伯努利分布 是一种离散分布,有两种可能的结果。1表示成功，出现的概率为p(其中0

概率分布有两种类型：离散(discrete)概率分布和连续(continuous)概率分布。

离散概率分布也称为概率质量函数(probability mass function)。离散概率分布的例子有伯努利分布(Bernoulli distribution)、二项分布(binomial distribution)、泊松分布(Poisson distribution)和几何分布(geometric distribution)等。

连续概率分布也称为概率密度函数(probability density function)，它们是具有连续取值(例如一条实线上的值)的函数。正态分布(normal distribution)、指数分布(exponential distribution)和β分布(beta distribution)等都属于连续概率分布。

from scipy.stats import binom #导入伯努利分布

import matplotlib.pyplot as plt

import numpy as np

#次数

n = 10

#概率

p = 0.3

#导入特征系数

k = np.arange(0, 21)

#伯努利分布的特征值导入

binomial = binom.pmf(k, n, p)

plt.plot(k, binomial, 'o-')

plt.title('Binomial: n = %i, p=%0.2f' % (n, p), fontsize=15)

plt.xlabel('Number of successes')

plt.ylabel('Probability of sucesses', fontsize=15)

plt.savefig(r'C:\Users\Administrator\Desktop\106\data\textdata\12.png')

plt.show()

二项分布：离散型概率分布，n 重伯努利分布

如果随机变量序列 Xn(n=1, 2, …) 中的随机变量均服从与参数为 p 的伯努利分布，那么随机变量序列 Xn 就形成了参数为 p 的 n 重伯努利试验。例如，假定重复抛掷一枚均匀硬币 n 次，如果在第 i 次抛掷中出现正面，令 Xi=1；如果出现反面，则令 Xi=0。那么，随机变量 Xn(n=1, 2, …) 就形成了参数为 1/2 的 n 重伯努利试验。

可见，n 重伯努利试验需满足下列条件：

每次试验只有两种结果，即 X=1，或 X=0

各次试验中的事件互相独立，且 X=1 和 X=0 的概率分别为 p(0

n 重伯努利试验的结果就是 n 重伯努利分布，即二项分布。反之，当 Xn(n=1) 时，二项分布的结果服从于伯努利分布。因为二项分布实际上是进行了 n 次的伯努利分布，所以二项分布的离散型随机变量期望为 E(x)=np，方差为 D(x)=np(1-p) 。

需要注意的是，满足二项分布的样本空间有一个非常重要的性质，假设进行 n 次独立试验，满足二项分布(每次试验成功的概率为 p，失败的概率为 1−p)，那么成功的次数 X 就是一个参数为 n 和 p 的二项随机变量，即满足下述公式：

P(X=k) = C(n, k) * p^k * (1-p)^(n-k)

X=k，试验 n 次，成功的次数恰好有 k 次的随机变量(事件)

C(n, k)，表示从集合 n 中取出 k 个元素的组合数，结果为 n!/(k!*(n-k)!)

例如，小明参加雅思考试，每次考试的通过率 1/3，不通过率为 q=2/3。如果小明连续参加考试 4 次，那么恰好有两次通过的概率是多少？

解析：因为每次考试只有两种结果，通过或不通过，符合条件 (1)；每次考试结果互相独立，且概率不变，符合条件 (2)。满足二项分布样本，代入公式求解得概率为：C(4, 2)*(1/2)^2*(2/3)^(4-2) ≈ 8/27

二项分布概率直方图：

图形特性：

当 p=q 时，图形是对称的

当 p≠q 时，图形呈偏态，pq 的偏斜方向相反

当 (n+1)p 不为整数时，二项概率 P(X=k) 在 k=(n+1)*p 时达到最大值

当 (n+1)p 为整数时，二项概率 P(X=k) 在 k=(n+1)*p 和 k=(n+1)*p-1 时达到最大值

NOTE：当 n 很大时，即使 p≠q，二项分布概率直方图的偏态也会逐渐降低，最终成为正态分布。也就是说，二项分布的极限情形即为正态分布，故当 n 很大时，二项分布的概率可用正态分布的概率作为近似值。那么 n 需要多大才可谓之大呢?

一般规定，当 pq 且 nq≥5 时，这时的 n 就足够大了，可以用正态分布的概率作为近似值。则正态分布参数 μ=np，σ^2=np(1-p) 。

二项分布:

from scipy.stats import binom

import matplotlib.pyplot as plt

import numpy as np

fig,ax = plt.subplots(1,1)

n = 100

p = 0.5

#平均值, 方差, 偏度, 峰度

mean,var,skew,kurt=binom.stats(n,p,moments='mvsk')

print(mean,var,skew,kurt)

#ppf:累积分布函数的反函数。q=0.01时，ppf就是p(X

x=np.arange(binom.ppf(0.01,n,p),binom.ppf(0.99,n,p))

ax.plot(x,binom.pmf(x,n,p),'o')

plt.rcParams['font.sans-serif']=['SimHei']

plt.title(u'二项分布概率质量函数')

plt.savefig(r'C:\Users\Administrator\Desktop\106\data\textdata\1.png')

plt.show()

补充拓展：python--scipy--1离散概率分布:伯努利分布

#导入包

#数组包

import numpy as np

#绘图包

import matplotlib.pyplot as plt

#统计计算包的统计模块

from scipy import stats

'''

arange用于生成一个等差数组，arange([start, ]stop, [step, ]

使用见文档：https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html

'''

'''

第1步，定义随机变量：1次抛硬币

成功指正面朝上记录为1，失败指反面朝上记录为0

'''

X = np.arange(0, 2,1)

X

array([0, 1])

'''

伯努利分布官方使用文档：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.bernoulli.html#scipy.stats.bernoulli

'''

#第2步，#求对应分布的概率:概率质量函数 (PMF)

#它返回一个列表，列表中每个元素表示随机变量中对应值的概率

p = 0.5 # 硬币朝上的概率

pList = stats.bernoulli.pmf(X, p)

pList

array([0.5, 0.5])

#第3步，绘图

'''

plot默认绘制折线，这里我们只绘制点，所以传入下面的参数：

marker：点的形状，值o表示点为圆圈标记(circle marker)

linestyle：线条的形状，值None表示不显示连接各个点的折线

'''

plt.plot(X, pList, marker='o',linestyle='None')

'''

vlines用于绘制竖直线(vertical lines),

参数说明：vline(x坐标值, y坐标最小值, y坐标值最大值)

我们传入的X是一个数组，是给数组中的每个x坐标值绘制竖直线，

竖直线y坐标最小值是0，y坐标值最大值是对应pList中的值

官网文档：https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.vlines

'''

plt.rcParams['font.sans-serif']=['SimHei']

plt.vlines(X, 0, pList)

#x轴文本

plt.xlabel('随机变量：抛硬币1次')

#y轴文本

plt.ylabel('概率')

#标题

plt.title('伯努利分布：p=%.2f' % p)

#显示图形

plt.show()

以上这篇python 伯努利分布详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。