Python实现的概率分布运算操作示例_Python

Python实现的概率分布运算操作示例

2020-12-02 00:19罗兵 Python

这篇文章主要介绍了Python实现的概率分布运算操作,涉及Python概率运算与图形绘制相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python实现的概率分布运算操作。分享给大家供大家参考，具体如下：

1. 二项分布（离散）

									import numpy as np

									from scipy import stats

									import matplotlib.pyplot as plt

									'''

									# 二项分布 (binomial distribution)

									# 前提：独立重复试验、有放回、只有两个结果

									# 二项分布指出，随机一次试验出现事件A的概率如果为p，那么在重复n次试验中出现k次事件A的概率为：

									# f(n,k,p) = choose(n, k) * p**k * (1-p)**(n-k)

									'''

									# ①定义二项分布的基本信息

									p = 0.4 # 事件A概率0.4

									n = 5  # 重复实验5次

									k = np.arange(n+1) # 6种可能出现的结果

									#k = np.linspace(stats.binom.ppf(0.01,n,p), stats.binom.ppf(0.99,n,p), n+1) #另一种方式

									# ②计算二项分布的概率质量分布 (probability mass function)

									# 之所以称为质量，是因为离散的点，默认体积（即宽度）为1

									# P(X=x) --> 是概率

									probs = stats.binom.pmf(k, n, p)

									#array([ 0.07776, 0.2592 , 0.3456 , 0.2304 , 0.0768 , 0.01024])

									#plt.plot(k, probs)

									# ③计算二项分布的累积概率 (cumulative density function)

									# P(X<=x) --> 也是概率

									cumsum_probs = stats.binom.cdf(k, n, p)

									#array([ 0.07776, 0.33696, 0.68256, 0.91296, 0.98976, 1.   ])

									# ④根据累积概率得到对应的k，这里偷懒，直接用了上面的cumsum_probs

									k2 = stats.binom.ppf(cumsum_probs, n, p)

									#array([0, 1, 2, 3, 4, 5])

									# ⑤伪造符合二项分布的随机变量 (random variates)

									X = stats.binom.rvs(n,p,size=20)

									#array([2, 3, 1, 2, 2, 2, 1, 2, 2, 3, 3, 0, 1, 1, 1, 2, 3, 4, 0, 3])

									#⑧作出上面满足二项分布随机变量的频数直方图（类似group by）

									plt.hist(X)

									#⑨作出上面满足二项分布随机变量的频率分布直方图

									plt.hist(X, normed=True)

									plt.show()

2. 正态分布（连续）

									'''

									标准正态分布

									密度函数：f(x) = exp(-x**2/2)/sqrt(2*pi)

									'''

									x = np.linspace(stats.norm.ppf(0.01), stats.norm.ppf(0.99), 100)

									# 概率密度分布函数(Probability density function)

									# 之所以称为密度，是因为连续的点，默认体积为0

									# f(x) --> 不是概率

									probs = norm.pdf(x)

									# plt.plot(x, probs, 'r-', lw=5, alpha=0.6, label='norm pdf')

									# 累积概率密度函数 Cumulative density function

									# 定积分 ∫_-oo^a f(x)dx --> 是概率

									cumsum_probs = stats.norm.cdf(x)

									# 伪造符合正态分布的随机变量X

									# 通过loc和scale参数可以指定随机变量的偏移和缩放参数。对于正态分布的随机变量来说，这两个参数相当于指定其期望值和标准差：

									X = stats.norm.rvs(loc=1.0, scale=2.0, size=1000)

									#⑨作出上面正态分布随机变量的频率分布直方图

									plt.hist(X, normed=True, histtype='stepfilled', alpha=0.2)

									plt.legend(loc='best', frameon=False)

									plt.show()

									# 对给定的数据进行参数估计。这里偷懒了，就用上面的X

									mean, std = stats.norm.fit(X)

									#array(1.01810091), array(2.00046946)