기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

통계 검정에 관련된 그래프

다음 그래프들은 전자책 파이썬과 함께하는 통계이야기 5 장에 수록된 그림들의 코드들입니다.

import numpy as np 
import pandas as pd
from scipy import stats
from sklearn.preprocessing import StandardScaler
import FinanceDataReader as fdr
import yfinance as yf
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("darkgrid")
#fig 511
st=pd.Timestamp(2024, 4,20)
et=pd.Timestamp(2024, 5, 30)
da1=fdr.DataReader('091160', st, et)["Close"]
da2=fdr.DataReader('005930', st, et)["Close"]
da1=da1.pct_change()[1:]*100
da2=da2.pct_change()[1:]*100
da=pd.DataFrame([da1, da2], index=['data1', 'data2']).T
da.index=range(len(da1))
mu1, sd1, n1=np.mean(da1), np.std(da1, ddof=1), len(da1)
mu2, sd2, n2=np.mean(da2), np.std(da2, ddof=1), len(da2)
s_p=np.sqrt(((n1-1)*sd1**2+(n2-1)*sd2**2)/(n1+n2-2))
se=s_p*np.sqrt((1/n1+1/n2))
se=s_p*np.sqrt((1/n1+1/n2))
df=n1+n2-2
mu=mu1-mu2
ci=stats.t.interval(0.95, df, mu, se)
testStatic=((mu1-mu2)-0)/se

x=np.linspace(-3, 3, 500)
p=stats.t.pdf(x, df)
l=stats.t.ppf(0.025, df)
u=stats.t.ppf(0.975, df)
idx=np.where((x>l)& (x<u))[0]
idx2=np.where(x>testStatic)[0]
f, ax=plt.subplots(1,2, figsize=(8, 3), sharey=True)
ax[0].plot(x, p, color="g", label=f"t({df})")
ax[0].fill_between(x[idx], stats.t.pdf(x[idx], df), color="brown", alpha=0.3, label="Conf. Int.")
ax[0].vlines(testStatic, 0, stats.t.pdf(testStatic, df), ls="--", color="red", label="test Statistic")
ax[0].legend(loc='upper right', prop={'size':8})
ax[0].set_xlabel("x")
ax[0].set_ylabel("pdf")
ax[0].set_title("(a) Confidence Interval")
ax[1].plot(x, p, color="g", label=f"t({df})")
ax[1].vlines(testStatic, 0, stats.t.pdf(testStatic, df), ls="--", color="red", label="test Statistic")
ax[1].fill_between(x[idx2], stats.t.pdf(x[idx2], df), color="b", alpha=0.2, label=r"$\frac{p-value}{2}$")
ax[1].legend(loc='upper right', prop={'size':8})
ax[1].set_xlabel("x")
ax[1].set_title("(b) p_value")
plt.show()
#fig 521
np.random.seed(0)
x=np.linspace(0, 10, 100)
y1=x+np.random.rand(100)*5
y2=-x+np.random.rand(100)*5
y3=np.random.rand(100)*10
plt.figure(figsize=(9, 4))
col=["blue","red","green"]
lab=["a) direct","b) inverse", "c) no"]
yT=[y1, y2, y3]
for i in range(3):
    plt.subplot(1,3,i+1)
    plt.scatter(x, yT[i], s=15, color=col[i])
    plt.title(f"{lab[i]} proportion", fontsize=15)
    plt.xticks([])
    plt.yticks([])
    plt.xlabel("x")
    if i==0:
        plt.ylabel("y")
plt.show()
#fig 522
st=pd.Timestamp(2023,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=yf.download('^KS11', st, et)["Close"]
ex=yf.download('KRW=X',st, et)["Close"]
kos=kos.pct_change()[1:]*100
ex=ex.pct_change()[1:]*100
data=pd.concat([ex, kos.shift(periods=-1)], join="inner", axis=1)
data.index=range(len(data))
data.columns=['ex', 'kos']
data=data.dropna()
plt.figure(figsize=(4,3))
sns.scatterplot(data=data, x="ex", y="kos", s=30)
plt.xlabel("ex(%)")
plt.ylabel("kos(%)")
plt.show()
#fig 523
st=pd.Timestamp(2023,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=yf.download('^KS11', st, et)["Close"]
ex=yf.download('KRW=X',st, et)["Close"]
data=pd.concat([ex, kos.shift(periods=-1)], join="inner", axis=1)
data.index=range(len(data))
data.columns=['ex', 'kos']
data=data.dropna()
scaler=StandardScaler().fit(data)
da=scaler.transform(data)

