Curtosis escolar
Procedimiento:
El artículo sigue el método Scipy Kurtosis () para averiguar cómo se distribuye la información en las colas o cómo pesada es la cola de la distribución de la distribución normal. El fenómeno y el método para llamar a la curtosis del Scipy con sus parámetros de entrada dados se explica en este artículo. El programa Python que utilizaremos para ejecutar y ejecutar los códigos de Python es la "colaboración de Google". Es una plataforma de código abierto en línea que permite la ejecución rápida del programa al proporcionar los paquetes ya instalados a todas las bibliotecas en Python.
Sintaxis:
Para llamar a la función Kurtosis () en nuestro programa, debemos conocer la sintaxis para la función y también debemos ser conscientes del argumento de entrada que la función toma para que la función funcione correctamente y devolver la salida requerida. La función Kurtosis () en el script de Python se puede escribir como:
$ Scipy.estadísticas.curtosis (A, eje = 0, Fisher = True, Bias = True)La "A" en la lista de parámetros define los datos o la matriz cuya curtosis queremos calcular. El eje es el eje a lo largo del cual queremos encontrar la curtosis. El parámetro final en la lista de parámetros es el pescador. Si este parámetro se establece en Boolean True, esto calcula la Kurtosis de Fisher. De lo contrario, en el caso de False, encuentra la curtosis de Pearson.
Valor de retorno:
El valor de retorno de la función de curtosis es el valor de la curtosis misma. Si es positivo, esto significa que existe suficiente número de valores atípicos en la distribución. Y en el caso del valor negativo para la curtosis, dice que la distribución es más uniforme en comparación con la distribución normal.
Ejemplo 1:
Resuelvamos un ejemplo para la curtosis con los parámetros que discutimos en la sintaxis. Para usar la función de curtosis, necesitamos definir las variables aleatorias como datos para la función de curtosis para que la curtosis pueda verificar la distribución de sus observaciones en las colas y los valores máximos. Para definir las variables aleatorias, existe otro método, "Norma. RVS ", que es un atributo del módulo de" estadísticas de scipy ". Entonces, importamos la norma de las estadísticas como "de Scipy. Norma de importación de estadísticas ”. Ahora, para generar las variables aleatorias con el tamaño "4000" con la ayuda de la función norma, escriba "Estadísticas. norma. RVS (tamaño = 4000, Random_State = 5) ".
Cada vez que accedemos al atributo desde el módulo de la biblioteca específica ya que utilizamos el atributo "norma" del módulo "estadísticas" de la biblioteca "scipy", siempre llamamos al atributo con el prefijo de ese módulo desde donde lo importamos la función de funcionar correctamente. Almacenamos estos datos generados aleatoriamente en una variable llamada "data_". Ahora es el momento de calcular la curtosis para estos datos generados al azar. Podemos hacerlo simplemente pasando este parámetro al parámetro de entrada de la función Kurtosis () con otro parámetro especificado.
Importamos la función de curtosis del "Scipy. estadísticas ". Luego, usamos este módulo de curtosis importado en el programa. Llamamos a la curtosis con las estadísticas del prefijo como "estadísticas. Kurtosis (data_, Fisher = true) ". Tenga en cuenta que damos el "data_" como una matriz de entrada y especificamos al pescador a boolean "verdadero" para calcular la kurtosis de Fisher. Ejecute y ejecute el siguiente código definido para verificar el valor de Kurtosis en la salida del programa:
La salida de la función es un valor negativo que es igual al "- 0.0322 16 ". Esto significa que la función de densidad de probabilidad es más uniforme en la distribución en comparación con la distribución normal.
Ejemplo 2:
Ahora realizamos la curtosis de Pearson para verificar la colería de la distribución de los datos. Comenzamos este ejemplo creando un nuevo proyecto en la "colaboración de Google". Luego, comenzamos a escribir el programa importando algunas bibliotecas importantes y sus módulos dependientes al proyecto. Importamos la "curtosis" y la "norma .RVS "del módulo de estadísticas Scipy. La norma.RVS nos permite generar las variables aleatorias. Luego, pasamos estos datos al método de curtosis.
Ahora, llamamos a las "estadísticas. norma. Método RVS (size = 5000, Random_State = 5) ”. Esto genera la distribución de las 5000 variables aleatorias. Pasamos estos datos a la función de curtosis como su matriz de entrada. Luego, esta vez, establecemos el valor del parámetro Fisher que es igual al "falso" booleano. Luego, mostramos los resultados del programa. El programa para este ejemplo se muestra en la siguiente figura:
Después de ejecutar el programa mencionado anteriormente, obtuvimos el valor de salida para que la curtosis sea el valor positivo que es opuesto al valor de la curtosis cuando establecemos el Fisher en el verdadero booleano. Este valor positivo para la curtosis establece que existe más valores atípicos en la distribución de estos datos. Por lo tanto, no es más uniforme en comparación con su distribución normal.
Conclusión
El método para implementar la función de curtosis Scipy se explica y prácticamente se demuestra en este artículo. Utilizamos la curtosis para encontrar la medida de cómo se distribuyen los datos en el pico y los valores de cola de la distribución. Calculamos tanto la curtosis de Pearson como Fisher para saber la diferencia que ambos métodos contienen en sus salidas.