Numpy tilfeldig binomial

“BI” betyr to, så “binomial” betyr at en hendelse har to resultater. Numpy Random Binomial () -metoden omhandler hendelser med tilfeldige sannsynligheter. Det betyr hvor mange ganger hendelser som har skjedd. Det innebærer at hendelsene har forskjellige utganger eller resultater. Det handler om statistisk analyse av hendelser, som å telle hendelser.

For eksempel: Å vende en mynt kan enten være et hode eller en hale.

En tilfeldig binomial () -metode er en diskret fordeling.”

Diskret distribusjon

Diskret distribusjon innebærer diskrete data. Diskrete data involverer verdiene som er tellbare, endelige, positive heltall. En binomial er en av de diskrete sannsynlighetsfordelingene.

Forskjell mellom normal og binomial distribusjon

Kjennetegn på numpy tilfeldig binomial () -metode

Følgende er egenskapene til binomial distribusjon:

• Det gir to mulige hendelser eller utganger i-e hode eller hale, suksess eller fiasko, ja eller nei.
• Det gir "n" antall faste forsøk.
• For hver prøve er sannsynligheten for to muligheter identisk.
• Suksessforsøk beregnes av "n" antall forsøk.
• Hver prøve er uavhengig av hver prøve.

Syntaks av Numpy Random Binomial () -metoden

Numpy Random Binomial () -metode er erklært som:

Argumenter

Ulike parametere brukes i erklæringen om python binomial distribusjon, som er som følger:

n = Det representerer antall forsøk eller hendelser. Det er et påkrevd felt.

p = Det representerer sannsynligheten for en hendelse og hvor mange ganger en hendelse eller rettssak har skjedd. Det er også et nødvendig felt. Det inkluderer flyteverdier i området [0, 1].

Størrelse = Denne parameteren representerer dimensjonen til den resulterende matrisen. Det er et valgfritt felt. Hvis det ikke er noen, returneres en enkelt verdi hvis parametere “n” og “p” begge er skalarer eller har lignende verdier.

Dessuten er det to flere parametere som brukes i visualiseringen av tilfeldig binomial distribusjon:

HIST = Det representerer histogrammet.

Kde = Det representerer kurven på grafen.

Returverdi

Returverdien til Numpy Random Binomial () -metoden vil være skalar eller Ndarray.

La oss se på eksempler for å vite mer detaljert om Numpy Random Binomial ():

Eksempel nr. 1

Å finne en rekke tilfeldige utganger ved å snu en mynt 6 ganger.

I dette tilfellet fant vi en matrise ved å snu en mynt 6 ganger. Ved starten av implementeringen av programmet importeres den "tilfeldige" modulen fra Numpy Library. Tilfeldig betyr å ha en annen sannsynlighet. I neste uttalelse er "y" variabelen som initialiseres. Så numpy tilfeldig.Binomial () -funksjon kalles. Parametrene til denne metoden har tildelt forskjellige verdier som n = 6, p = 0.2, og størrelse = 5. Attributtet “n” indikerer nei. av forsøk der mynten er vendt som er 6 ganger. Attributtet “P” representerer sannsynligheten som er gitt som 0.2, og "størrelse" representerer formen på matrisen, som er tilordnet som 5. I den siste uttalelsen er PRINT (Y) erklært å vise utfallet av binomialfordelingen.

Etter den vellykkede implementeringen av koden, har vi en utgang som representerer matrisen av størrelse 5 etter å ha snudd mynten 6 ganger:

Eksempel nr. 2

Opprette en rekke tilfeldige utganger ved å snu en mynt 3 ganger.

Her er et annet eksempel på å konstruere en rekke tilfeldige utfall ved å snu en mynt. I denne koden har vi de samme trinnene som vi har fulgt i det ovennevnte eksemplet. For det første er det å importere en tilfeldig modul fra Numpy Library et nødvendig trinn. I den andre uttalelsen, “M”, initialiseres inngangsvariabelen. Så funksjonen tilfeldig.binomial () påkalles. Videre har forskjellige argumenter (n, p, størrelse) gått til denne funksjonen. Disse parametrene har gitt verdiene. Ettersom "n" er tildelt 3, noe som betyr at mynten vipper 3 ganger, er "P" tildelt 0.1, og "størrelsen" på matrisen vil være 3. Utskrift () -uttalelsen viser resultatet av variabel “m”.

I utfallet har vi en rekke dimensjoner 3 som mynten blir vendt med 3 ganger.

Eksempel nr. 3

Å finne en matrise som har tilfeldige sannsynligheter etter å ha snudd mynten.

Nå har vi en annen illustrasjon for å diskutere mer numpy tilfeldig binomial () -metode. Her må vi lage en matrise. I den første uttalelsen har vi importert en tilfeldig modul. Deretter initialiserte vi "variabelen". Vi har ringt tilfeldig.binomial () funksjon. Så tildelte vi verdier til parametrene for denne funksjonen. “N” er tildelt 100, som betyr 100 forsøk. “P” tildeles en 0.5 verdi, og "størrelsen" på den definerte matrisen er 10. Print () -metoden er erklært å representere den resulterende matrisen.

Her har vi en rekke tilfeldige sannsynligheter som et resultat.

Visualisering av den numpy tilfeldige binomial () -funksjonen

I dette eksemplet ser vi hvordan binomial distribusjon vises.

Først av alt, importerende biblioteker “PLT” og “NP” av Python. Vi har “Matplotlib” -biblioteket til Python, som brukes til å plotte sannsynligheten for massefunksjoner og brukes også til å kalle HIST () -funksjonen. Det neste biblioteket som vi har importert er numpy som "NP". I neste uttalelse har vi ringt tilfeldig.frø () funksjon og tilfeldig.binomial () funksjon. Disse funksjonene har forskjellige argumenter. Så benyttet vi PLT.Hist () Metode. Parametrene for denne funksjonen inkluderer "matrise", "binger" og "edgecolor". Etiketten til det resulterende plottet er tildelt av funksjonen PLT.tittel(). Den siste funksjonen, PLT.vis (), vil vise den nødvendige grafen med tilfeldig sannsynlighet.

Konklusjon

I denne guiden om den numpy tilfeldige binomial () -funksjonen har jeg dekket forskjellige emner, som inkluderer en introduksjon til den numpy tilfeldige binomial () -funksjonen og diskret distribusjon, forskjellen mellom en normal fordeling og binomial fordeling, egenskaper til den numpy tilfeldig binomial () Metode, syntaks og parametere for denne funksjonen. Videre implementerte jeg flere koder der vi bruker den tilfeldige binomial () -funksjonen. Til slutt observerte vi også visualiseringen av binomial distribusjon. Jeg håper så denne artikkelen vil hjelpe deg å fjerne konseptene dine om Numpy Random Binomial () -metode.