Binomial aleatorio numpy
"BI" significa dos, por lo que "binomial" significa que un evento tiene dos resultados. El método binomial aleatorio () numpy trata de eventos que tienen probabilidades aleatorias. Significa cuántas veces han ocurrido eventos. Implica aquellos eventos que tienen diferentes resultados o resultados. Se trata de análisis estadísticos de eventos, como contar eventos.
Por ejemplo: Voltear una moneda puede ser una cabeza o una cola.
Un método binomial aleatorio () es una distribución discreta."
Distribución discreta
La distribución discreta implica datos discretos. Los datos discretos involucran los valores contables, finitos y positivos. Un binomial es una de las distribuciones de probabilidad discretas.
Diferencia entre la distribución normal y binomial
| Distribución normal | Distribución binomial |
|---|---|
| La distribución normal implica una distribución continua. | La distribución binomial implica una distribución discreta. Tiene eventos que son exitosos o fallas. |
Características del método numpy aleatorio binomial ()
Las siguientes son las características de la distribución binomial:
- Da dos eventos o salidas posibles I-E Cabeza o cola, éxito o falla, sí o no.
- Da el número "n" de pruebas fijas.
- Para cada prueba, la probabilidad de dos posibilidades sigue siendo idéntica.
- El ensayo de éxito se calcula a partir del número "n" de ensayos.
- Cada ensayo es independiente de cada ensayo.
Sintaxis del método binomial aleatorio () numpy
El método numpy aleatorio binomial () se declara como:
X = numpy.aleatorio.binomial (n = no de prueba, p = probabilidad, tamaño = tamaño de la matriz)Argumentos
Se utilizan diferentes parámetros en la Declaración de distribución binomial de Python, que son los siguientes:
norte = Representa el número de pruebas o eventos. Es un campo requerido.
pag = Representa la probabilidad de un evento y cuántas veces ha ocurrido un evento o prueba. También es un campo requerido. Incluye valores de flotación en el rango de [0, 1].
Tamaño = Este parámetro representa la dimensión de la matriz resultante. Es un campo opcional. Si no es ninguno, entonces se devuelve un valor único si los parámetros "n" y "p" son escalar o tienen valores similares.
Además, se utilizan dos parámetros más en la visualización de la distribución binomial aleatoria:
Histórico = Representa el histograma.
Kde = Representa la curva en el gráfico.
Valor de retorno
El valor de retorno del método binomial aleatorio () Numpy será escalar o ndarray.
Echemos un vistazo a ejemplos para saber más en detalle sobre binomial aleatorio numpy ():
Ejemplo no 1
Encontrar una variedad de salidas aleatorias volteando una moneda 6 veces.
En este caso, encontramos una matriz volteando una moneda 6 veces. Al comienzo de la implementación del programa, el módulo "aleatorio" se importa de la biblioteca Numpy. Aleatorio significa tener una probabilidad diferente. En la siguiente declaración, "y" es la variable que se inicializa. Entonces Numpy Random.La función binomial () se llama. Los parámetros de este método han asignado diferentes valores como n = 6, p = 0.2, y tamaño = 5. El atributo "n" indica el NO. de ensayos en los que se voltea la moneda que es 6 veces. El atributo "P" representa la probabilidad que se da como 0.2, y el "tamaño" representa la forma de la matriz, que se asigna como 5. En la última declaración, la impresión (y) se declara para mostrar el resultado de la distribución binomial.
Después de la implementación exitosa del código, tenemos una salida que representa la matriz de tamaño 5 después de voltear la moneda 6 veces:
Ejemplo no 2
Creando una variedad de salidas aleatorias volteando una moneda 3 veces.
Aquí hay otro ejemplo de construir una serie de resultados aleatorios al voltear una moneda. En este código, tenemos los mismos pasos que hemos seguido en el ejemplo ilustrado anterior. Primero, importar un módulo aleatorio de la biblioteca Numpy es un paso requerido. En la segunda declaración, "M", la variable de entrada se inicializa. Entonces la función aleatoria.binomial () se invoca. Además, se han pasado diferentes argumentos (n, p, tamaño) a esta función. Estos parámetros han dado los valores. Como se asigna "n" 3, lo que significa que la moneda se voltea 3 veces, "P" se asigna 0.1, y el "tamaño" de la matriz será 3. La instrucción print () muestra el resultado de la variable "M".
En el resultado, tenemos una variedad de dimensiones 3 para la cual la moneda se voltea 3 veces.
Ejemplo no 3
Encontrar una matriz que tenga probabilidades aleatorias después de voltear la moneda.
Ahora tenemos otra ilustración para discutir el método más numpy aleatorio binomial (). Aquí tenemos que crear una matriz. En la primera declaración, hemos importado un módulo aleatorio. A continuación, inicializamos la "variable". Hemos llamado aleatorio.función binomial (). Luego asignamos valores a los parámetros de esta función. Se asigna el "n" 100, lo que significa 100 pruebas. Al "P" se le asigna un 0.5 valor, y el "tamaño" de la matriz definida es 10. Se declara que el método print () representa la matriz resultante.
Aquí tenemos una variedad de probabilidades aleatorias como resultado.
Visualización de la función binomial aleatoria numpy ()
En este ejemplo, vemos cómo se muestra la distribución binomial.
En primer lugar, la importación de bibliotecas "PLT" y "NP" de Python. Tenemos la biblioteca "matplotlib" de Python, que se utiliza para trazar la probabilidad de funciones de masa y también se usa para llamar a la función Hist (). La próxima biblioteca que hemos importado es Numpy como "NP". En la siguiente declaración, hemos llamado al azar.Función de semillas () y aleatorio.función binomial (). Estas funciones tienen argumentos diferentes. Entonces utilizamos PLT.Método Hist (). Los parámetros de esta función incluyen "matriz", "contenedores" y "edgecolor". La etiqueta de la gráfica resultante es asignada por la función PLT.título(). La última función, PLT.show (), mostrará el gráfico requerido de probabilidad aleatoria.
Conclusión
En esta guía sobre la función binomial aleatoria () numpy, he cubierto diferentes temas, que incluyen una introducción a la función binomial aleatoria () numpy y una distribución discreta, la diferencia entre una distribución normal y distribución binomial, características de la binomial aleatoria numpy aleatoria numpy () método, sintaxis y parámetros de esta función. Además, implementé varios códigos en los que utilizamos la función binomial aleatoria (). Al final, también observamos la visualización de la distribución binomial. Espero que este artículo te ayude a limpiar tus conceptos sobre el método Numpy Random Binomial ().