python控制各情况出现概率_python怎样实现离散概率分布和连续概率分布

此文介绍如何用python简单的实现离散概率分布和连续概率分布，加强对分布的理解

离散型概率分布：包括伯努利分布、二项分布、几何分布、泊松分布伯努利分布：伯努利分布就是我们常见的0-1分布，即它的随机变量只取0或者1，各自的频率分别取1−p和p，当x=0或者x=1时，我们数学定义为：

import scipy.stats as stats #导入科学计算包

import numpy as np

import matplotlib.pyplot as plt

#设置默认字体

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False #axes.unicode_minus控制默认行为

#定义一个随机变量，1次抛硬币成功即正面朝上记录为1，反之记录为0

X = np.arange(0,2,1)

X

#求对应分布的概率：概率质量函数(pmf)，他返回的是一个列表，列表中每个元素表示随机变量中对应值的概率

p = 0.5 #硬币朝上概率

pList = stats.bernoulli.pmf(X,p)

pList

#绘制图像

'''

plot默认绘制折线，这里我们只绘制点，所以传入下面的参数：

marker：点的形状，值o表示点为圆圈标记(circle marker)

linestyle：线条的形状，值None表示不显示连接各个点的折线

'''

plt.plot(X,pList,marker='o',linestyle='None')

'''

vlines用于绘制竖直线(vertical lines)，

参数说明：vline(x坐标值，y坐标最小值，y坐标最大值)

我们传入的X是一个数组，给数组中每个X坐标值绘制竖直线

竖直线y坐标最小值是0，y坐标最大值对应pList中的值

官网文档：https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.vlines

'''

plt.vlines(X, 0, pList)

#x轴文本

plt.xlabel('随机变量：抛硬币1次')

#y轴文本

plt.ylabel('概率')

#标题

plt.title('伯努利分布： p=%.2f' % p)

#显示图形

plt.show()

2.二项分布： 是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n = 1时，二项分布就是伯努利分布。n次试验中正好得到k次成功的概率由概率质量函数给出：

'''

arange 用于生成一个等差数组，arange(start, stop, step)

使用见文档：https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html

'''

#第1步，定义随机变量：抛10次硬币， 正面朝上的次数

n = 10 #做某件事情的次数

p = 0.5 #做某件独立事件成功的概率

X = np.arange(0, n+1, 1)

X

'''

二项分布官方使用文档：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.binom.html#scipy.stats.binom

'''

#第2步，求对应分布的概率：概率质量函数(pmf)，它返回一个列表，列表中每个元素表示随机变量中对应值的概率

pList = stats.binom.pmf(X, n, p)

pList

#第3步图形可视化

plt.plot(X, pList, marker='o', linestyle='None')

plt.vlines(X, 0, pList)

#x轴

plt.xlabel('随机变量：抛硬币正面朝上次数')

#y轴

plt.ylabel('概率')

#标题

plt.title('二项分布：n=%i,p=%.2f' % (n, p))

#显示图形

plt.show()

伯努利分布是二项分布在n ;= ;1时的特殊情况。X ;~ ;B(1, ;p)与X ;~ ;Bern(p)的意思是相同的。相反，任何二项分布B(n, ;p)都是n次独立伯努利试验的和，每次试验成功的概率为p。

3.几何分布：在重复多次的伯努利试验中，试验进行到某种结果出现第一次为止，此时的试验总次数服从几何分布，如：射击，首次击中目标时的次数。

#第k次做某件事情，才取到第1次成功

#这里我们想知道10次成功的概率

k = 10

# 做某件事情成功的概率，这里假设每次表白成功概率都是60%

p = 0.6

X = np.arange(1, k+1,1)

X

'''

几何分布官方使用文档：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.geom.html#scipy.stats.geom

'''

#第2步，#求对应分布的概率:概率质量函数 (PMF)

#它返回一个列表，列表中每个元素表示随机变量中对应值的概率

#分别表示第1次才成功的概率，第2次才成功的概率，第3次才成功的概率，一直到第10次才成功的概率，率

pList = stats.geom.pmf(X,p)

pList

#第3步图形可视化

plt.plot(X, pList, marker='o',linestyle='None')

plt.vlines(X, 0, pList)

#x轴文本

plt.xlabel('随机变量：第k次才首次成功')

#y轴文本

plt.ylabel('概率')

#标题

plt.title('几何分布：p=%.2f' % p)

#显示图形

plt.show()

负二项分布是几何分布的一般形式，表示直到成功r次停止，显而易见，当r=1时，它就是几何分布，则

4.泊松分布： 泊松分布主要用来研究单位时间或单位空间内某时间的发生次数，同时事件的发生必须是相互独立的，比如单位时间内通过某一交通灯的车辆数等。λλ大概等于20时，泊松分布基本可以近似为正态分布进行处理。泊松分布用来衡量事件的稳定性是一个不错的方法，再配合一些统计学上的检验方法，能够做很多东西，在之后的连续型随机变量中，有一种分布叫指数分布，它与泊松分布密不可分，可由泊松分布推导出。

'''

第1步，定义随机变量：

已知某路口发生事故的比率是每天2次，

那么在此处一天内发生k次事故的概率是多少？

'''

mu = 2 # 平均值：每天发生2次事故

k=4 #次数，现在想知道每天发生4次事故的概率

#包含了发生0次、1次、2次，3次，4次事故

X = np.arange(0, k+1,1)

X

'''

泊松分布官方使用文档：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.poisson.html#scipy.stats.poisson

'''

#第2步，#求对应分布的概率:概率质量函数 (PMF)

#它返回一个列表，列表中每个元素表示随机变量中对应值的概率

#分别表示发生1次，2次，3次，4次事故的概率

pList = stats.poisson.pmf(X,mu)

pList

#第3步数据可视化

plt.plot(X, pList, marker='o', linestyle='None')

plt.vlines(X, 0, pList)

#x轴文本

plt.xlabel('随机变量：某路口发生k次事故')

#y轴文本

plt.ylabel('概率')

#标题

plt.title('泊松分布：平均值mu=%i' % mu)

#显示图形

plt.show()

连续概率分布:正态分布和幂律分布正态分布：正态曲线呈钟型，两头低，中间高，左右对称。若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

#第1步，定义随机变量：一个(-5,5)等差为0.1数列

mu = 0 #平均值

sigma = 1 #标准差

X = np.arange(-5, 5, 0.1)

X

#第2步求概率密度函数pdf

y = stats.norm.pdf(X, mu, sigma)

y

#第3步，绘图

'''

plot默认绘制折线

'''

plt.plot(X, y)

#x轴文本

plt.xlabel('随机变量：x')

#y轴文本

plt.ylabel('概率：y')

#标题

plt.title('正态分布：$\mu$=%.1f,$\sigma^2$=%.1f' % (mu,sigma))

#网格

plt.grid()

#显示图形

plt.show()标准正态分布表(Z表格)​pan.baidu.com

2. 幂律分布：在日常生活中很常见，像大家所熟知的马太效应和长尾分布，都是幂律分布的典型示范，说简单点，幂律分布就是直白的告诉你世界是不公平的，拥有更多的人会拥有更多，而这根本不像人们愿望中的均富贵，有资源的人占有更多的资源，于是，在他的身上就体现了财富的加速积累的情况，而这样的人，在当今的社会出现的概率并不低。像熊老师所说的在食物链前面的人都是这种情况，所以，你妄图想如万维刚老师说的那样做个认知的精英，实际上无非是自欺欺人的另外一种表述而已，也是常见的商业模式分布。