Implémenter la distribution de Bernoulli à l'aide de Python NumPy

1. Distribution de Bernoulli
2. Distribution binomiale
3. Implémenter la distribution de Bernoulli avec l’aide de NumPy en Python

En tant que sujet très important en statistique, la distribution de Bernoulli est un aspect essentiel de la science des données, de l’apprentissage automatique et d’autres domaines connexes, car elle aide à traiter les données. Ce didacticiel démontrera la distribution Bernoulli et comment elle peut être implémentée en Python à l’aide de la bibliothèque NumPy.

Lorsque nous parlons de distribution de Bernoulli, le terme distribution binomiale vient toujours à l’esprit. Ces termes se ressemblent mais diffèrent dans certains de leurs fonctionnements.

Ces deux distributions sont pratiques pour faciliter les problèmes à différents moments. Il est important de comprendre et de différencier efficacement ces termes, comme décrit dans l’article ci-dessous.

Distribution de Bernoulli

En termes simples, lorsqu’il n’y a que deux résultats possibles dans un seul essai, ces données données sont appropriées pour la mise en œuvre de la distribution de Bernoulli.

L’implémentation directe de la distribution de Bernoulli peut se faire à l’aide de la bibliothèque SciPy. Cependant, la bibliothèque NumPy peut également être utilisée indirectement pour implémenter cette distribution.

Pour l’expliquer plus clairement, attribuons la distribution de Bernoulli à D(b).

Distribution binomiale

Le concept de distribution binomiale peut être défini comme quelque chose qui traite d’un groupe ou d’un ensemble d’essais de Bernoulli. Le numéro de ce groupe ou ensemble peut généralement être défini.

En termes plus simples, la distribution binomiale traite de plusieurs essais d’un événement individuel, par rapport à la distribution de Bernoulli qui traite d’un seul essai d’un événement individuel.

En ce qui concerne l’affectation ci-dessus de la distribution de Bernoulli comme D(b), la distribution binomiale serait attribuée comme D(n,b). Cette mission réfléchit sur la relation entre ces termes.

Implémenter la distribution de Bernoulli avec l’aide de NumPy en Python

Vous devez vous demander quelle est la signification de la distribution binomiale lorsque vous parlez de la distribution de Bernoulli. Eh bien, il y a une grande signification.

La bibliothèque NumPy utilise directement la fonction NumPy.random.binomial() pour implémenter la distribution binomiale. La syntaxe de la fonction NumPy.random.binomial() peut être vue ci-dessous.

random.binomial(n, p, size=None)

Les paramètres de cette fonction sont définis pour une meilleure compréhension de l’utilisateur.

• n : C’est le nombre d’essais. Il peut être entré en tant que float ou entier mais est finalement tronqué en une valeur int.
• p : C’est la probabilité de succès ; il sera toujours supérieur à 0 ou inférieur à 1. C’est une valeur flottante.
• size : cela aide à fournir la forme de la sortie. S’il est défini à None, il ne fournit qu’une seule valeur.

Lorsque nous donnons la valeur du nombre d’ensembles d’essais de Bernoulli à 1 dans ce cas, nous pouvons implémenter indirectement la distribution de Bernoulli à l’intérieur de la distribution binomiale.

Le code suivant utilise la fonction NumPy.random.binomial pour implémenter la distribution de Bernoulli en Python.

Prenons l’exemple d’une pièce (n’ayant que deux possibilités, pile et face) lancée 4 fois. Lorsque nous prenons n pour 1, il s’agit d’une distribution de Bernoulli plutôt que d’une distribution binomiale, c’est ainsi que nous procéderons dans le code.

import numpy as dragon

n = 1
p = 0.5
x = dragon.random.binomial(n, p, size=4)
print(x)

Le code ci-dessus fournit la sortie suivante :

[1 0 0 1]

Ici, nous avons montré le résultat du lancement d’une seule pièce testée 4 fois. Il est important de noter que, comme il s’agit d’un essai aléatoire, la réexécution du programme générerait probablement un ensemble différent de résultats.