Page 172 - 6734

розподілу
mean,std = stats.norm.fit(X) # підігнати криву норм.
розп. і отримати її параметри
k2,pvalue = stats.normaltest(X) # тест на нормальний
розподіл (k2 - сума квадратів коефіцієнтів асиметрії
і ексцесу)
print k2,pvalue # наприклад, якщо pvalue < 0.05, то
це не нормальний розподіл
d,pvalue = stats.kstest(X, dist.cdf) # тест
Колмогорова-Смірнова
#або stats.kstest(X, 'norm', args=(15, 0.5))
print d,pvalue # якщо pvalue < 0.05, то ці розподіли
не ідентичні

# побудова емпіричної гістограми і теоретичної
кривої:
n,x=np.histogram(X, bins=10) # кількість значень у
кожному інтервалі, інтервали
xmin=x[:-1] # масив мінімумів інтервалів
dx=x[1]-x[0] # ширина інтервалу
y=n/(N*dx) # емпірична приведена частота
# площа одного прямокутника гістограми дорівнює
відносній частоті: p=n/N=dx*n/(N*dx)
xmid=xmin+dx/2 # масив центрів інтервалів
plt.bar(xmid, y, width=dx, color='y') # нарисувати
емпіричну гістограму приведених частот
dist2 = stats.norm(loc=mean, scale=std) # нормальний
розподіл із параметрами після підгонки
plt.plot(xmid, dist2.pdf(xmid),'ko') # нарисувати
точки теоретичної кривої
X1=np.linspace(13,17,100) # аргументи для побудови
теоретичної кривої
plt.plot(X1, dist2.pdf(X1),'k-') # нарисувати
теоретичну криву густини імовірності
plt.xlabel('x');plt.ylabel('y');plt.grid();plt.show()

171