In [2]:
from IPython.core.display import HTML
import os
def css_styling():
"""Load default custom.css file from ipython profile"""
base = os.getcwd()
styles = "<style>\n%s\n</style>" % (open(os.path.join(base,'files/custom.css'),'r').read())
return HTML(styles)
css_styling()
Out[2]:
In [9]:
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
Hacemos dos listas, la primera contendrá las edades de los chavos de clubes de ciencia y la segusda el número de personas que tienen dicha edad
In [33]:
Edades = np.array([15, 16, 17, 18, 19, 20, 21, 22, 23, 24])
Frecuencia = np.array([10, 22, 39, 32, 26, 10, 7, 5, 8, 1])
print sum(Frecuencia)
plt.bar(Edades, Frecuencia)
plt.show()
In [35]:
x1=np.random.rand(50)
plt.hist(x1)
plt.show()
In [49]:
s = np.random.poisson(5,20)
plt.hist(s)
plt.show()
In [34]:
x=np.random.randn(50)
plt.hist(x)
plt.show()
In [36]:
x=np.random.randn(100)
plt.hist(x)
plt.show()
In [37]:
x=np.random.randn(200)
plt.hist(x)
plt.show()
Una forma de automatizar esto es:
In [38]:
tams = [1,2,3,4,5,6,7]
for tam in tams:
numeros = np.random.randn(10**tam)
plt.hist(numeros,bins=20 )
plt.title('%d' %tam)
plt.show()
In [ ]:
numeros = np.random.normal(loc=2.0,scale=2.0,size=1000)
plt.hist(numeros)
plt.show()
Probabilidad en una distribución normal
$1 \sigma$ = 68.26%
$2 \sigma$ = 95.44%
$3 \sigma$ = 99.74%
$4 \sigma$ = 99.995%
$5 \sigma$ = 99.99995%
In [43]:
x = np.random.normal(loc=2.0,scale=2.0,size=100)
y = np.random.normal(loc=2.0,scale=2.0,size=100)
plt.scatter(x,y)
plt.show()
In [ ]: