Numpy Binomial aleatório

"BI" significa dois, então "binomial" significa que um evento tem dois resultados. O método Numpy Random Binomial () lida com eventos com probabilidades aleatórias. Isso significa quantas vezes os eventos ocorreram. Envolve esses eventos com saídas ou resultados diferentes. Trata -se de análise estatística dos eventos, como contar eventos.

Por exemplo: Virar uma moeda pode ser uma cabeça ou uma cauda.

Um método de binomial aleatório () é uma distribuição discreta.”

Distribuição discreta

A distribuição discreta envolve dados discretos. Dados discretos envolvem os valores que são inteiros contáveis, finitos e positivos. Um binomial é uma das distribuições de probabilidade discreta.

Diferença entre distribuição normal e binomial

Características do método Binomial Random () Numpy ()

A seguir, são apresentadas as características da distribuição binomial:

• Dá dois eventos ou saídas possíveis I-E Cabeça ou Tail, sucesso ou falha, sim ou não.
• Dá o número "n" de ensaios fixos.
• Para cada tentativa, a probabilidade de duas possibilidades permanece idêntica.
• O estudo de sucesso é calculado a partir do número de ensaios "n".
• Cada estudo é independente de cada estudo.

Sintaxe do método Binomial Random () Numpy ()

O método Binomial Random () Numpy é declarado como:

Argumentos

Diferentes parâmetros são utilizados na declaração da distribuição binomial de Python, que são os seguintes:

n = Representa o número de ensaios ou eventos. É um campo necessário.

p = Representa a probabilidade de um evento e quantas vezes um evento ou teste ocorreu. Também é um campo necessário. Inclui valores de flutuação no intervalo de [0, 1].

Tamanho = Este parâmetro representa a dimensão da matriz resultante. É um campo opcional. Se não for, então um único valor será retornado se os parâmetros "n" e "p" ambos são escalares ou têm valores semelhantes.

Além disso, existem mais dois parâmetros usados ​​na visualização da distribuição binomial aleatória:

Hist = Representa o histograma.

KDE = Representa a curva no gráfico.

Valor de retorno

O valor de retorno do método Numpy Random Binomial () será escalar ou ndarray.

Vamos dar uma olhada nos exemplos para saber mais em detalhes sobre o Numpy Random Binomial ():

Exemplo nº 1

Encontrando uma variedade de saídas aleatórias lançando uma moeda 6 vezes.

Nesse caso, encontramos uma matriz lançando uma moeda 6 vezes. No início da implementação do programa, o módulo "aleatório" é importado da biblioteca Numpy. Aleatório significa ter uma probabilidade diferente. Na próxima declaração, "y" é a variável que é inicializada. Então Numpy aleatório.A função binomial () é chamada. Os parâmetros deste método atribuíram valores diferentes como n = 6, p = 0.2 e tamanho = 5. O atributo "n" indica o não. de ensaios em que a moeda é invertida, que é 6 vezes. O atributo "P" representa a probabilidade que é dada como 0.2, e "tamanho" representa a forma da matriz, que é atribuída como 5. Na última declaração, a impressão (y) é declarada para exibir o resultado da distribuição binomial.

Após a implementação bem -sucedida do código, temos uma saída que representa a matriz do tamanho 5 após virar a moeda 6 vezes:

Exemplo nº 2

Criando uma variedade de saídas aleatórias lançando uma moeda 3 vezes.

Aqui está outro exemplo de construção de uma variedade de resultados aleatórios lançando uma moeda. Neste código, temos as mesmas etapas que seguimos no exemplo ilustrado acima. Primeiro, importar um módulo aleatório da biblioteca Numpy é uma etapa necessária. Na segunda declaração, "M", a variável de entrada é inicializada. Então a função aleatória.binomial () é invocado. Além disso, diferentes argumentos (n, p, tamanho) passaram para esta função. Esses parâmetros deram os valores. Como "n" é atribuído 3, o que significa que a moeda vira 3 vezes, "P" é atribuída 0.1, e o "tamanho" da matriz será 3. A instrução print () mostra o resultado da variável "M".

No resultado, temos uma variedade de dimensões 3 para a qual a moeda é invertida 3 vezes.

Exemplo no 3

Encontrar uma matriz com probabilidades aleatórias depois de virar a moeda.

Agora, temos outra ilustração para discutir mais método Binomial Random () Numpy (). Aqui, temos que criar uma matriz. Na primeira declaração, importamos um módulo aleatório. Em seguida, inicializamos a "variável". Nós chamamos de aleatório.função binomial (). Em seguida, atribuímos valores aos parâmetros desta função. O "n" é atribuído 100, o que significa 100 ensaios. O "P" está atribuído um 0.5 valor e o "tamanho" da matriz definida é 10. O método print () é declarado para representar a matriz resultante.

Aqui temos uma variedade de probabilidades aleatórias como resultado.

Visualização da função Numpy Random Binomial ()

Neste exemplo, vemos como a distribuição binomial é exibida.

Primeiro de tudo, importar bibliotecas “PLT” e “NP” de Python. Temos a biblioteca "matplotlib" do Python, que é usada para plotar a probabilidade de funções de massa e também é usada para chamar a função hist (). A próxima biblioteca que importamos é Numpy como "np". Na próxima declaração, chamamos de aleatório.semente () função e aleatório.função binomial (). Essas funções têm argumentos diferentes. Então nós utilizamos PLT.Método Hist (). Os parâmetros desta função incluem "Array", "Bins" e "Edgecolor". O rótulo do gráfico resultante é atribuído pela função PLT.título(). A última função, PLT.show (), exibirá o gráfico necessário de probabilidade aleatória.

Conclusão

Neste guia sobre a função Numpy Random Binomial (), abordei tópicos diferentes, que incluem uma introdução à função Binomial Random () Numpy e distribuição discreta, a diferença entre uma distribuição normal e distribuição binomial, características do binomial aleatório numpy () Método, sintaxe e parâmetros desta função. Além disso, implementei vários códigos nos quais utilizamos a função Random Binomial (). No final, também observamos a visualização da distribuição binomial. Espero que este artigo ajude você a esclarecer seus conceitos sobre o método Numpy Random Binomial ().