در این مطلب، ویدئو Python Poisson Distribution – Numpy Random Poisson با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:02:30
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,000
توزیع پواسون در
2
00:00:03,000 –> 00:00:04,740
آمار توزیعی به نام پورتها
3
00:00:04,740 –> 00:00:06,839
وجود دارد که رویدادهای عددی را که در یک فاصله زمانی رخ میدهند مدل میکند،
4
00:00:06,839 –> 00:00:08,730
بنابراین بیایید این
5
00:00:08,730 –> 00:00:11,370
آموزش آمار پایتون را شروع کنیم تا بتوانید
6
00:00:11,370 –> 00:00:12,990
نحوه ترسیم از این توزیع گسسته را یاد بگیرید،
7
00:00:12,990 –> 00:00:19,590
بنابراین ابتدا باید
8
00:00:19,590 –> 00:00:22,320
numpy را به عنوان NP وارد کنم.
9
00:00:22,320 –> 00:00:24,390
آنجاست که توزیع تصادفی پواسون برگزار میشود
10
00:00:24,390 –> 00:00:27,390
و بنابراین میتوانید این را تجسم کنید، من میخواهم
11
00:00:27,390 –> 00:00:32,279
طرح پای را از نقشه نقشه وارد کنم، خوب،
12
00:00:32,279 –> 00:00:34,320
بیایید اولین قطرهمان را انجام دهیم،
13
00:00:34,320 –> 00:00:38,190
آهنگ پسر تصادفی NP نقطهای را با عدد 4 انجام میدهیم و
14
00:00:38,190 –> 00:00:40,829
اینطور شد. 4 رویداد رخ داده است
15
00:00:40,829 –> 00:00:42,329
اما اگر دوباره این را وصل کنیم ممکن است
16
00:00:42,329 –> 00:00:44,640
متفاوت باشد در واقع ما 6 می گیریم، همچنین می
17
00:00:44,640 –> 00:00:47,460
توانیم NPR و آنها را برای آهنگ poi انجام دهیم و
18
00:00:47,460 –> 00:00:49,800
یک عدد اضافی قرار دهیم، بنابراین 5 کاما 3 که
19
00:00:49,800 –> 00:00:53,010
به ما سه تساوی مختلف می دهد، خوب بیایید
20
00:00:53,010 –> 00:00:56,190
بگیریم. میانگین NP انتخاب تصادفی NP
21
00:00:56,190 –> 00:00:59,340
با میانگین به عنوان 1 و بسیاری از
22
00:00:59,340 –> 00:01:01,050
قرعه کشی های مختلف و البته که
23
00:01:01,050 –> 00:01:05,640
بسیار نزدیک به 1 خواهد بود و اجازه دهید من ادامه دهم
24
00:01:05,640 –> 00:01:07,290
و این را به نوار برای
25
00:01:07,290 –> 00:01:09,869
واریانس تغییر دهم و مطمئن خواهم شد که هست
26
00:01:09,869 –> 00:01:12,770
واریانس بی طرفانه ای که ما به آن وصل می کنیم و
27
00:01:12,770 –> 00:01:16,049
این نیز نزدیک به 1 می شود، بنابراین
28
00:01:16,0