Биномиальное распределение в Python с примерами из реального мира [2022]

Значение вероятности и статистики в области науки о данных огромно, поскольку искусственный интеллект и машинное обучение в значительной степени зависят от них. Мы используем модели процессов нормального распределения каждый раз, когда проводим A/B-тестирование и инвестиционное моделирование.

Однако биномиальное распределение в Python применяется несколькими способами для выполнения нескольких процессов. Но прежде чем приступить к работе с биномиальным распределением в Python , вам необходимо узнать о биномиальном распределении в целом и его использовании в повседневной жизни. Если вы новичок и хотите узнать больше о науке о данных, ознакомьтесь с нашим курсом по науке о данных от лучших университетов.

Что такое Биномиальное распределение ?

Вы когда-нибудь подбрасывали монету? Если у вас есть, то вы должны знать о равной вероятности выпадения орла или решки. Но как насчет вероятности выпадения семи решек за десять подбрасываний монеты? Именно здесь биномиальное распределение может помочь в расчете результатов каждого броска и, таким образом, в определении вероятности выпадения семи решек при десяти бросках монеты.

Суть распределения вероятностей исходит из дисперсии любого события. Для каждого набора из десяти подбрасываемых монет вероятность выпадения орла и решки может составлять от одного до десяти раз, равно и вероятно. Неопределенность результата (также известная как дисперсия) помогает генерировать распределение полученных результатов.

Другими словами, биномиальное распределение — это процесс, в котором возможны только два исхода: истина или ложь. Следовательно, он имеет одинаковую вероятность обоих результатов для всех событий, поскольку каждый раз выполняются одни и те же действия. Есть только одно условие... Шаги должны быть полностью независимы друг от друга, а результаты могут быть или не быть равновероятными.

Следовательно, функция вероятности биномиального распределения:

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

Источник

Где,

= п п! k k !( n n!- k k!)

Здесь n = общее количество испытаний

p = вероятность успеха

k = целевое количество успехов

Биномиальное распределение в Python

Для биномиального распределения через Python вы можете создать отдельную случайную переменную из функции binom.rvs(), где «n» определяется как общая частота испытаний, а «p» равна вероятности успеха.

Вы также можете перемещать распределение с помощью функции loc, а размер определяет частоту повторения действия в серии. Добавление random_state может помочь в поддержании воспроизводимости.

Источник

Реальные примеры биномиального распределения в Python

Есть гораздо больше событий (крупнее, чем подбрасывание монеты), которые могут быть обработаны биномиальным распределением в Python. Некоторые варианты использования могут помочь отслеживать и повышать рентабельность инвестиций (возврат инвестиций) для больших и малых компаний. Вот как:

• Подумайте о колл-центре, где каждый сотрудник получает в среднем 50 звонков в день.
• Вероятность конверсии по каждому звонку равна 4%.
• Средняя выручка компании от каждой такой конверсии составляет 20 долларов США.
• Если вы проанализируете 100 таких сотрудников, которые получают 200 долларов в день, то

п = 50

р = 4%

Код может генерировать вывод следующим образом:

• Средний коэффициент конверсии для каждого сотрудника = 2,13
• Стандартное отклонение конверсий для каждого сотрудника колл-центра = 1,48.
• Валовая конверсия = 213
• Получение валового дохода = 21 300 долларов США.
• Общие расходы = 20 000 долларов США.
• Валовая прибыль = 1300 долларов США

Модели биномиального распределения и другие распределения вероятностей могут только предсказать приближение, которое может быть близко к реальному миру с точки зрения параметров действия, «n» и «p». Это помогает нам понять и определить наши приоритетные области и повысить общие шансы на повышение производительности и эффективности.

Читайте также: 13 интересных идей и тем для проектов по структуре данных для начинающих

Что дальше?

Если вам интересно узнать о науке о данных, ознакомьтесь с программой IIIT-B & upGrad Executive PG по науке о данных , которая создана для работающих профессионалов и предлагает более 10 тематических исследований и проектов, практические семинары, наставничество с отраслевыми экспертами, 1 -на-1 с отраслевыми наставниками, более 400 часов обучения и помощи в трудоустройстве в ведущих фирмах.