Python实现的概率分布运算操作示例-CDA数据分析师官网

Python实现的概率分布运算操作示例

2017-09-16

Python实现的概率分布运算操作示例

这篇文章主要介绍了Python实现的概率分布运算操作,涉及Python概率运算与图形绘制相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python实现的概率分布运算操作。分享给大家供大家参考，具体如下：

1. 二项分布（离散）

importnumpy as np

fromscipyimportstats

importmatplotlib.pyplot as plt

'''

# 二项分布 (binomial distribution)

# 前提：独立重复试验、有放回、只有两个结果

# 二项分布指出，随机一次试验出现事件A的概率如果为p，那么在重复n次试验中出现k次事件A的概率为：

# f(n,k,p) = choose(n, k) * p**k * (1-p)**(n-k)

'''

# ①定义二项分布的基本信息

p=0.4# 事件A概率0.4

n=5 # 重复实验5次

k=np.arange(n+1)# 6种可能出现的结果

#k = np.linspace(stats.binom.ppf(0.01,n,p), stats.binom.ppf(0.99,n,p), n+1) #另一种方式

# ②计算二项分布的概率质量分布 (probability mass function)

# 之所以称为质量，是因为离散的点，默认体积（即宽度）为1

# P(X=x) --> 是概率

probs=stats.binom.pmf(k, n, p)

#array([ 0.07776, 0.2592 , 0.3456 , 0.2304 , 0.0768 , 0.01024])

#plt.plot(k, probs)

# ③计算二项分布的累积概率 (cumulative density function)

# P(X<=x) --> 也是概率

cumsum_probs=stats.binom.cdf(k, n, p)

#array([ 0.07776, 0.33696, 0.68256, 0.91296, 0.98976, 1. ])

# ④根据累积概率得到对应的k，这里偷懒，直接用了上面的cumsum_probs

k2=stats.binom.ppf(cumsum_probs, n, p)

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

# ⑤伪造符合二项分布的随机变量 (random variates)

X=stats.binom.rvs(n,p,size=20)

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

#⑧作出上面满足二项分布随机变量的频数直方图（类似group by）

plt.hist(X)

#⑨作出上面满足二项分布随机变量的频率分布直方图

plt.hist(X, normed=True)

plt.show()

2. 正态分布（连续）

'''

标准正态分布

密度函数：f(x) = exp(-x**2/2)/sqrt(2*pi)

'''

x=np.linspace(stats.norm.ppf(0.01), stats.norm.ppf(0.99),100)

# 概率密度分布函数(Probability density function)

# 之所以称为密度，是因为连续的点，默认体积为0

# f(x) --> 不是概率

probs=norm.pdf(x)

# plt.plot(x, probs, 'r-', lw=5, alpha=0.6, label='norm pdf')

# 累积概率密度函数 Cumulative density function

# 定积分 ∫_-oo^a f(x)dx --> 是概率

cumsum_probs=stats.norm.cdf(x)

# 伪造符合正态分布的随机变量X

# 通过loc和scale参数可以指定随机变量的偏移和缩放参数。对于正态分布的随机变量来说，这两个参数相当于指定其期望值和标准差：

X=stats.norm.rvs(loc=1.0, scale=2.0, size=1000)

#⑨作出上面正态分布随机变量的频率分布直方图

plt.hist(X, normed=True, histtype='stepfilled', alpha=0.2)

plt.legend(loc='best', frameon=False)

plt.show()

# 对给定的数据进行参数估计。这里偷懒了，就用上面的X

mean, std=stats.norm.fit(X)

#array(1.01810091), array(2.00046946)

CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>> “CDA报名” 了解CDA考试详情；

▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；

▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；

▷ 想查询CDA考试成绩，点击>>> “CDA成绩” 了解CDA考试详情；

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；

▷ 想获取CDA考试时间/费用/条件/大纲/通过率，点击 >>>“CDA考试官网” 了解CDA考试详情；

正态分布直方图 matplotlib numpy

数据分析咨询请扫描二维码

上一篇CDA认证再升一档！与国家共同推进大数据人才培养标准教育事业

下一篇Excel-漏斗图分析（差异分析）

Python实现的概率分布运算操作示例

CDA考试动态

CDA报考指南

热门栏目

最新资讯

企业数字化转型的关键成功因素

爬虫技术在数据分析中的作用

数据分析中的数据可视化技巧

银行数字化用户行为分析

怎样利用数据分析优化营销策略

数据分析行业的就业趋势

如何进行市场数据分析

数据分析与数据挖掘的区别

零基础如何自学数据分析

零基础如何自学数据分析

业务分析师面试常见问题

数据分析自学的有效学习方法

如何使用Excel进行数据分析

怎样搭建数据分析工作流程

数据分析职位就业技能要求

数据分析方法的比较与选择

数据分析方法在市场研究中的应用

怎样提高数据分析的准确性

如何推动银行的数字化转型

国有企业降本增效策略