Was bedeutet "Formparameter"?
Wie der Name schon sagt, bestimmt ein Formparameter die Form einer Verteilung. Dies ist wahrscheinlich am einfachsten zu erklären, wenn sie mit Start, was ein Formparameter ist nicht:
A Standort Parameter verschieben die Verteilung überlässt es aber ansonsten unverändert. Zum Beispiel ist der Mittelwert einer Normalverteilung ein Standortparameter. Wenn X
normalerweise mit Mittelwert mu
verteilt wird, wird X + a
normalerweise mit Mittelwert mu + a
verteilt.
Ein Maßstab Parameter macht die Verteilung breiter oder schmaler. Zum Beispiel ist die Standardabweichung einer Normalverteilung ein Skalierungsparameter. Wenn X
normalerweise mit der Standardabweichung sigma
verteilt ist, wird X * a
normalerweise mit der Standardabweichung sigma * a
verteilt.
Schließlich ändert ein Shape Parameter die Form der Verteilung. Zum Beispiel hat die Gamma distribution einen Formparameter k
, der bestimmt, wie verzerrt die Verteilung ist (= wie stark sie sich zu einer Seite "neigt").
Aber was bedeutet das a
und k
beziehen sich auf?
k
ist die Variable, die durch die Verteilung parametrisiert wird. Mit zipf.pmf
können Sie die Wahrscheinlichkeit von k
berechnen, gegebenen Formparameter a
. Unten ist ein Diagramm, das zeigt, wie a
die Form der Verteilung (die einzelnen Wahrscheinlichkeiten von verschiedenen k) ändert.
Eine hohe a
macht große Werte von k
sehr unwahrscheinlich, während eine niedrige a
klein macht k
weniger wahrscheinlich und größere k
möglich sind.
Was bedeutet der Parameter alpha
? Ist das das "Konfidenzintervall"?
Es ist falsch zu sagen, dass alpha
ist das Konfidenzintervall. Es ist das Konfidenzniveau. Ich nehme an, das hast du gemeint. Zum Beispiel: alpha=0.95
Bedeutet, dass Sie ein 95% -Konfidenzintervall haben. Wenn Sie zufällig k
s aus der bestimmten Verteilung generieren, werden 95% von ihnen in dem Bereich sein, der von zipf.interval
zurückgegeben wird.
-Code für die Handlung:
from scipy.stats import zipf
import matplotlib.pyplot as plt
import numpy as np
k = np.linspace(0, 10, 101)
for a in [1.3, 2.6]:
p = zipf.pmf(k, a=a)
plt.plot(k, p, label='a={}'.format(a), linewidth=2)
plt.xlabel('k')
plt.ylabel('probability')
plt.legend()
plt.show()
Verwandte: http://stats.stackexchange.com/questions/269255/is-it-right-to-use-normal-distribution-to-compute -Konfidenzintervalle eines poin – alvas