Bernoulli variabel acak python numpy

Distribusi Bernoulli adalah kasus khusus dari distribusi Binomial dimana dilakukan percobaan tunggal sehingga jumlah pengamatannya adalah 1. Jadi, distribusi Bernoulli menggambarkan peristiwa yang memiliki tepat dua hasil

Kami menggunakan berbagai fungsi di perpustakaan numpy untuk menghitung secara matematis nilai untuk distribusi bernoulli. Histogram dibuat di mana kami memplot kurva distribusi probabilitas

from scipy.stats import bernoulli
import seaborn as sb

data_bern = bernoulli.rvs(size=1000,p=0.6)
ax = sb.distplot(data_bern,
                  kde=True,
                  color='crimson',
                  hist_kws={"linewidth": 25,'alpha':1})
ax.set(xlabel='Bernouli', ylabel='Frequency')

Outputnya adalah sebagai berikut −

Distribusi Diskrit. Distribusi didefinisikan pada rangkaian acara yang terpisah, mis. g. hasil lemparan koin adalah diskrit karena hanya bisa berupa kepala atau ekor sedangkan tinggi orang kontinu karena bisa jadi 170, 170. 1, 170. 11 dan seterusnya

Contoh

Diberikan 10 percobaan untuk lempar koin menghasilkan 10 poin data

dari numpy impor acak

x = acak. binomial(n=10, p=0. 5, ukuran=10)

cetak(x)

Visualisasi Distribusi Binomial

Contoh

dari numpy impor acak
impor matplotlib. pyplot sebagai plt
impor seaborn sebagai sns

sns. distplot(random. binomial(n=10, p=0. 5, ukuran=1000), hist=Benar, kde=Salah)

plt. menunjukkan()

Hasil

Perbedaan Antara Distribusi Normal dan Binomial

Perbedaan utamanya adalah bahwa distribusi normal adalah kontinyu sedangkan binomial adalah diskrit, tetapi jika ada titik data yang cukup akan sangat mirip dengan distribusi normal dengan lokasi dan skala tertentu.

Sebagai turunan dari kelas, objek mewarisi kumpulan metode generik (lihat di bawah untuk daftar lengkap), dan melengkapinya dengan detail khusus untuk distribusi khusus ini

Catatan

Fungsi massa probabilitas untuk adalah

\[\begin{split}f(k) = \begin{cases}1-p &\text{if } k = 0\\ p &\text{if } k = 1\end{cases}\end{split

untuk \(k\) di \(\{0, 1\}\), \(0 \leq p \leq 1\)

mengambil \(p\) sebagai parameter bentuk, di mana \(p\) is the probability of a single success and \(1-p\) is the probability of a single failure.

Fungsi massa probabilitas di atas didefinisikan dalam bentuk "standar". Untuk menggeser distribusi gunakan parameter

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

Contoh

>>> import numpy as np
>>> from scipy.stats import bernoulli
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

Hitung empat momen pertama

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

Menampilkan fungsi massa probabilitas (

>>> p = 0.3
>>> mean, var, skew, kurt = bernoulli.stats(p, moments='mvsk')

>>> x = np.arange(bernoulli.ppf(0.01, p),
..               bernoulli.ppf(0.99, p))
>>> ax.plot(x, bernoulli.pmf(x, p), 'bo', ms=8, label='bernoulli pmf')
>>> ax.vlines(x, 0, bernoulli.pmf(x, p), colors='b', lw=5, alpha=0.5)

Alternatifnya, objek distribusi dapat dipanggil (sebagai fungsi) untuk memperbaiki bentuk dan lokasi. Ini mengembalikan objek RV "beku" yang menahan parameter yang diberikan tetap

Bagaimana Anda menggunakan distribusi Bernoulli dengan Python?

Metode Numpy mana yang digunakan untuk mensimulasikan distribusi binomial?

Apa itu binomial acak Numpy?

Bagaimana cara membuat variabel acak binomial dari eksperimen Bernoulli?