plt.figure(figsize=(4,3))
sns.scatterplot(x=da[:,0], y=da[:,1], s=30)
plt.xlabel("ex")
plt.ylabel("kos")
plt.show()
#fig 531
x=np.linspace(-3, 3,1000)
pdf=stats.norm.pdf(x)
cdf=stats.norm.cdf(x)
q=np.linspace(0, 1, 1000)
ppf=stats.norm.ppf(q)
plt.figure(figsize=(7,3))
plt.subplots_adjust(wspace=0.3)
plt.subplot(1,2,1)
plt.plot(x, pdf, color="blue", label="PDF")
plt.plot(x, cdf, color="red", label="CDF")
plt.xlabel("x    (a)")
plt.ylabel("Prob.", rotation="horizontal", labelpad=10)
plt.legend(loc="best")
plt.title("(a)", loc="left")
plt.subplot(1,2,2)
plt.plot(q, ppf, color="green", label="Inverse CDF")
plt.xlabel("Prob.(q)")
plt.ylabel("I(q)", rotation="horizontal")
plt.legend(loc="best")
plt.title("(b)", loc="left")
plt.show()
#fig532
np.random.seed(1)
x=np.random.rand(1000)
x2=stats.norm.rvs(size=1000, random_state=3)
plt.figure(figsize=(6,3))
ax1=plt.subplot(1,2,1)
f1=stats.probplot(x, plot=plt, rvalue=True)
ax1.set_title("(a) Q-Q plot: random")
ax2=plt.subplot(1,2,2)
f2=stats.probplot(x2, plot=plt, rvalue=True)
ax2.set_ylabel("")
ax2.set_title("(b) Q-Q plot: normal random")
plt.show()
#fig 533, fig 532 데이터 적용
fig, (ax1, ax2)= plt.subplots(nrows=1, ncols=2, figsize=(8, 3))
ax1.hist(x, bins=30, rwidth=0.8, color="b")
ax1.set_xlabel("x (a) random", loc="right", size="12")
ax1.set_ylabel("Frequency", size="12")
ax2.hist(x2, bins=30, rwidth=0.8, color="g")
ax2.set_xlabel("x (b)normal random", loc="right", size="12")
plt.show()
#fig 534
st=pd.Timestamp(2024,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=yf.download("^KS11",st, et)["Close"]
ex=yf.download("KRW=X", st, et)["Close"]
kos1=(kos-kos.mean())/kos.std()
ex1=(ex-ex.mean())/ex.std()

plt.figure(figsize=(6, 3))
ax1 = plt.subplot(121)
res = stats.probplot(np.ravel(kos1.values), plot=plt)
ax1.set_title("Q-Q plot: KOSPI")
ax2 = plt.subplot(122)
res = stats.probplot(np.ravel(ex1.values), plot=plt)
ax2.set_title("Q-Q plot: USDKRW")
ax2.set_ylabel("")
plt.show()
#fig 535
age=np.array([65,61,63,86,70,55,74,35,72,68,45,58])
plt.figure(figsize=(3,2))
stats.probplot(age, plot=plt, rvalue=True)
plt.show()
#fig 536
st=pd.Timestamp(2024,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=fdr.DataReader("KS11",st, et)["Close"]
kq=fdr.DataReader("KQ11", st, et)["Close"]
kos1=(kos-kos.mean())/kos.std()
kq1=(kq-kq.mean())/kq.std()

plt.figure(figsize=(6, 3))
ax1 = plt.subplot(121)
res = stats.probplot(kos1, plot=plt, rvalue=True)
ax1.set_title("Q-Q plot: KOSPI")
ax2 = plt.subplot(122)
res = stats.probplot(kq1, plot=plt, rvalue=True)
ax2.set_title("Q-Q plot: kq")
ax2.set_ylabel("")
plt.show()
#fig 537
np.random.seed(3)
N=100
da=np.sort(np.random.randn(N))
ecdf=[i/N for i in range(1, N+1)]
nCdf=stats.norm.cdf(da)
plt.figure(figsize=(3,2))
plt.plot(da, ecdf, color="blue", label="ECDF")
plt.plot(da, nCdf, color="red", label="normCDF")
plt.legend(loc="best")
plt.xlabel("x", weight="bold")
plt.ylabel("Prob.", weight="bold")
plt.show()
#fig 538
st=pd.Timestamp(2024,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=fdr.DataReader("KS11",st, et)["Close"]
kq=fdr.DataReader("KQ11", st, et)["Close"]
kos1=(kos-kos.mean())/kos.std()
kq1=(kq-kq.mean())/kq.std()
kos2=np.sort(kos1)
kq2=np.sort(kq1.dropna())
n_kos=len(kos2)
n_kq=len(kq2)
ecdf_kos=[i/n_kos for i in range(1, n_kos+1)]
ncdf_kos=stats.norm.cdf(kos2)
ecdf_kq=[i/n_kq for i in range(1, n_kq+1)]
ncdf_kq=stats.norm.cdf(kq2)

plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plt.plot(kos2, ecdf_kos, color="blue", label="ECDF")
plt.plot(kos2, ncdf_kos, color="red", label="NCDF")
plt.legend(loc="best")
plt.title("Kospi", weight="bold")
plt.xlabel("x", weight="bold")
plt.ylabel("Prob.", weight="bold")
plt.subplot(1,2,2)
plt.plot(kq2, ecdf_kq, color="blue", label="ECDF")
plt.plot(kq2, ncdf_kq, color="red", label="NCDF")
plt.legend(loc="best")
plt.title("USD/KRW", weight="bold")
plt.xlabel("x", weight="bold")
plt.show()
Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...
댓글 쓰기
Read more »

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...
댓글 쓰기
Read more »

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...
댓글 쓰기
Read more »