查看“Python/numpy random binomial”的源代码

<languages />
= 二项分布 =

== 二项分布 ==

二项分布是
''Discrete Distribution''
.

它描述了二进制方案的结果，例如抛硬币，要么是正面要么是反面。

它具有三个参数：

<code>     n    </code>
-试用次数。

<code>     p    </code>
-每次审判的发生概率（例如掷硬币0.5个）。

<code>     size    </code>
-返回数组的形状。

<div>

'''离散分布：'''
分布是在单独的事件集（例如投掷硬币的结果是离散的，因为它只能是头或尾，而人的身高是连续的，可以是170、170.1、170.11，依此类推。


</div>
<div>

=== 例 ===

给定10次掷硬币试验，可产生10个数据点：

<pre class="notranslate pythonHigh">  from numpy import random

x = random.binomial(n=10, p=0.5, size=10)

print(x)</pre>

</div>
== 二项式分布的可视化 ==

<div>

=== 例 ===

<pre class="notranslate pythonHigh">  from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns


sns.distplot(random.binomial(n=10, p=0.5, size=1000), hist=True, kde=False)

plt.show()</pre>
=== 结果 ===

[[File:bionomial1.png]]


</div>
== 正态分布与二项分布之间的差异 ==

主要区别在于正态分布是连续的，而二项式是离散的，但是如果有足够的数据点，它将与具有特定位置和范围的正态分布非常相似。

<div>

=== 例 ===

<pre class="notranslate pythonHigh">  from numpy import random
import matplotlib.pyplot as plt
import seaborn as sns


sns.distplot(random.normal(loc=50, scale=5, size=1000), hist=False, 
  label='normal')
sns.distplot(random.binomial(n=100, p=0.5, size=1000), hist=False, 
  label='binomial')

plt.show()</pre>
=== 结果 ===

[[File:bionomial2.png]]


</div>
<br />