python统计分析——伯努利分布、二项分布、泊松分布

python统计分析【托马斯】

1、伯努利分布 

      单变量分布中最简单的例子，也是二项分布的基础，就是伯努利分布，它只有两种状态，例如，简单的破硬币试验。如果我们抛硬币（并且硬币没有被操控），希望“正面”出现的概率是。因为它必须是正面或反面，所以我们有：

        所以，“反面”的概率是。

        我们可以看到一个参数就决定了所有的事情，我们可以用下面的命令来确定这个分布。

# 导入库
from scipy import stats
# 设置参数
p=0.5
# 创建伯努利分布
bernoulliDist=stats.bernoulli(p)
# 计算正面出现1次或0次的概率
p_tails=bernoulliDist.pmf(0)
p_heads=bernoulliDist.pmf(1)
print("p_tails: ",p_tails)
print("p_heads: ",p_heads)
# 模拟10次伯努利试验
trails=bernoulliDist.rvs(10)
print("trials: ",trails)

2、二项分布

        如果我们掷硬币多次，并询问“正面出现的频率如何？”，这就涉及到了二项分布。一般来说，二项分布与“在给定（固定的）试验此书中，有多少会成功”有关。用二项分布建模的一些示例问题如下：

        抛10次硬币，有多少次正面朝上？

        在特定医院的特定的一天中，出生的小孩有多少个是女孩？

        有多少蚊子在喷洒杀虫剂后会死掉？

        我们进行n次重复试验，其成功的概率有参数p给出，并将成功的次数加起来。成功的次数有随机变量X表示。X的取值范围在0到n之间。

        在python中，程序和上面的伯努利分布一样，带有一个额外的参数和抛硬币次数。

# 导入库
from scipy import stats
import numpy as np
# 设置参数
(p,num)=(0.5,4)
# 创建伯努利分布
# 相当于掷4次骰子，正面朝上的次数的分布
binomialDist=stats.binom(num,p)
# 计算正面朝上为0,1,2,3,4次的概率
binomialDist.pmf(np.arange(0,5))

         得到的结果，应该为没有一次正面朝上的概率为0.0625，只有一次正面朝上的概率为0.25，依次类推，所有概率值加起来等于1。大家自行运行结果进行验证。

3、泊松分布

        泊松分布与二项分布非常相似，研究的是一个事件发生的次数。它们的差别是微妙的。二项分布着眼于我们在一个固定的试验总数中成功的次数，而泊松分布则测量了再连续的空间或时间内离散事件发生的次数。没有“总”的n值，泊松分布是由一个参数定义的。

        下面的问题可以用泊松分布来回答：

        ①我走路回家会捡到多少硬币？

        ②今天有多少孩子将在医院出生？

        ③播出一个新的电视广告后，我会卖出多少产品？

        ④每售出100m的绳子有多少缺陷？

        这个分布的细小差别在于，计算事件数量的随机变量X可以区任意非负整数值。换句话说，我可以走路回家，在街上捡不到硬币，也可能找到一枚硬币，也可能会发现10枚或更多硬币。

        与二项分布中用参数p表示概率组分不同，这次我们用“lambda”或λ参数来表示我们试验中“平均或期望”的事件发生数。泊松分布的概率质量函数可以由下式计算：