Distribution binomiale en Python avec des exemples du monde réel [2022]

La valeur des probabilités et des statistiques dans le domaine de la science des données a été immense, l'intelligence artificielle et l'apprentissage automatique en dépendant fortement. Nous utilisons des modèles de processus de distribution normale chaque fois que nous effectuons des tests A/B et des modèles d'investissement.

Cependant, la distribution binomiale en Python est appliquée de plusieurs manières pour effectuer plusieurs processus. Mais, avant de commencer avec la distribution binomiale en Python , vous devez connaître la distribution binomiale en général et son utilisation dans la vie quotidienne. Si vous êtes débutant et que vous souhaitez en savoir plus sur la science des données, consultez notre formation en science des données dispensée par les meilleures universités.

Qu'est-ce que la distribution binomiale ?

Avez-vous déjà lancé une pièce? Si vous avez, alors vous devez savoir que la probabilité d'obtenir pile ou face est égale. Mais qu'en est-il de la probabilité d'obtenir sept faces sur un total de dix lancers de pièce ? C'est là que la distribution binomiale peut aider à calculer les résultats de chaque lancer, et donc à déterminer la probabilité d'obtenir sept faces pour dix lancers d'une pièce.

Le nœud de la distribution de probabilité provient de la variance de tout événement. Pour chaque ensemble de dix lancers de pièces, la probabilité d'obtenir pile et face peut être comprise entre une et dix fois, de manière égale et probable. L'incertitude du résultat (également connue sous le nom de variance) aide à générer la distribution des résultats produits.

En d'autres termes, la distribution binomiale est un processus où il n'y a que deux résultats possibles : vrai ou faux. Par conséquent, il a une probabilité égale des deux résultats pour tous les événements, car les mêmes actions sont effectuées à chaque fois. Il n'y a qu'une seule condition… Les étapes doivent être totalement indépendantes les unes des autres, et les résultats peuvent ou non être également probables.

Par conséquent, la fonction de probabilité d'une distribution binomiale est :

f f( k k , n n, p p) = P r Pr( k k; n n, p p) = P r Pr ( X X= k k) =

La source

Où,

= n n! k k !( n n!- k k!)

Ici, n = nombre total d'essais

p = probabilité de succès

k = nombre cible de succès

Distribution binomiale en Python

Pour la distribution binomiale via Python, vous pouvez produire la variable aléatoire distincte à partir de la fonction binom.rvs(), où 'n' est défini comme la fréquence totale des essais et 'p' est égal à la probabilité de réussite.

Vous pouvez également déplacer la distribution à l'aide de la fonction loc, et la taille définit la fréquence d'une action qui se répète dans la série. L'ajout d'un random_state peut aider à maintenir la reproductibilité.

La source

Exemples concrets de distribution binomiale en Python

Il y a beaucoup plus d'événements (plus gros que les lancers de pièces) qui peuvent être traités par la distribution binomiale en Python. Certains des cas d'utilisation peuvent aider à suivre et à améliorer le retour sur investissement (ROI) pour les grandes et les petites entreprises. Voici comment:

• Pensez à un centre d'appels où chaque employé reçoit en moyenne 50 appels par jour.
• La probabilité de conversion sur chaque appel est égale à 4 %.
• La génération de revenus moyenne pour l'entreprise basée sur chacune de ces conversions est de 20 USD.
• Si vous analysez 100 de ces employés, qui sont payés 200 USD par jour, alors

n = 50

p = 4 %

Le code peut générer une sortie comme suit :

• Taux de conversion moyen pour chaque employé = 2,13
• L'écart type des conversions pour chaque personnel du centre d'appels = 1,48
• Conversion brute = 213
• Génération de revenus bruts = 21 300 USD
• Dépense brute = 20 000 USD
• Bénéfices bruts = 1 300 USD

Les modèles de distribution binomiale et d'autres distributions de probabilité ne peuvent prédire qu'une approximation qui peut se rapprocher du monde réel en termes de paramètres d'action, « n » et « p ». Cela nous aide à comprendre et à identifier nos domaines d'intervention et à améliorer les chances globales d'amélioration des performances et de l'efficacité.

Lisez aussi: 13 idées de projets de structure de données intéressantes et sujets pour les débutants

Et ensuite ?

Si vous êtes curieux d'en savoir plus sur la science des données, consultez le programme Executive PG en science des données de IIIT-B & upGrad qui est créé pour les professionnels en activité et propose plus de 10 études de cas et projets, des ateliers pratiques, un mentorat avec des experts de l'industrie, 1 -on-1 avec des mentors de l'industrie, plus de 400 heures d'apprentissage et d'aide à l'emploi avec les meilleures entreprises.