Python 中的二项式分布与真实世界示例 [2022]

概率统计在数据科学领域的价值是巨大的，人工智能和机器学习对它们的依赖程度很高。 每次进行 A/B 测试和投资建模时，我们都使用正态分布的过程模型。

然而， Python 中的二项分布以多种方式应用以执行多个过程。 但是，在开始使用Python 中的二项分布之前，您需要了解一般的二项分布及其在日常生活中的用途。 如果您是初学者并且有兴趣了解有关数据科学的更多信息，请查看我们来自顶尖大学的数据科学培训。

什么是二项分布？

你曾经掷过硬币吗？ 如果你有，那么你必须知道正面或反面的概率是相等的。 但是，总共掷十次硬币得到七次反面的可能性如何呢？ 这就是二项式分布可以帮助计算每次翻转的结果，从而找出十次掷硬币得到七个反面的概率。

概率分布的症结来自于任何事件的方差。 对于每十次抛硬币，正面和反面的概率可以在 1 到 10 次之间，同样且有可能。 结果的不确定性（也称为方差）有助于生成所产生结果的分布。

换句话说，二项分布是一个只有两种可能结果的过程：真或假。 因此，它在所有事件中具有相同的结果概率，因为每次都执行相同的操作。 只有一个条件……这些步骤需要彼此完全不受影响，结果可能相同也可能不同。

因此，二项分布的概率函数为：

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

资源

在哪里，

= n n！ k k !( n n!- k k!)

这里，n = 试验总数

p = 成功概率

k = 目标成功次数

Python中的二项分布

对于通过 Python 进行的二项分布，您可以从 binom.rvs () 函数生成不同的随机变量，其中“n”定义为试验的总频率，“p”等于成功概率。

您还可以使用 loc 函数移动分布，并且大小定义了在系列中重复的动作的频率。 添加 random_state 有助于保持可重复性。

资源

Python中二项分布的真实示例

有更多的事件（比抛硬币大）可以通过 Python 中的二项分布来解决。 一些用例可以帮助跟踪和提高大小公司的 ROI（投资回报率）。 这是如何做：

• 想想一个呼叫中心，每个员工平均每天接到 50 个电话。
• 每次调用的转换概率等于 4%。
• 基于每次此类转换，公司的平均收入为 20 美元。
• 如果你分析 100 名这样的员工，他们每天获得 200 美元的报酬，那么

n = 50

p = 4%

该代码可以生成如下输出：

• 每个员工的平均转化率 = 2.13
• 每个呼叫中​​心人员的转换标准差 = 1.48
• 总转化率 = 213
• 总收入 = 21,300 美元
• 总费用 = 20,000 美元
• 毛利润 = 1,300 美元

二项分布模型和其他概率分布只能预测在动作参数“n”和“p”方面可以接近现实世界的近似值。 它有助于我们了解和确定我们的重点领域，并提高获得更好绩效和效率的总体机会。

另请阅读：初学者的 13 个有趣的数据结构项目想法和主题

接下来是什么？

如果您想了解数据科学，请查看 IIIT-B 和 upGrad 的数据科学执行 PG 计划，该计划是为在职专业人士创建的，提供 10 多个案例研究和项目、实用的实践研讨会、行业专家的指导、1与行业导师一对一，400 多个小时的学习和顶级公司的工作协助。