Лучшие помощники
- Megamozg 2200 б
- Matalya1 1800 б
- DevAdmin 1700 б
- arkasha_bortnikov 890 б
- Dwayne_Johnson 860 б
15 января 2024 07:31
127
Количество звонков на телефонную станцию в течение 1 минуты соответственно равно следующему распределению
кол-во звонков | Вероятность
0 | 0.1
1 | 0.4
2 | 0.3
3 | 0.15
4 | 0.05
Смоделируйте значения показателя количество звонков так, чтобы распределение соответствовало совпадала с относительной частотой, заданной и таблице
Имитируйте количество звонков 200 раз.
Вычислите и сравните математическое ожидание и среднее число за
рассматриваемый период.
Проверьте, используя критерий Пирсона, гипотезу о виде распределения изучаемого показателя, имеет ли а) нормальное распределение; б) ранномерное рипределение
Уровень значимости а= 0,05,
1
ответ
Для моделирования значений показателя "количество звонков" согласно заданному распределению, мы можем использовать функцию `numpy.random.choice`. Сначала создадим массив с возможными значениями количества звонков, а затем сгенерируем 200 случайных значений с использованием заданных вероятностей:
```python
import numpy as np
values = [0, 1, 2, 3, 4]
probabilities = [0.11, 0.42, 0.33, 0.154, 0.05]
generated_values = np.random.choice(values, size=200, p=probabilities)
```
Теперь у нас есть массив `generated_values`, содержащий 200 случайных значений показателя "количество звонков", смоделированных с использованием заданного распределения.
Для вычисления математического ожидания и среднего числа звонков за рассматриваемый период, мы можем использовать функции `numpy.mean` и `numpy.sum`:
```python
mean_value = np.mean(generated_values)
sum_value = np.sum(generated_values)
```
Теперь у нас есть значения `mean_value` и `sum_value`, представляющие среднее число звонков за рассматриваемый период и суммарное количество звонков за рассматриваемый период соответственно.
Для проверки гипотезы о виде распределения изучаемого показателя, мы можем использовать критерий Пирсона. Для этого сначала нужно вычислить наблюдаемые частоты для каждого значения показателя, а затем сравнить их с ожидаемыми частотами, рассчитанными на основе заданного распределения.
Для проверки гипотезы о нормальном распределении мы можем использовать функцию `scipy.stats.normaltest`, а для проверки гипотезы о равномерном распределении - функцию `scipy.stats.chisquare`. Ниже приведен пример кода для проверки обеих гипотез:
```python
from scipy.stats import normaltest, chisquare
# Проверка гипотезы о нормальном распределении
normaltest_result = normaltest(generated_values)
is_normal = normaltest_result.pvalue > 0.05
# Проверка гипотезы о равномерном распределении
expected_frequencies = np.array(probabilities) * 200
chisquare_result = chisquare(generated_values, f_exp=expected_frequencies)
is_uniform = chisquare_result.pvalue > 0.05
```
Теперь у нас есть значения `is_normal` и `is_uniform`, которые указывают, соответственно, имеет ли показатель "количество звонков" нормальное или равномерное распределение, основываясь на результате критерия Пирсона с уровнем значимости 0.05.
```python
import numpy as np
values = [0, 1, 2, 3, 4]
probabilities = [0.11, 0.42, 0.33, 0.154, 0.05]
generated_values = np.random.choice(values, size=200, p=probabilities)
```
Теперь у нас есть массив `generated_values`, содержащий 200 случайных значений показателя "количество звонков", смоделированных с использованием заданного распределения.
Для вычисления математического ожидания и среднего числа звонков за рассматриваемый период, мы можем использовать функции `numpy.mean` и `numpy.sum`:
```python
mean_value = np.mean(generated_values)
sum_value = np.sum(generated_values)
```
Теперь у нас есть значения `mean_value` и `sum_value`, представляющие среднее число звонков за рассматриваемый период и суммарное количество звонков за рассматриваемый период соответственно.
Для проверки гипотезы о виде распределения изучаемого показателя, мы можем использовать критерий Пирсона. Для этого сначала нужно вычислить наблюдаемые частоты для каждого значения показателя, а затем сравнить их с ожидаемыми частотами, рассчитанными на основе заданного распределения.
Для проверки гипотезы о нормальном распределении мы можем использовать функцию `scipy.stats.normaltest`, а для проверки гипотезы о равномерном распределении - функцию `scipy.stats.chisquare`. Ниже приведен пример кода для проверки обеих гипотез:
```python
from scipy.stats import normaltest, chisquare
# Проверка гипотезы о нормальном распределении
normaltest_result = normaltest(generated_values)
is_normal = normaltest_result.pvalue > 0.05
# Проверка гипотезы о равномерном распределении
expected_frequencies = np.array(probabilities) * 200
chisquare_result = chisquare(generated_values, f_exp=expected_frequencies)
is_uniform = chisquare_result.pvalue > 0.05
```
Теперь у нас есть значения `is_normal` и `is_uniform`, которые указывают, соответственно, имеет ли показатель "количество звонков" нормальное или равномерное распределение, основываясь на результате критерия Пирсона с уровнем значимости 0.05.
0
·
Хороший ответ
15 января 2024 07:33
Остались вопросы?
Еще вопросы по категории Другое
Где проходили зимнии олимпийские игры 2006 году...
Как осуществляется регулирование и саморегулирование в области СМИ в ведущих европейских странах? И какие есть органы ?...
Экология 11 клас...
В Интернете найдите диаграмму Герцшпрунга – Рассела, построенную по данным измерений параметров 41704 ближайших звезд, проведенных с помощью аппаратур...
Эти упражнения для развития какой системы? 1. В движении шагом руки свободно опущены вниз, полный глубокий вдох на четыре шага, после полного выдо...
Все предметы