回答編集履歴
3
das
test
CHANGED
@@ -62,19 +62,13 @@
|
|
62
62
|
|
63
63
|
# 可視化
|
64
64
|
|
65
|
-
xs2 = np.linspace(-10, xs[idx], 1000)
|
66
|
-
|
67
|
-
ys2 = kernel(xs2)
|
68
|
-
|
69
|
-
|
70
|
-
|
71
65
|
fig, ax = plt.subplots()
|
72
66
|
|
73
67
|
ax.plot(xs, rv.pdf(xs), label="確率密度関数")
|
74
68
|
|
75
69
|
ax.plot(xs, kernel(xs), label="KDE で推論した確率密度関数")
|
76
70
|
|
77
|
-
ax.fill_between(xs
|
71
|
+
ax.fill_between(xs[:idx], 0, ys[:idx], facecolor="b", alpha=0.5)
|
78
72
|
|
79
73
|
ax.legend(loc="upper left")
|
80
74
|
|
2
d
test
CHANGED
@@ -6,7 +6,7 @@
|
|
6
6
|
|
7
7
|
2. [scipy.integrate.cumtrapz](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.cumtrapz.html#scipy.integrate.cumtrapz) で pdf を全区間で積分し、累積分布関数 (cdf) を求める。
|
8
8
|
|
9
|
-
3. [numpy.searchsorted()](https://docs.scipy.org/doc/numpy/reference/generated/numpy.searchsorted.html) で P(X <= x) = 0.05 ⇔ cdf(x) = 0.05 となる点を求める。
|
9
|
+
3. [numpy.searchsorted()](https://docs.scipy.org/doc/numpy/reference/generated/numpy.searchsorted.html) で P(X <= x) = 0.05 ⇔ cdf(x) = 0.05 となる点 x を求める。
|
10
10
|
|
11
11
|
|
12
12
|
|
1
f
test
CHANGED
@@ -2,9 +2,9 @@
|
|
2
2
|
|
3
3
|
|
4
4
|
|
5
|
-
1. [scipy.stats.gaussian_kde()](https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html) でカーネル密度推定を行
|
5
|
+
1. [scipy.stats.gaussian_kde()](https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html) でカーネル密度推定を行い、確率密度関数 (pdf) を得る。
|
6
6
|
|
7
|
-
2. [scipy.integrate.cumtrapz](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.cumtrapz.html#scipy.integrate.cumtrapz) で全区間で積分し、累積分布関数 (cdf) を求める。
|
7
|
+
2. [scipy.integrate.cumtrapz](https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.cumtrapz.html#scipy.integrate.cumtrapz) で pdf を全区間で積分し、累積分布関数 (cdf) を求める。
|
8
8
|
|
9
9
|
3. [numpy.searchsorted()](https://docs.scipy.org/doc/numpy/reference/generated/numpy.searchsorted.html) で P(X <= x) = 0.05 ⇔ cdf(x) = 0.05 となる点を求める。
|
10
10
|
|