płci męskiej; średnia = 177 cm; odchylenie standardowe = 8 cm
Jaki odsetek osób ma wzrost powyżej 190 lub poniżej 165 cm?

heights = st.norm.rvs(loc=177, scale=8, size=10000)

qualified = (heights < 165) | (heights > 190)

print(np.sum(qualified) * 100/10000)

12.28

heights_dict = {"heights":heights}
sns.histplot(x="heights", data=heights_dict)
plt.axvline(x=165, color="red")
plt.axvline(x=190, color="red")

Histogram próbek z rozkładu normalnego

Ciągły rozkład jednostajny (st.uniform)
- Ciągły odpowiednik dyskretnego rozkładu jednostajnego
Rozkład wykładniczy (st.expon)
- Ciągły odpowiednik rozkładu geometrycznego

¹ https://docs.scipy.org/doc/scipy/tutorial/stats/continuous.html

Symulacje Monte Carlo w Pythonie