常用概率分布——python实现

1.两点分布——离散型概率分布

2.二项分布——离散型概率分布

3.泊松分布——离散型概率分布

泊松分布的期望和方差都是参数λλ!

import numpy as np
a = np.random.poisson(55,size=(4,))
print(a)
print(type(a))
>>> [46 50 39 57]
<class 'numpy.ndarray'>

4.均匀分布——连续型概率分布

#np.random.uniform(low=0.0, high=1.0, size=None)

a = np.random.uniform(20,50,size=(2,6))
print(a)
print(type(a))
>>> [[ 45.20217569  43.75312926  26.52703807  41.91200572  42.85374841
   29.24479553]
 [ 45.12516381  30.12544796  35.53555014  32.28527649  21.76682194
   46.33104556]]
<class 'numpy.ndarray'>

http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html 推荐看看加深了解

5.指数分布——连续型概率分布

6.正态分布/高斯分布

a = np.random.normal(40,3,size=(5,2))
print(a)
print(type(a))
>>>[[ 42.75053239  36.92362467]
 [ 42.90588338  38.58249427]
 [ 42.91278062  39.05507689]
 [ 39.69794259  40.26237062]
 [ 38.90643225  42.94278753]]
<class 'numpy.ndarray'>

重点拎出来泊松分布和指数分布，这两个在现实中具有不小意义的还是。我举一个例子，什么是泊松分布和指数分布？恐怕大多数人都说不清楚。我们可以抽象的去分析这两个概念！

一、泊松分布

日常生活中，大量事件是有固定频率的。

• 某医院平均每小时出生3个婴儿
• 某公司平均每10分钟接到1个电话
• 某超市平均每天销售4包xx牌奶粉
• 某网站平均每分钟有2次访问

它们的特点就是，我们可以预估这些事件的总数，但是没法知道具体的发生时间。已知平均每小时出生3个婴儿，请问下一个小时，会出生几个？

有可能一下子出生6个，也有可能一个都不出生。这是我们没法知道的。

泊松分布就是描述某段时间内，事件具体的发生概率。

上面就是泊松分布的公式。等号的左边，P 表示概率，N表示某种函数关系，t 表示时间，n 表示数量，1小时内出生3个婴儿的概率，就表示为 P(N(1) = 3) 。等号的右边，λ 表示事件的频率。

接下来两个小时，一个婴儿都不出生的概率是0.25%，基本不可能发生。

接下来一个小时，至少出生两个婴儿的概率是80%。

泊松分布的图形大概是下面的样子。

可以看到，在频率附近，事件的发生概率最高，然后向两边对称下降，即变得越大和越小都不太可能。每小时出生3个婴儿，这是最可能的结果，出生得越多或越少，就越不可能。

二、指数分布

指数分布是事件的时间间隔的概率。下面这些都属于指数分布。

• 婴儿出生的时间间隔
• 来电的时间间隔
• 奶粉销售的时间间隔
• 网站访问的时间间隔

指数分布的公式可以从泊松分布推断出来。如果下一个婴儿要间隔时间 t ，就等同于 t 之内没有任何婴儿出生。

反过来，事件在时间 t 之内发生的概率，就是1减去上面的值。

接下来15分钟，会有婴儿出生的概率是52.76%。

接下来的15分钟到30分钟，会有婴儿出生的概率是24.92%。

指数分布的图形大概是下面的样子。

可以看到，随着间隔时间变长，事件的发生概率急剧下降，呈指数式衰减。想一想，如果每小时平均出生3个婴儿，上面已经算过了，下一个婴儿间隔2小时才出生的概率是0.25%，那么间隔3小时、间隔4小时的概率，是不是更接近于0？

三、总结

一句话总结：泊松分布是单位时间内独立事件发生次数的概率分布，指数分布是独立事件的时间间隔的概率分布。

请注意是"独立事件"，泊松分布和指数分布的前提是，事件之间不能有关联，否则就不能运用上面的公式。