python 概率分布_python实现概率分布

伯努利分布

from scipy import stats

import numpy as np

import matplotlib.pyplot as plt

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

x

array([0, 1])

# 求对应分布的概率：概率质量函数 (PMF)

p=0.5# 硬币朝上的概率

df=stats.bernoulli.pmf(x,p)

df

array([0.5, 0.5])

#绘图

'''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坐标值最大值)我们传入的X是一个数组，是给数组中的每个x坐标值绘制竖直线，竖直线y坐标最小值是0，y坐标值最大值是对应pList中的值'''

plt.plot(x,df,marker='o',linestyle='None')

plt.vlines(x,0,df)

plt.xlabel('随机变量：抛硬币1次')

plt.ylabel('概率')

plt.title('伯努利分布：p=%.2f' % p)

plt.show()

二项分布

'''

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

'''

#第1步，定义随机变量：5次抛硬币，正面朝上的次数

n = 5 # 做某件事情的次数

p = 0.5 # 做某件事情成功的概率

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

X

array([0, 1, 2, 3, 4, 5])

#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

array([ 0.03125, 0.15625, 0.3125 , 0.3125 , 0.15625, 0.03125])

#第3步，绘图

'''

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坐标值最大值)

我们传入的X是一个数组，是给数组中的每个x坐标值绘制竖直线，

竖直线y坐标最小值是0，y坐标值最大值是对应pList中的值

'''

plt.vlines(X, 0, pList)

plt.xlabel('随机变量：抛硬币正面朝上次数')

plt.ylabel('概率')

plt.title('二项分布：n=%i,p=%.2f' % (n,p))

plt.show()

几何分布

'''

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

'''

'''

第1步，定义随机变量：

首次表白成功的次数，可能是1次，2次，3次等

'''

#第k次做某件事情，才取到第1次成功

#这里我们想知道5次表白成功的概率

k = 5

# 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

array([1, 2, 3, 4, 5])

'''

几何分布官方使用文档：

'''

#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

#分别表示表白第1次才成功的概率，表白第2次才成功的概率，表白第3次才成功的概率，表白第4次才成功的概率，表白第5次才成功的概率

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

pList

array([ 0.6 , 0.24 , 0.096 , 0.0384 , 0.01536])

#第3步，绘图

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坐标值最大值)

我们传入的X是一个数组，是给数组中的每个x坐标值绘制竖直线，

竖直线y坐标最小值是0，y坐标值最大值是对应pList中的值

'''

plt.vlines(X, 0, pList)

plt.xlabel('随机变量：表白第k次才首次成功')

plt.ylabel('概率')

plt.title('几何分布：p=%.2f' % p)

plt.show()

泊松分布

'''

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

array([0, 1, 2, 3, 4])

#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

array([ 0.13533528, 0.27067057, 0.27067057, 0.18044704, 0.09022352])

#第3步，绘图

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坐标值最大值)

我们传入的X是一个数组，是给数组中的每个x坐标值绘制竖直线，

竖直线y坐标最小值是0，y坐标值最大值是对应pList中的值

'''

plt.vlines(X, 0, pList)

plt.xlabel('随机变量：某路口发生k次事故')

plt.ylabel('概率')

plt.title('泊松分布：平均值mu=%i' % mu)

plt.show()

正态分布

'''

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

'''

'''

第1步，定义随机变量：

'''

mu=0 #平均值

sigma= 1 #标准差

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

X

array([ -5.00000000e+00, -4.90000000e+00, -4.80000000e+00,

-4.70000000e+00, -4.60000000e+00, -4.50000000e+00,

-4.40000000e+00, -4.30000000e+00, -4.20000000e+00,

-4.10000000e+00, -4.00000000e+00, -3.90000000e+00,

-3.80000000e+00, -3.70000000e+00, -3.60000000e+00,

-3.50000000e+00, -3.40000000e+00, -3.30000000e+00,

-3.20000000e+00, -3.10000000e+00, -3.00000000e+00,

-2.90000000e+00, -2.80000000e+00, -2.70000000e+00,

-2.60000000e+00, -2.50000000e+00, -2.40000000e+00,

-2.30000000e+00, -2.20000000e+00, -2.10000000e+00,

-2.00000000e+00, -1.90000000e+00, -1.80000000e+00,

-1.70000000e+00, -1.60000000e+00, -1.50000000e+00,

-1.40000000e+00, -1.30000000e+00, -1.20000000e+00,

-1.10000000e+00, -1.00000000e+00, -9.00000000e-01,

-8.00000000e-01, -7.00000000e-01, -6.00000000e-01,

-5.00000000e-01, -4.00000000e-01, -3.00000000e-01,

-2.00000000e-01, -1.00000000e-01, -1.77635684e-14,

1.00000000e-01, 2.00000000e-01, 3.00000000e-01,

4.00000000e-01, 5.00000000e-01, 6.00000000e-01,

7.00000000e-01, 8.00000000e-01, 9.00000000e-01,

1.00000000e+00, 1.10000000e+00, 1.20000000e+00,

1.30000000e+00, 1.40000000e+00, 1.50000000e+00,

1.60000000e+00, 1.70000000e+00, 1.80000000e+00,

1.90000000e+00, 2.00000000e+00, 2.10000000e+00,

2.20000000e+00, 2.30000000e+00, 2.40000000e+00,

2.50000000e+00, 2.60000000e+00, 2.70000000e+00,

2.80000000e+00, 2.90000000e+00, 3.00000000e+00,

3.10000000e+00, 3.20000000e+00, 3.30000000e+00,

3.40000000e+00, 3.50000000e+00, 3.60000000e+00,

3.70000000e+00, 3.80000000e+00, 3.90000000e+00,

4.00000000e+00, 4.10000000e+00, 4.20000000e+00,

4.30000000e+00, 4.40000000e+00, 4.50000000e+00,

4.60000000e+00, 4.70000000e+00, 4.80000000e+00,

4.90000000e+00])

#第2步，概率密度函数(PDF)

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

#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()