试着用1%的回收箱和简单的正态分布生成一个简单的直方图,但是我得到了难以置信的小数目--我在哪里搞砸了np.histogram的实现?
以下是基本实现:
import streamlit as st
import math
import pandas as pd
import numpy as np
from numpy.random import normal
import random
import matplotlib.pyplot as plt
import plotly.graph_objects as go
mean = 600000
uncertainty = 5.02
st_
所以我得到了我的直方图和正常曲线,但是曲线看起来比直方图条要小得多。我做错了什么,它比它应该要小得多?
正如您在我的代码中看到的,我绘制了直方图,并尝试了两种绘制正常曲线的方法。我已经计算了数据集的sd和均值,所以我只使用实际的数字。这些线条确实是绘制出来的,只是比它们应该的要低得多。
g = read.csv("C:/Users/emkat/Documents/decave.txt",header=FALSE)
g
m <- lapply(g,mean)
std <- sqrt(var(g))
hist(g[,1],plot = TRUE)
x <-
我需要在Plotly中将两个直方图绘制在一起,其中每个直方图都在平均值所在的位置绘制了一条线,并用一个标签显示平均值。我的代码目前绘制了这两个直方图,但是我不知道如何添加带有标签的平均值线。有什么想法吗?
import numpy as np
import random
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
import plotly.graph_objs as go
init_notebook_mode() # run at the
我想知道是否可以为R中给定的连续分布绘制一个理论密度直方图?
所谓理论直方图,我指的是不基于R中可用的随机变量生成器(如hist(rnorm(1e4)))的直方图。相反,一个直方图,完全匹配的概率密度函数(,pdf,)的连续分布,为用户定义的支持(即,随机变量的范围)的可调中断。
作为R中的一个例子,我们知道支持 -5到5的标准正态分布的pdf在理论上是由下面的R码得到的。
In R,,我们能把这个精确的理论pdf转换成相应的理论密度直方图吗?对于如何在R中做到这一点,有什么建议吗?
c = curve(dnorm(x), -5, 5, n = 1e4)
我想绘制一个概率密度分布的可能性计算(在贝叶斯统计)。Theta代表了真正的成功率。
如果我试图绘制可能性计算的概率:
k <- 10 # number of successes
n <- 100 # number of trials
likelihood <- as.data.frame(dbinom(x=k, size=n, prob=seq(0.0001, 0.9999, length.out=10000), log = FALSE))
ggplot(likelihood, aes(x=likelihood[,1])) + geom_density
我试图在python中使用Plotly绘制一个累积直方图,但使其看起来像“步骤”,即没有颜色的条形图,只显示顶线。如下所示:
基本上,我试图重现以下matplotlib代码的行为:
import matplotlib.pyplot as plt
plt.hist(x, cumulative=True, histtype='step')
到目前为止,我能做的最好的事情是:
import plotly.graph_objs as go
from plotly.offline import iplot
h = go.Histogram(x=x,
我正在使用随机数绘制一个直方图,该直方图具有基态一维盒子中粒子的相同概率分布。但与原始分布相比,这些值在顶部被削减了。 以下是代码 from numpy import*
from matplotlib.pyplot import*
lit=[]
def f(x):
return 2*(sin(pi*x)**2)
for i in range(0,10000):
x=random.uniform(0,1)
y=random.uniform(0,1)
if y<f(x):
lit.append(x)
l=linspace(0,1,1000