Numpy Random Binomial

"BI" bedeutet zwei, also bedeutet "Binomial", dass ein Ereignis zwei Ergebnisse hat. Die Numpy Random Binomial () -Methode befasst sich mit Ereignissen mit zufälligen Wahrscheinlichkeiten. Es bedeutet, wie oft Ereignisse aufgetreten sind. Es beinhaltet die Ereignisse, die unterschiedliche Ausgänge oder Ergebnisse haben. Es geht um die statistische Analyse von Ereignissen wie das Zählen von Ereignissen.

Zum Beispiel: Eine Münze umdrehen kann entweder ein Kopf oder ein Schwanz sein.

Eine zufällige Binomial () -Methode ist eine diskrete Verteilung.”

Diskrete Verteilung

Diskrete Verteilung beinhaltet diskrete Daten. Diskrete Daten beinhalten die Werte, die zählbare, endliche, positive Ganzzahlen sind. Ein Binomial ist eine der diskreten Wahrscheinlichkeitsverteilungen.

Unterschied zwischen Normal- und Binomialverteilung

Eigenschaften der Numpy Random Binomial () -Methode

Das Folgende sind die Eigenschaften der Binomialverteilung:

• Es gibt zwei mögliche Ereignisse oder Ausgänge I-e Kopf oder Schwanz, Erfolg oder Misserfolg, ja oder nein.
• Es gibt die „n“ Anzahl fester Versuche an.
• Für jeden Versuch bleibt die Wahrscheinlichkeit von zwei Möglichkeiten identisch.
• Die Erfolgstudie wird aus der Anzahl der Versuche berechnet.
• Jeder Versuch ist unabhängig von jedem Versuch.

Syntax der Numpy Random Binomial () -Methode

Numpy Random Binomial () -Methode wird deklariert als:

Argumente

In der Deklaration der Python -Binomialverteilung werden verschiedene Parameter verwendet, die wie folgt sind:

N = Es repräsentiert die Anzahl der Versuche oder Ereignisse. Es ist ein erforderliches Feld.

P = Es repräsentiert die Wahrscheinlichkeit eines Ereignisses und wie oft ein Ereignis oder Versuch aufgetreten ist. Es ist auch ein erforderliches Feld. Es enthält Float -Werte im Bereich von [0, 1].

Größe = Dieser Parameter repräsentiert die Dimension des resultierenden Arrays. Es ist ein optionales Feld. Wenn es keine ist, wird ein einzelner Wert zurückgegeben, wenn Parameter „N“ und „P“ beide Skalare sind oder ähnliche Werte haben.

Außerdem werden zwei weitere Parameter zur Visualisierung der zufälligen Binomialverteilung verwendet:

Hist = Es repräsentiert das Histogramm.

Kde = Es repräsentiert die Kurve in der Grafik.

Rückgabewert

Der Rückgabewert der Numpy Random Binomial () -Methode ist skalar oder nDarray.

Schauen wir uns Beispiele an, um mehr über Numpy Random Binomial () ausführlicher zu erfahren:

Beispiel Nr. 1

Finden einer Reihe von zufälligen Ausgängen, indem Sie eine Münze 6 -mal umdrehen.

In diesem Fall haben wir ein Array gefunden, indem wir 6 Mal eine Münze umdrehten. Zu Beginn der Implementierung des Programms wird das „zufällige“ Modul aus der Numpy -Bibliothek importiert. Zufällige bedeutet eine andere Wahrscheinlichkeit. In der nächsten Aussage ist „y“ die Variable, die initialisiert wird. Dann Numpy Random.Binomial () -Funktion heißt. Die Parameter dieser Methode haben verschiedene Werte als n = 6, p = 0 zugewiesen.2 und Größe = 5. Das Attribut "n" zeigt das Nein an. von Versuchen, in denen die Münze umgedreht wird, die 6 Mal beträgt. Das Attribut "P" repräsentiert die Wahrscheinlichkeit, die als 0 angegeben ist.2 und „Größe“ repräsentiert die Form des Arrays, die als 5 zugeordnet ist. In der letzten Aussage wird Print (Y) erklärt, das Ergebnis der Binomialverteilung anzuzeigen.

