Distribution binomiale en Python

1. Utiliser la fonction numpy.random.binomial() pour créer une distribution binomiale en Python
2. Utiliser la fonction scipy.stats.binom.pmf() pour créer une distribution de probabilités binomiales en Python

Une distribution binomiale est un concept essentiel de probabilité et de statistique. Il représente les résultats réels d’un nombre donné d’expériences indépendantes lorsque la probabilité de succès et d’échec est connue. Cela n’est possible que lorsqu’exactement 2 résultats sont possibles pour un événement distinct, comme un tirage au sort. Sa formule mathématique est présentée ci-dessous.

Ce tutoriel montrera comment créer une distribution binomiale en Python.

Utiliser la fonction numpy.random.binomial() pour créer une distribution binomiale en Python

Le module numpy peut générer une série de valeurs aléatoires dans un tableau numpy. On peut utiliser la fonction numpy.random.binomial() pour retourner un échantillon de cette distribution.

Nous pouvons spécifier le nombre d’essais (n), la probabilité de succès (p) et la taille de la sortie finale (size) comme paramètres de la fonction.

Par exemple,

import numpy as np

a = np.random.binomial(n=5, p=0.7, size=20)
print(a)

Production :

[5 4 2 3 2 4 4 3 3 3 4 2 3 4 3 4 5 5 2 2]

Dans l’exemple ci-dessus, chaque valeur représente le nombre de fois qu’un événement se produit au cours de 5 essais lorsque la probabilité de réussite était de 0.7. Ceci a été répété pour un échantillon de taille 20.

Nous pouvons également tracer cela en utilisant la fonction seaborn.distplot().

Par example,

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

a = np.random.binomial(n=5, p=0.7, size=20)
sns.distplot(a, hist=True, kde=False)
plt.show()

Production :

Utiliser la fonction scipy.stats.binom.pmf() pour créer une distribution de probabilités binomiales en Python

La fonction scipy.stats.binom.pmf() renvoie la probabilité binomiale pour certaines valeurs données. Nous pouvons l’utiliser pour créer une distribution de probabilités binomiales.

Elle est différente de la distribution précédente. On bouclera sur le nombre de succès souhaités pour créer cette distribution.

Par example,

from scipy.stats import binom

n = 5
p = 0.7
s = list(range(n + 1))
a = [binom.pmf(r, n, p) for r in s]
print(a)
sns.distplot(a, hist=True, kde=False)
plt.show()

Production :