使用numpy.exp计算对象生命周期
Using numpy.exp to calculate object life length
我在 Internet 上找不到任何示例。
我想学习使用指数定律来计算概率。
这是我的指数 lambda:0.0035
- What is the probability that my object becomes defectuous before 100 hours of work ? P(X < 100)
我怎么能用 numpy 或 sci kit 写这个?谢谢!
编辑:这是数学:
P(X < 100) = 1 - e ** -0.0035 * 100 = 0.3 = 30%
编辑 2 :
嘿伙计们,我可能在那里找到了一些东西,嗨嗨:
http://web.stanford.edu/class/archive/cs/cs109/cs109.1192/handouts/pythonForProbability.html
编辑 3 :
这是我对 scipy 的尝试:
from scipy import stats
B = stats.expon(0.0035) # Declare B to be a normal random variable
print(B.pdf(1)) # f(1), the probability density at 1
print(B.cdf(100)) # F(2) which is also P(B < 100)
print(B.rvs()) # Get a random sample from B
但是 B.cdf 是错误的:它打印 1,而它应该打印 0.30,请帮忙!
B.pdf 打印 0.369 :这是什么?
编辑 4 : 我已经用 python 数学库完成了,就像这样:
lambdaCalcul = - 0.0035 * 100
MyExponentialProbability = 1 - math.exp(lambdaCalcul)
print("My probability is",MyExponentialProbability * 100 , "%");
欢迎使用 numpy os scipy 的任何其他解决方案,谢谢
expon(..)
函数以loc
和scale
为参数(分别对应均值和标准差。由于标准差是方差的倒数,我们因此可以构造这样的分布:
B = stats.expon(<b>scale=1/0.0035</b>)
然后累积分布函数表示 P(X < 100)
:
>>> print(B.cdf(100))
0.2953119102812866
我在 Internet 上找不到任何示例。
我想学习使用指数定律来计算概率。
这是我的指数 lambda:0.0035
- What is the probability that my object becomes defectuous before 100 hours of work ? P(X < 100)
我怎么能用 numpy 或 sci kit 写这个?谢谢!
编辑:这是数学:
P(X < 100) = 1 - e ** -0.0035 * 100 = 0.3 = 30%
编辑 2 :
嘿伙计们,我可能在那里找到了一些东西,嗨嗨: http://web.stanford.edu/class/archive/cs/cs109/cs109.1192/handouts/pythonForProbability.html
编辑 3 :
这是我对 scipy 的尝试:
from scipy import stats
B = stats.expon(0.0035) # Declare B to be a normal random variable
print(B.pdf(1)) # f(1), the probability density at 1
print(B.cdf(100)) # F(2) which is also P(B < 100)
print(B.rvs()) # Get a random sample from B
但是 B.cdf 是错误的:它打印 1,而它应该打印 0.30,请帮忙! B.pdf 打印 0.369 :这是什么?
编辑 4 : 我已经用 python 数学库完成了,就像这样:
lambdaCalcul = - 0.0035 * 100
MyExponentialProbability = 1 - math.exp(lambdaCalcul)
print("My probability is",MyExponentialProbability * 100 , "%");
欢迎使用 numpy os scipy 的任何其他解决方案,谢谢
expon(..)
函数以loc
和scale
为参数(分别对应均值和标准差。由于标准差是方差的倒数,我们因此可以构造这样的分布:
B = stats.expon(<b>scale=1/0.0035</b>)
然后累积分布函数表示 P(X < 100)
:
>>> print(B.cdf(100))
0.2953119102812866