Nội dung chính Hiển thị
- Cách tạo phân phối Poisson
- Cách tính xác suất bằng phân phối Poisson
- Cách vẽ đồ thị phân phối Poisson
- Tài nguyên bổ sung
- Phân phối xác suất Python là gì?
- Làm thế nào để phát triển phân phối Python?
- MỘT. Chuẩn bị phân phối trong Python
- Phân phối nhị thức trong Python
- Phân phối Poisson bằng Python
- Phân phối Bernoulli bằng Python
- Kết luận
Nội dung chính
- Cách tạo phân phối Poisson
- Cách tính xác suất bằng phân phối Poisson
- Cách vẽ đồ thị phân phối Poisson
- Tài nguyên bổ sung
- Phân phối xác suất Python là gì?
- Làm thế nào để phát triển phân phối Python?
- MỘT. Chuẩn bị phân phối trong Python
- Phân phối nhị thức trong Python
- Phân phối Poisson bằng Python
- Phân phối Bernoulli bằng Python
- Kết luận
Nội dung chính
- Cách tạo phân phối Poisson
- Cách tính xác suất bằng phân phối Poisson
- Cách vẽ đồ thị phân phối Poisson
- Tài nguyên bổ sung
- Phân phối xác suất Python là gì?
- Làm thế nào để phát triển phân phối Python?
- MỘT. Chuẩn bị phân phối trong Python
- Phân phối nhị thức trong Python
- Phân phối Poisson bằng Python
- Phân phối Bernoulli bằng Python
- Kết luận
Nội dung chính
- Cách tạo phân phối Poisson
- Cách tính xác suất bằng phân phối Poisson
- Cách vẽ đồ thị phân phối Poisson
- Tài nguyên bổ sung
Nếu một biến ngẫu nhiên X tuân theo phân phối Poisson, thì xác suất mà X = k thành công có thể được tính theo công thức sau
P[X=k] = λk * e– λ / k
ở đâu
- λ. số lần thành công trung bình xảy ra trong một khoảng thời gian cụ thể
- k. số lần thành công
- e. một hằng số bằng xấp xỉ 2. 71828
Hướng dẫn này giải thích cách sử dụng phân phối Poisson trong Python
Cách tạo phân phối Poisson
Bạn có thể sử dụng thuốc độc. hàm rvs[mu, size] để tạo các giá trị ngẫu nhiên từ phân phối Poisson với giá trị trung bình và cỡ mẫu cụ thể
from scipy.stats import poisson #generate random values from Poisson distribution with mean=3 and sample size=10 poisson.rvs[mu=3, size=10] array[[2, 2, 2, 0, 7, 2, 1, 2, 5, 5]]
Cách tính xác suất bằng phân phối Poisson
Bạn có thể sử dụng thuốc độc. pmf[k, mu] và poisson. hàm cdf[k, mu] để tính xác suất liên quan đến phân bố Poisson
ví dụ 1. Xác suất bằng một số giá trị
Trung bình mỗi ngày cửa hàng bán được 3 quả táo. Xác suất mà họ sẽ bán được 5 quả táo vào một ngày nhất định là bao nhiêu?
from scipy.stats import poisson #calculate probability poisson.pmf[k=5, mu=3] 0.100819
Xác suất để cửa hàng bán được 5 quả táo trong một ngày đã cho là 0. 100819
ví dụ 2. Xác suất nhỏ hơn một số giá trị
Một cửa hàng nọ trung bình mỗi ngày bán được bảy quả bóng đá. Xác suất mà cửa hàng này bán được bốn hoặc ít hơn bốn quả bóng đá trong một ngày nhất định là bao nhiêu?
from scipy.stats import poisson #calculate probability poisson.cdf[k=4, mu=7] 0.172992
Xác suất mà cửa hàng bán được bốn hoặc ít hơn bốn quả bóng đá trong một ngày nhất định là 0. 172992
ví dụ 3. Xác suất lớn hơn một số giá trị
Một cửa hàng nọ trung bình mỗi ngày bán được 15 hộp cá ngừ. Xác suất mà cửa hàng này bán được hơn 20 hộp cá ngừ trong một ngày nhất định là bao nhiêu?
from scipy.stats import poisson #calculate probability 1-poisson.cdf[k=20, mu=15] 0.082971
Xác suất cửa hàng bán được hơn 20 hộp cá ngừ trong một ngày nhất định là 0. 082971
Cách vẽ đồ thị phân phối Poisson
Bạn có thể sử dụng cú pháp sau để vẽ biểu đồ phân phối Poisson với giá trị trung bình đã cho
from scipy.stats import poisson import matplotlib.pyplot as plt #generate Poisson distribution with sample size 10000 x = poisson.rvs[mu=3, size=10000] #create plot of Poisson distribution plt.hist[x, density=True, edgecolor='black']
Tài nguyên bổ sung
Giới thiệu về phân phối Poisson
5 ví dụ thực tế về phân phối Poisson
Máy tính phân phối Poisson trực tuyến
Sau khi nghiên cứu thống kê mô tả trong Python , bây giờ chúng ta sẽ khám phá 4 phân tích thành quả chính của Python. Phân phối bình thường, nhị thức, Poisson và Bernoulli trong Python. Hơn nữa, chúng ta sẽ học cách khai thác các phân phối chuẩn Python này với Lập trình Python
Nội dung chính
- Phân phối xác suất Python là gì?
