交流思想,注重分析,更注重通过实例让您通俗易懂。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来!
01
—
二项分布
如果实验满足以下两种条件:
则实验的结果对应的分布为二项分布。
当试验次数为1时,二项分布服从0-1分布。
02
—
例子解析
例如,一堆苹果有好的,有坏的,从中取10次,定义随机变量:从中取得好苹果的个数 X,那么认为X服从二项分布。
实验得到的结果:比如经过10次实验后分布结果为:7好,3坏;再经过10次实验后分布结果为:8好,2坏。经过这20次实验,可以根据最大似然估计求出我们可求出二项分布的参数theta:从这堆苹果中取到一个好苹果的概率。
因为在我们所做的20次实验中,出现了15好,5坏,因此一次取到好苹果概率为:15/20 = 0.75,根据最大似然估计的精神,认为从整个样本中取到一个好苹果的概率也为:0.75。
下面看下,出现这种分布的概率有多大,由二项分布的概率计算公式:
其中:k表示出现好苹果的个数,p表示一次实验出现好苹果的概率
k的取值范围为:0~m,最小值为0个好苹果,最大值为m个好苹果(所有的都是好苹果)。
03
—
二项分布图
在以上我们的20次随机试验中,最终得到了15个好果,那么如果依次看下好苹果的个数 k = 0~20,它们的各自的分布概率P,变化曲线图是怎样的呢?
为此在Jupyter NoteBook中实验下,
#计算组合数
from scipy.special import comb, perm
import numpy as np
import matplotlib.pyplot as plt
#二项分布概率计算公式
def getp(m,n,pa):
if m < n:
return 0.0
return comb(m,n)*(pa**n)*((1-pa)**(m-n))
#获得画图数据
klist = np.arange(21)
plist = [ getp(m=20,n=k,pa=0.75) for k in klist]
plt.plot(klist,plist)
plt.xlabel('number of good apples')
plt.ylabel('k-distribution proba')
plt.title('distribution proba')
plt.xticks(np.arange(0,22,1))
plt.grid()
plt.show()
最终得到的二项分布图如下:可以看到在k = 15时,取得概率的最大值为0.2,也就是说在取到15个好苹果的概率是最大的。
取到0~8个好果的概率是很低的,但是取到19,20个好果的概率同样也是很低的
说明一点:
04
—
二项分布总结
二项分布是随机变量为离散型随机变量且当试验次数为1时服从0-1分布,它是重复n次的独立的伯努利试验。这种分布下,对个数的期望等于二项分布中概率发生最大的取值个数。
本文分享自 程序员郭震zhenguo 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!