f1 = plt.figure(figsize=(6,6), dpi=300) x = np.linspace(-2, 2, 100)

plt.title(u"Inverse transforming sampling for normal distribution") plt.plot(x, n.pdf(x), label=r'pdf $f(x)$') # proba density function plt.plot(x, n.cdf(x), label=r'cdf $F(x) = \int_{-\infty}^x f(t) \, dt$') # cumulative distributive function plt.plot(x, n.ppf(x), label='ppf $F^{-1}(x)$') # percent point function plt.plot(x,x,'--k') plt.plot([n.ppf(0.2),n.ppf(0.2),0,0.2,0.2],[0,0.2,0.2,0,n.ppf(0.2)],'o:k') plt.text(n.ppf(0.2)-0.2, -0.2, r"$y \sim \cal N$", size=14) plt.text(0.2, 0.05, r'$x \sim \calU(]0,1[][-2,2]) plt.axhline(color = 'gray') plt.axvline(color = 'gray') plt.rcParams['legend.loc'] = 'upper left' plt.legend()

 

این PNG تصویر برداری با Python ساخته شده است.

این math نگاره می‌بایست با استفاده از گرافیک برداری اس‌وی‌جی فایل بازسازی شوند. این چند مزیت دارد؛ Commons:Media for cleanup را برای اطلاعات بیشتر ببینید. اگر حالت برداری آن در حال حاضر موجود است، لطفاً آن را بار کنید. پس از بارکردن یک اس‌وی‌جی، این الگو را با {{vector version available|new image name.svg}} جایگزین کنید.

من، صاحب حقوق قانونی این اثر، به این وسیله این اثر را تحث اجازه‌نامهٔ ذیل منتشر می‌کنم:

این پرونده با اجازه‌نامهٔ کریتیو کامانز Attribution-Share Alike 3.0 سازگار نشده منتشر شده است.

شما اجازه دارید:

• برای به اشتراک گذاشتن – برای کپی، توزیع و انتقال اثر
• تلفیق کردن – برای انطباق اثر

تحت شرایط زیر:

• انتساب – شما باید اعتبار مربوطه را به دست آورید، پیوندی به مجوز ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده‌اند یا خیر. شما ممکن است این کار را به هر روش منطقی انجام دهید، اما نه به هر شیوه‌ای که پیشنهاد می‌کند که مجوزدهنده از شما یا استفاده‌تان حمایت کند.
• انتشار مشابه – اگر این اثر را تلفیق یا تبدیل می‌کنید، یا بر پایه‌ آن اثری دیگر خلق می‌کنید، می‌‌بایست مشارکت‌های خود را تحت مجوز یکسان یا مشابه با ا اصل آن توزیع کنید.

https://creativecommons.org/licenses/by-sa/3.0CC BY-SA 3.0 Creative Commons Attribution-Share Alike 3.0 truetrue