Chúng tôi cung cấp nhiều lựa chọn các khóa học từ các trường đại học và tổ chức văn hóa hàng đầu từ khắp nơi trên thế giới. Chúng được cung cấp từng bước một và có thể truy cập được trên thiết bị di động, máy tính bảng và máy tính để bàn, vì vậy bạn có thể phù hợp với việc học xung quanh cuộc sống của mình Show Chúng tôi tin rằng việc học phải là một trải nghiệm xã hội, thú vị, vì vậy các khóa học của chúng tôi mang đến cơ hội thảo luận những gì bạn đang học với những người khác trong quá trình học, giúp bạn có những khám phá mới mẻ và hình thành những ý tưởng mới Tìm hiểu thêm về cách FutureLearn đang thay đổi cách tiếp cận giáo dục nhập khẩu cốt truyện. graph_objs as go x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y = [1, 2, 7, 4, 5, 6, 7, 8, 9, 10] y_upper . Hình([ đi. Phân tán( x=x, y=y, line=dict(color='rgb(0,100,80)'), mode='lines' ), đi. Phân tán ( x=x+x[. -1], # x, sau đó x đảo ngược y=y_upper+y_lower[. -1], # phía trên, sau đó đảo ngược phía dưới fill='toself', fillcolor='rgba(0,100,80,0. 2)', line=dict(color='rgba(255,255,255,0)'), hoverinfo="skip", showlegend=False ) ]) hình. chỉ()Trong matplotlib, các thanh lỗi có thể có "giới hạn". Áp dụng các giới hạn cho các thanh lỗi về cơ bản làm cho lỗi trở nên đơn hướng. Do đó, các giới hạn trên và dưới có thể được áp dụng theo cả hướng y và x thông qua các tham số Ví dụ: nếu Khoảng tin cậy là một loại ước tính được tính toán từ số liệu thống kê của dữ liệu được quan sát, đưa ra một loạt các giá trị có khả năng chứa tham số tổng thể với mức độ tin cậy cụ thể Khoảng tin cậy cho giá trị trung bình là một phạm vi giá trị mà giá trị trung bình của tổng thể có thể nằm trong khoảng đó. Nếu tôi đưa ra dự đoán thời tiết cho ngày mai ở đâu đó trong khoảng từ -100 độ đến +100 độ, tôi có thể chắc chắn 100% rằng điều này sẽ đúng. Tuy nhiên, nếu tôi đưa ra dự đoán là từ 20. 4 và 20. 5 độ C, tôi kém tự tin. Lưu ý cách độ tin cậy giảm, khi khoảng thời gian giảm. Điều tương tự cũng áp dụng cho khoảng tin cậy thống kê, nhưng chúng cũng dựa vào các yếu tố khác Khoảng tin cậy 95%, sẽ cho tôi biết rằng nếu chúng ta lấy vô số mẫu từ dân số của tôi, tính khoảng thời gian mỗi lần, thì trong 95% các khoảng đó, khoảng đó sẽ chứa trung bình dân số thực. Vì vậy, với một mẫu, chúng ta có thể tính giá trị trung bình của mẫu và từ đó lấy một khoảng xung quanh nó, rất có thể sẽ chứa giá trị trung bình của tổng thể thực Khu vực dưới hai đường màu đen cho thấy khoảng tin cậy 95% Khoảng tin cậy là một khái niệm được đưa ra bởi Jerzy Neyman trong một bài báo xuất bản năm 1937. Có nhiều loại khoảng tin cậy, một số loại được sử dụng phổ biến nhất là. CI cho giá trị trung bình, CI cho số trung vị, CI cho sự khác biệt giữa các giá trị trung bình, CI cho tỷ lệ và CI cho sự khác biệt về tỷ lệ Hãy xem điều này diễn ra như thế nào với Python máy tính C. Tôi đã đưa ra bản phân phối cơ bản bằng cách sử dụng lineplot()Hàm lineplot() có sẵn trong Seaborn, một thư viện trực quan hóa dữ liệu cho Python là tốt nhất để hiển thị các xu hướng trong một khoảng thời gian, tuy nhiên, nó cũng giúp vẽ sơ đồ khoảng tin cậy cú pháp
Theo mặc định, biểu đồ tổng hợp trên nhiều giá trị y tại mỗi giá trị của x và hiển thị ước tính về xu hướng trung tâm và khoảng tin cậy cho ước tính đó Thí dụ Python3________số 8_______
Trong đoạn mã trên, biến x sẽ lưu trữ 100 số nguyên ngẫu nhiên từ 0 (bao gồm) đến 30 (loại trừ) và biến y sẽ lưu trữ 100 mẫu từ phân phối Gaussian (Bình thường) có tâm là 0 với độ lệch chuẩn/độ lệch chuẩn 1. Các thao tác NumPy thường được thực hiện trên các cặp mảng trên cơ sở từng phần tử. Trong trường hợp đơn giản nhất, hai mảng phải có hình dạng hoàn toàn giống nhau, như trong ví dụ trên. Cuối cùng, một biểu đồ đường được tạo với sự trợ giúp của thư viện seaborn với khoảng tin cậy 95% theo mặc định. Khoảng tin cậy có thể dễ dàng thay đổi bằng cách thay đổi giá trị của tham số ‘ci’ nằm trong khoảng [0, 100], ở đây mình chưa truyền tham số này nên nó coi giá trị mặc định là 95 Bóng màu xanh nhạt cho biết mức độ tin cậy xung quanh điểm đó nếu nó có độ tin cậy cao hơn, đường bóng mờ sẽ dày hơn máy tính C. I. đưa ra phân phối cơ bản bằng cách sử dụng regplot()sinh ra biển. regplot() giúp vẽ dữ liệu và phù hợp với mô hình hồi quy tuyến tính. Hàm này cũng cho phép vẽ khoảng tin cậy cú pháp
Về cơ bản, nó bao gồm một đường hồi quy trong biểu đồ phân tán và giúp nhìn thấy bất kỳ mối quan hệ tuyến tính nào giữa hai biến. Ví dụ dưới đây sẽ chỉ ra cách nó cũng có thể được sử dụng để vẽ khoảng tin cậy Thí dụ Python3________số 8_______
Hàm regplot() hoạt động giống như hàm lineplot() với khoảng tin cậy 95% theo mặc định. Có thể dễ dàng thay đổi khoảng tin cậy bằng cách thay đổi giá trị của tham số 'ci' nằm trong khoảng [0, 100]. Ở đây tôi đã chuyển ci=80 có nghĩa là thay vì khoảng tin cậy 95% mặc định, khoảng tin cậy 80% được vẽ Chiều rộng của bóng màu xanh lam nhạt cho biết mức độ tin cậy xung quanh đường hồi quy máy tính C. I. sử dụng BootstrappingBootstrapping là một bài kiểm tra/số liệu sử dụng lấy mẫu ngẫu nhiên có thay thế. Nó đưa ra thước đo độ chính xác (độ lệch, phương sai, khoảng tin cậy, lỗi dự đoán, v.v. ) để ước tính mẫu. Nó cho phép ước tính phân phối lấy mẫu cho hầu hết các số liệu thống kê bằng phương pháp lấy mẫu ngẫu nhiên. Nó cũng có thể được sử dụng để xây dựng các bài kiểm tra giả thuyết. Thí dụ Python3________số 8_______
Sau khi nhập tất cả các thư viện cần thiết, hãy tạo một mẫu S có kích thước n=10 và lưu trữ nó trong một biến x. Sử dụng một vòng lặp đơn giản tạo ra 1000 mẫu nhân tạo (=k) với kích thước mỗi mẫu m=10 (vì m |