python概率计算事件下一次发生概率_统计概率思维—常见概率分布

概率统计无处不在，它被广泛地应用于各行各业，金融、保险、天气预测等都离不开统计概率，本次分享是对统计概率基础知识的梳理和总结。

统计概率的几个基础定义

概率

概率是对事件发生可能性的数值度量，介于0~1之间，数值越大发生的可能性越高。比如说，对于“明天下雨”这一事件，如果天气预报称：“降水的概率几乎为零”，则我们能理解为明天几乎不可能下雨；如果天气预报称“降水的概率为90%”，则意味着明天极有可能要下雨。

事件

在统计概率中，用事件表示某件事情，在一定条件下可能发生可能不发生的事件成为随机事件，例如抛一次硬币，可能正面朝上，也可能反面朝上。

随机变量

随机变量是对事件结果的数值描述。例如抛一次硬币会有两个结果：正面朝上或者反面朝上，我们将正面朝上用1表示，反面朝上用0表示。则0和1即是随机变量。

根据不同事件的属性我们可将随机变量分为：离散随机变量与连续随机变量。例如事件A：明天是否下雨？有下雨和不下雨两个结果，那么事件A属于离散型。事件B：明天日间雨量如何？日间不同时间段每时每分每秒甚至都各不相同，那么事件B属于连续型。

两者的差异体现在数值取值上：离散随机变量可取有限多个或者无限可数个，而连续随机变量可取某一区间或多个区间的任意值。

概率分布

随机变量的概率分布：用统计分布图描述随机变量取不同值时的概率，横坐标为随机变量的取值，纵坐标为对应取值的概率。

概率分布可分为：离散概率分布和连续概率分布。

两者的差异体现在概率计算上：离散概率分布通过概率质量函数(PMF)计算出某特定取值的概率，而连续概率分布则通过概率密度函数(PDF)计算出某区间取值的概率(即通过曲下面积计算概率，连续概率分布的某一特定取值概率为零)。

离散概率分布

1 伯努利分布(Bernoulli Distribution)

伯努利试验(Bernoulli Experiment)是在同样的条件下，重复的、相互独立地进行的一种随机试验。其特点是该随机试验只有两种可能结果：发生1或者不发生0，发生的概率为p，则不发生的概率为1-p。

例如：进行一次抛硬币试验就符合伯努利试验的条件，假设成功的概率为0.5，失败的概率为1-0.5。

伯努利分布的Python实现：

# 导入包

from scipy.stats import bernoulli

import matplotlib.pyplot as plt

% matplotlib inline

from scipy.stats import bernoulli

r=[0,1] # 事件的随机变量 成功为1 失败为0

p=0.5 # 成功的概率为0.5 失败的概率为1-p

result=bernoulli.pmf(r,p) # 调用概率质量函数pmf 返回随机变量对应发生概率