Implémentation des Distributions de Probabilité en Python
Distribution binomiale
La distribution binomiale modélise la probabilité d'obtenir exactement k succès lors de n essais indépendants, chacun ayant une probabilité p de succès.
123456789101112131415161718from scipy.stats import binom import matplotlib.pyplot as plt # number of trials n = 100 # probability of success p = 0.02 # number of successes k = 3 binom_prob = binom.pmf(k, n, p) # Vizualization x_vals = range(0, 15) y_vals = binom.pmf(x_vals, n, p) plt.bar(x_vals, y_vals, color='skyblue') plt.title(f'Binomial probability: {binom_prob:.4f}') plt.show()
n = 100- test de 100 tiges ;p = 0.02- 2% de probabilité qu'une tige soit défectueuse ;k = 3- probabilité d'obtenir exactement 3 défectueuses ;binom.pmf()calcule la fonction de masse de probabilité.
Distribution uniforme
La distribution uniforme modélise une variable continue où toutes les valeurs entre $a$ et $b$ sont également probables.
1234567891011121314151617from scipy.stats import uniform import matplotlib.pyplot as plt import numpy as np a = 49.5 b = 50.5 low, high = 49.8, 50.2 uniform_prob = uniform.cdf(high, a, b - a) - uniform.cdf(low, a, b - a) # Vizualization x = np.linspace(a, b, 100) pdf = uniform.pdf(x, a, b - a) plt.plot(x, pdf, color='black') plt.fill_between(x, pdf, where=(x >= low) & (x <= high), color='lightgreen', alpha=0.5) plt.title(f'Uniform probability: {uniform_prob:.1f}') plt.show()
a, b- plage totale des longueurs de tige ;low, high- intervalle d'intérêt ;- La soustraction des valeurs de la CDF donne la probabilité à l'intérieur de l'intervalle.
Distribution normale
La distribution normale décrit des valeurs regroupées autour d'une moyenne $\mu$ avec une dispersion mesurée par l'écart type $\sigma$.
1234567891011121314151617181920import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm mu = 200 sigma = 5 lower, upper = 195, 205 norm_prob = norm.cdf(upper, mu, sigma) - norm.cdf(lower, mu, sigma) z1 = (lower - mu) / sigma z2 = (upper - mu) / sigma # Vizualization x = np.linspace(mu - 4*sigma, mu + 4*sigma, 200) pdf = norm.pdf(x, mu, sigma) plt.plot(x, pdf, color='black') plt.fill_between(x, pdf, where=(x >= lower) & (x <= upper), color='plum', alpha=0.5) plt.title(f'Normal probability: {norm_prob:.4f}\nZ-scores: {z1}, {z2}') plt.show()
mu- poids moyen de la tige ;sigma- écart type ;- Probabilité - différence des CDF ;
- Les scores Z indiquent la distance des bornes par rapport à la moyenne.
Application réelle
- Binomiale - quelle est la probabilité d'obtenir un certain nombre de tiges défectueuses ?
- Uniforme - les longueurs des tiges sont-elles dans la tolérance ?
- Normale - les poids des tiges sont-ils dans la variabilité attendue ?
En combinant ces distributions, le contrôle qualité cible les défauts, assure la précision et maintient la cohérence du produit.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Can you explain the main differences between the three distributions?
How do I choose which distribution to use for a specific problem?
Can you give more real-world examples for each distribution?
Awesome!
Completion rate improved to 1.96Implémentation des Distributions de Probabilité en Python
Glissez pour afficher le menu
Distribution binomiale
La distribution binomiale modélise la probabilité d'obtenir exactement k succès lors de n essais indépendants, chacun ayant une probabilité p de succès.
123456789101112131415161718from scipy.stats import binom import matplotlib.pyplot as plt # number of trials n = 100 # probability of success p = 0.02 # number of successes k = 3 binom_prob = binom.pmf(k, n, p) # Vizualization x_vals = range(0, 15) y_vals = binom.pmf(x_vals, n, p) plt.bar(x_vals, y_vals, color='skyblue') plt.title(f'Binomial probability: {binom_prob:.4f}') plt.show()
n = 100- test de 100 tiges ;p = 0.02- 2% de probabilité qu'une tige soit défectueuse ;k = 3- probabilité d'obtenir exactement 3 défectueuses ;binom.pmf()calcule la fonction de masse de probabilité.
Distribution uniforme
La distribution uniforme modélise une variable continue où toutes les valeurs entre $a$ et $b$ sont également probables.
1234567891011121314151617from scipy.stats import uniform import matplotlib.pyplot as plt import numpy as np a = 49.5 b = 50.5 low, high = 49.8, 50.2 uniform_prob = uniform.cdf(high, a, b - a) - uniform.cdf(low, a, b - a) # Vizualization x = np.linspace(a, b, 100) pdf = uniform.pdf(x, a, b - a) plt.plot(x, pdf, color='black') plt.fill_between(x, pdf, where=(x >= low) & (x <= high), color='lightgreen', alpha=0.5) plt.title(f'Uniform probability: {uniform_prob:.1f}') plt.show()
a, b- plage totale des longueurs de tige ;low, high- intervalle d'intérêt ;- La soustraction des valeurs de la CDF donne la probabilité à l'intérieur de l'intervalle.
Distribution normale
La distribution normale décrit des valeurs regroupées autour d'une moyenne $\mu$ avec une dispersion mesurée par l'écart type $\sigma$.
1234567891011121314151617181920import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm mu = 200 sigma = 5 lower, upper = 195, 205 norm_prob = norm.cdf(upper, mu, sigma) - norm.cdf(lower, mu, sigma) z1 = (lower - mu) / sigma z2 = (upper - mu) / sigma # Vizualization x = np.linspace(mu - 4*sigma, mu + 4*sigma, 200) pdf = norm.pdf(x, mu, sigma) plt.plot(x, pdf, color='black') plt.fill_between(x, pdf, where=(x >= lower) & (x <= upper), color='plum', alpha=0.5) plt.title(f'Normal probability: {norm_prob:.4f}\nZ-scores: {z1}, {z2}') plt.show()
mu- poids moyen de la tige ;sigma- écart type ;- Probabilité - différence des CDF ;
- Les scores Z indiquent la distance des bornes par rapport à la moyenne.
Application réelle
- Binomiale - quelle est la probabilité d'obtenir un certain nombre de tiges défectueuses ?
- Uniforme - les longueurs des tiges sont-elles dans la tolérance ?
- Normale - les poids des tiges sont-ils dans la variabilité attendue ?
En combinant ces distributions, le contrôle qualité cible les défauts, assure la précision et maintient la cohérence du produit.
Merci pour vos commentaires !
