十二种概率分布及python实现

1.常见离散分布有四种：二项分布、泊松分布、超几何分布和几何分布

2.常见连续分布有五种：正态分布、均匀分布、指数分布、伽玛分布和贝塔分布

3.三大抽样分布为：卡方分布、F分布和t分布

4.泊松分布的参数λ是单位时间或单位面积内随机事件的平均发生次数

5.指数分布的参数λ表示同一事件发生的平均时间间隔，它与泊松分布是相对的

6.当n<<N时，超几何分布可近似二项分布；二项分布的极限可近似泊松分布

7.几何分布与指数分布都具备无记忆性

8.泊松分布的应用场景有一天里内商场到店顾客数；单位面积上玻璃上的气泡数等

9.几何分布应用场景有首次抽查到不合格品；首次命中靶心等

10.指数分布被用作各种"寿命"分布，比如通话时长，服务时间，电灯寿命等

11.贝塔分布应用场景有不合格品率、机器的维修率、市场的占有率等

12.二项分布主要应用在一个事件是否为真上，比如风控上好人坏人的概率

概率论中，随机变量分为离散变量和连续变量，对应的分布称为离散分布和连续分布，本文我们介绍常用的两类分布以及用编程如何实现，常见的离散分布有：二项分布、泊松分布、超几何分布和几何分布四种；常见的连续分布有正态分布、均匀分布、指数分布、伽玛分布和贝塔分布五种。除此之外，我们也介绍三大抽样分布：卡方分布、F分布和t分布

1.二项分布

记X为n重伯努利试验中成功（记为事件A）的次数，则X的可能取值为0，1.…，n.记p为每次试验中A发生的概率，即P（A）=p，则这个分布称为二项分布，记为X~b(n,p)

特别地，如果n=1，则二项分布退化为0-1分布（伯努利分布），也称二点分布，记为X~b(1,p)

二项分布X~b(n,p)的期望是np,方差为np(1-p)

利用python的模块scipy可以实现二项分布:

from scipy.stats import binom

#第一个参数表示成功次数k，
#第二个参数是伯努利试验次数n，
#第三个参数是每次试验成功概率p

binom.pmf(5,10,0.5) #概率密度
binom.cdf(5,10,0.5) #累计概率

我们画出n=10，p依次取0.2，0.5，0.8的分布图：

n = 10 #试验次数
m = 0
fig = plt.figure(figsize=(20,6))
for p in [0.2,0.5,0.8]:
    m += 1
    X = np.arange(0, n+1, 1)
    p_list = binom.pmf(X,n,p)
    
    fig.add_subplot(1,3,m)
    plt.plot(X, p_list, linestyle='None', marker='o',color='#DAA520')
    plt.vlines(X, 0, p_list,color='#DAA520')
    plt.xlabel('随机变量X:成功次数k')
    plt.ylabel('Probability')
    plt.title('二项分布X~b({},{})'.format(n,p))

• 位于均值p附近概率较大. 

• 随着p的增加，分布的峰逐渐右移.

2.泊松分布

泊松分布的概率分布列是：

记X~P(λ)

其中，参数λ是单位时间或单位面积内随机事件的平均发生次数。一些常见的场景都服从泊松分布：

• 在一天内，来到某商场的顾客数

• 在单位时间内，一电路受到外界电磁波的冲击次数

• 1平方米内，玻璃上的气泡数

• 一铸件上的砂眼数

• 在一定时期内，某种放射性物质放射出来的α-粒子数

泊松分布具备三个性质：

平稳性: 在一段时间T内，事件发生的概率相同

独立性: 事件的发生彼此独立，没有关联或关联很弱

普通性: 将T划分为无限个小的ΔT, 在每个ΔT内，事件发生多次的概率几乎为0

泊松分布X~P(λ)的期望和方差均是λ

利用python的模块scipy可以实现泊松分布：

from scipy.stats import poisson
lam = 5   #泊松分布的参数λ
poisson.pmf(3,lam) #随机变量取值为k时的概率
poisson.cdf(7,lam) #累计概率

假设某路口一天发生的事故次数服从泊松分布，我们画出不用参数下的分布图：

m = 0     
fig = plt.figure(figsize=(20,6))
for lam in [0.8,2,4]:
    m += 1
    X = np.arange(0, 11, 1)
    p_list = poisson.pmf(X,lam)
    fig.add_s