Den logistiska fördelningen

Intermediär regression med statsmodels i Python

Maarten Van den Broeck

Content Developer at DataCamp

Gaussisk sannolikhetstäthetsfunktion (PDF)

from scipy.stats import norm

x = np.arange(-4, 4.05, 0.05)

gauss_dist = pd.DataFrame({
  "x": x,
  "gauss_pdf": norm.pdf(x)}
)

sns.lineplot(x="x",
             y="gauss_pdf",
             data=gauss_dist)

Den normala sannolikhetstäthetsfunktionen

x = np.arange(-4, 4.05, 0.05)

gauss_dist = pd.DataFrame({
  "x": x,
   "gauss_pdf": norm.pdf(x),
   "gauss_cdf": norm.cdf(x)}
)

sns.lineplot(x="x",
             y="gauss_cdf",
             data=gauss_dist)

Den normala kumulativa fördelningsfunktionen

x = np.arange(-4, 4.05, 0.05)

gauss_dist = pd.DataFrame({
  "x": x,
   "gauss_pdf": norm.pdf(x),
   "gauss_cdf": norm.cdf(x)}
)

sns.lineplot(x="x",
             y="gauss_cdf",
             data=gauss_dist)

Den normala kumulativa fördelningsfunktionen med en vertikal linje vid x = 1

p = np.arange(0.001, 1, 0.001)

gauss_dist_inv = pd.DataFrame({
  "p": p,
  "gauss_inv_cdf": norm.ppf(p)}
)

sns.lineplot(x="p",
             y="gauss_inv_cdf",
             data=gauss_dist_inv)

Den normala inversa kumulativa fördelningsfunktionen

from scipy.stats import logistic

x = np.arange(-4, 4.05, 0.05)

logistic_dist = pd.DataFrame({
  "x": x,
  "log_pdf": logistic.pdf(x)}
)

sns.lineplot(x="x",
             y="log_pdf",
             data=logistic_dist)

Den normala sannolikhetstäthetsfunktionen

Intermediär regression med statsmodels i Python