- Làm thế nào để phát triển phân phối Python?
- MỘT. Chuẩn bị phân phối trong Python
- Phân phối nhị thức trong Python
- Phân phối Poisson bằng Python
- Phân phối Bernoulli bằng Python
- Kết luận
Nội dung chính
- Phân phối xác suất Python là gì?
- Làm thế nào để phát triển phân phối Python?
- MỘT. Chuẩn bị phân phối trong Python
- Phân phối nhị thức trong Python
- Phân phối Poisson bằng Python
- Phân phối Bernoulli bằng Python
- Kết luận
Các bài viết liên quan
Phân phối xác suất Python là gì?
Phân phối xác suất là một hàm theo lý thuyết xác thực và thống kê – một hàm cho chúng ta biết các kết quả khác nhau có thể xảy ra như thế nào trong một thử nghiệm. Nó mô tả các sự kiện dưới dạng xác định của chúng; . Please get an paltribution of one times tung đồng xu công bằng. Tại đây, đầu nhận giá trị X = 0,5 và đuôi cũng nhận X = 0,5
Hai lớp của phân phối như vậy là rời rạc và liên tục. Cái trước được biểu thị bằng hàm xác định khối lượng và cái sau được biểu thị bằng hàm xác thực
Xem thêm Địa chỉ nhị phân của bộ nhớ máy tính trong hệ điều hành
Làm thế nào để phát triển phân phối Python?
Hãy triển khai các phân loại Python phân phối này, hãy xem chúng
MỘT. Chuẩn bị phân phối trong Python
Phân phối chuẩn trong Python là một hàm phân phối các biến ngẫu nhiên trong một biểu đồ có hình dạng như một cái chuông đối xứng. Nó làm như vậy bằng cách sắp xếp phân cấp đánh giá cho mỗi giá trị. Please use Python numpy for this job
import scipy.stats # thêm thư viện scipy.stats import numpy as np # thêm thư viện numpy import matplotlib.pyplot as plt # thêm thư viện matplotlib.pyplot np.random.seed[1234] # random mẫu samples=np.random.lognormal[mean=1.,sigma=.4,size=10000] # khai báo mẫu phân phối chuẩn shape,loc,scale=scipy.stats.lognorm.fit[samples,floc=0] # khai báo 3 biến shape,loc,scale num_bins=50 clr="#EFEFEF" counts,edges,patches=plt.hist[samples,bins=num_bins,color=clr] centers=0.5*[edges[:-1]+edges[1:]] cdf=scipy.stats.lognorm.cdf[edges,shape,loc=loc,scale=scale] prob=np.diff[cdf] plt.plot[centers,samples.size*prob,'k-',linewidth=2] # vẽ phân phối chuẩn
Phân phối nhị thức trong Python
Phân phối nhị thức Python cho chúng ta biết tần suất thành công trong thử nghiệm độc lập. Những thí nghiệm như vậy là câu hỏi có-không. Một ví dụ có thể là tung đồng xu
import seaborn # thêm thư viện seaborn
from scipy.stats import binom #khai báo thư viện binom
data=binom.rvs[n=17,p=0.7,loc=0,size=1010] # tạo mẫu phân bố nhị thức
ax=seaborn.distplot[data,
kde=True,
color='pink',
hist_kws={"linewidth": 22,'alpha':0.77}] # vẽ ra phân bố
ax.set[xlabel='Binomial',ylabel='Frequency']Phân phối Poisson bằng Python
Phân phối Python Poisson cho chúng ta biết về khả năng xảy ra một số sự kiện nhất định trong một khoảng thời gian hoặc không cố định. Điều này giả định rằng những sự kiện này xảy ra với tốc độ không thay đổi và cũng không phụ thuộc vào sự kiện cuối cùng
Xem thêm Phân phối Binomial và Poisson trong R
import numpy as np # thêm thư viện numpy s=np.random.poisson[5, 10000] # tạo ngẫu nghiên phân phối poisson import matplotlib.pyplot as plt # thêm thư viên với plt plt.hist[s,16,normed=True,color='Green']
Phân phối Bernoulli bằng Python
Phân phối Python Bernoulli là một trường hợp của phân phối nhị thức trong đó chúng tôi tiến hành một thử nghiệm duy nhất. Đây là một phân phối rời rạc với xác suất p cho giá trị 1 và xác suất q = 1-p cho giá trị 0. p may be to public, true, true or one. Tương tự, q = 1-p có thể là fail, no, false or zero
________số 8Vì vậy, đây là tất cả về Phân phối Python. Hy vọng bạn thích giải thích của chúng tôi
Kết luận
Do đó, chúng tôi đã nghiên cứu Phân tích hiệu suất Python và 4 loại của nó với một ví dụ. Ngoài ra, chúng tôi đã nghiên cứu cách phát triển các phân phối Python này. Hơn nữa, nếu bạn có bất kỳ nghi ngờ nào, hãy hỏi trong phần bình luận