numplot 0.0.6__tar.gz → 0.0.7__tar.gz

{numplot-0.0.6 → numplot-0.0.7}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: numplot
-Version: 0.0.6
+Version: 0.0.7
 Summary: Extension for math
 Home-page: https://github.com/EgorZhizhlo/TASK_CONTROL
 Author: amogusbazed

{numplot-0.0.6 → numplot-0.0.7}/numplot/__init__.py

@@ -10,7 +10,7 @@ __all__ = ['t_1', 't_2', 't_3', 't_4', 't_5_1', 't_5_2', 't_5_3']
 
 def h():
     text = """
-t_1 (1, 2)
+t_1 (1, 2, 3)
 t_2 (1, 2)
 t_3
 t_4

{numplot-0.0.6 → numplot-0.0.7}/numplot/task_1.py

@@ -61,7 +61,16 @@ def t_1(var=1, prompt=""):
         print("Стандартное отклонение σX", round(std_dev_X.evalf(), 3))
         print("Квантиль уровня 0.9", round(quantile_90, 3))")"""
     if var == 2:
-        text = """2. import sympy as sp
+        text = """2. 
+       Запишите условие нормировки: ∫∫_D f(x, y) dx dy = 1.
+       Подставьте выражение для плотности f(x, y) и определите пределы интегрирования.
+       Вычислите внутренний интеграл по одной из переменных (например, по y).
+       Затем вычислите внешний интеграл по оставшейся переменной (например, по x).
+       Установите равенство к 1 и решите уравнение для нахождения константы C.
+       Определите, какую вероятность необходимо найти (например, P(X > a) или P(Y < b)).
+       Запишите соответствующий интеграл: P(X > a) = ∫_a^∞ ∫_c^d f(x, y) dy dx, где [a, b] и [c, d] — это пределы интегрирования для переменных x и y.
+       Полученное значение будет искомой вероятностью.
+        import sympy as sp
         def compute_probability_and_constant(f, x_limits, y_limits, a):
                 Вычисляет нормирующую константу C и вероятность P(X > a) для заданной функции плотности.
                 
@@ -113,6 +122,39 @@ def t_1(var=1, prompt=""):
         print(f"Найдена константа C: {C_value}")
         print(f"P(X > {a}): {probability}")
         """
+    if var == 3:
+        text = """
+        Количество опоздавших на самолет пассажиров для каждого рейса описывается случайной величиной Х, распределенной по закону Пуассона с параметром А = 4.
+        При этом стоимость билета, который не подлежит возврату, описывается нормально
+        распределенной случайной величиной У с параметрами m=4300 и o=133.2.
+        Вычислите среднюю сумму стоимости пропавших билетов и её 
+        среднеквадратическое отклонение, приходящиеся на каждый рейс
+        Дано:
+        Количество опоздавших пассажиров X ~ Poisson(λ = 4)
+        Стоимость билета Y ~ N(4300, 133.2^2)
+        
+        Решение:
+        
+        1. Математическое ожидание суммы стоимости пропавших билетов:
+        E(S) = E(X) * E(Y)
+        E(X) = λ = 4
+        E(Y) = 4300
+        E(S) = 4 * 4300 = 17200
+        
+        2. Дисперсия суммы стоимости пропавших билетов:
+        Var(S) = E(X) * Var(Y) + (E(Y))^2 * Var(X)
+        Var(X) = λ = 4
+        Var(Y) = 133.2^2 = 17733.44
+        Var(S) = 4 * 17733.44 + 4300^2 * 4
+        Var(S) = 70933.76 + 73960000 = 74030933.76
+        
+        3. Среднеквадратическое отклонение суммы стоимости пропавших билетов:
+        σ(S) = sqrt(Var(S)) = sqrt(74030933.76) ≈ 8602.97
+        
+        Ответ:
+        Средняя сумма стоимости пропавших билетов: 17200
+        Среднеквадратическое отклонение: 8602.97
+"""
 #    if var == 30:
 #        API_KEY = "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"
 #        gpt_client = GPTClient(api_key=API_KEY)

{numplot-0.0.6 → numplot-0.0.7}/numplot.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: numplot
-Version: 0.0.6
+Version: 0.0.7
 Summary: Extension for math
 Home-page: https://github.com/EgorZhizhlo/TASK_CONTROL
 Author: amogusbazed

{numplot-0.0.6 → numplot-0.0.7}/setup.py

@@ -8,7 +8,7 @@ def readme():
 
 setup(
   name='numplot',
-  version='0.0.6',
+  version='0.0.7',
   author='amogusbazed',
   author_email='amogusbazed@gmail.com',
   description='Extension for math',