Nach der erfolgreichen Implementierung des Codes haben wir eine Ausgabe, die das Array der Größe 5 darstellt, nachdem die Münze 6 -mal gedreht wurde:

Beispiel Nr. 2

Erstellen einer Reihe von zufälligen Ausgängen, indem Sie eine Münze dreimal umdrehen.

Hier ist ein weiteres Beispiel für die Erstellung einer Reihe zufälliger Ergebnisse durch Umdrehen einer Münze. In diesem Code haben wir die gleichen Schritte, die wir im oben genannten Beispiel befolgt haben. Erstens ist das Importieren eines zufälligen Moduls aus der Numpy -Bibliothek ein erforderlich. In der zweiten Anweisung, „M“, wird die Eingabevariable initialisiert. Dann die Funktion zufällig.Binomial () wird aufgerufen. Darüber hinaus sind unterschiedliche Argumente (N, P, Größe) an diese Funktion übergeben. Diese Parameter haben die Werte gegeben. Da „n“ 3 zugeordnet ist, was bedeutet, dass die Münze dreimal umgeht, wird „P“ 0 zugewiesen.1, und die „Größe“ des Arrays wird 3 sein. Die Anweisung Print () zeigt das Ergebnis von Variablen „M“.

Im Ergebnis haben wir eine Reihe von Dimension 3, für die die Münze dreimal umgedreht wird.

Beispiel Nr. 3

Finden eines Arrays mit zufälligen Wahrscheinlichkeiten, nachdem Sie die Münze umgedreht haben.

Jetzt haben wir eine weitere Illustration, um mehr Numpy Random Binomial () -Methode zu diskutieren. Hier müssen wir ein Array erstellen. In der ersten Aussage haben wir ein Zufallsmodul importiert. Als nächstes haben wir die "Variable" initialisiert. Wir haben zufällig angerufen.Binomial () -Funktion. Dann haben wir den Parametern dieser Funktion Werte zugewiesen. Das „N“ wird 100 zugewiesen, was 100 Versuche bedeutet. Dem "P" wird eine 0 zugewiesen.5 Wert, und die „Größe“ des definierten Arrays beträgt 10. Die Print () -Methode wird deklariert, um das resultierende Array darzustellen.

Hier haben wir eine Reihe von zufälligen Wahrscheinlichkeiten als Ergebnis.

Visualisierung der Numpy Random Binomial () -Funktion

In diesem Beispiel sehen wir, wie die Binomialverteilung angezeigt wird.

Erstens importieren Bibliotheken „PLT“ und „NP“ von Python. Wir haben die "Matplotlib" -Bibliothek von Python, mit der die Wahrscheinlichkeit von Massenfunktionen zeichnet und auch verwendet wird, um die Hist () -Funktion aufzurufen. Die nächste Bibliothek, die wir importiert haben, ist Numpy als "NP". In der nächsten Aussage haben wir zufällig angerufen.Saatgut () Funktion und zufällig.Binomial () -Funktion. Diese Funktionen haben unterschiedliche Argumente. Dann haben wir PLT verwendet.Hist () Methode. Die Parameter dieser Funktion umfassen "Array", "Bins" und "EdgeColor". Das Etikett des resultierenden Diagramms wird durch die Funktion PLT zugewiesen.Titel(). Die letzte Funktion, PLT.show (), Zeigt das erforderliche Diagramm der Zufallswahrscheinlichkeit an.

Abschluss

In dieser Anleitung zur Funktion von Numpy Random Binomial () habe ich verschiedene Themen behandelt, die eine Einführung in die Funktion Numpy Random Binomial () und diskrete Verteilung, die Differenz zwischen einer Normalverteilung und Binomialverteilung, den Eigenschaften des numigen zufälligen Binomials enthalten () Methode, Syntax und Parameter dieser Funktion. Darüber hinaus habe ich mehrere Codes implementiert, in denen wir die randomiale () -Funktion () verwenden,. Am Ende beobachteten wir auch die Visualisierung der Binomialverteilung. Ich hoffe, dieser Artikel hilft Ihnen, Ihre Konzepte über die Methode Numpy Random binomial () zu klären.