如何在 Python 中實現這五種型別的強大概率分布

六種常見分布的概率分布如下：

1、離散分布：0-1分布。

首先只進行一次事件試驗，事件發生的概率為p，不發生的概率為1-p

2.離散分布：幾何分布。

在 n 個伯努利實驗中，需要 k 個實驗才能獲得第一次成功的概率。 具體來說，這意味著前 k-1 次全部失敗，第 k 次成功的概率。

3.離散分布：二項分布。

在具有 n 個獨立重複的伯努利檢驗中，讓每個試驗中發生 a 的概率為 p。 x 用於表示 n 權伯努利檢驗中 a 的出現次數，在 n 折實驗中事件 A 恰好發生 k 次的概率是二項分布。

4.離散分布：泊松分布。

每單位時間發生 x 次某事的概率。

5、連續分布：分布均勻。

在區間 （a，b） 上服從均勻分布的隨機變數 x 的概率相同，該區間 （a，b） 中任何長度相等的子區間內。

6、連續分布：指數分布。

描述兩個隨機事件發生之間的時間間隔的概率分布。

7、連續分布：正態分佈。

狀態分布是具有兩個引數和 2 的連續隨機變數的分布，第乙個引數是遵循正態分佈的隨機變數的均值，第二個引數 2 是該隨機變數的方差，因此正態分佈表示為 n（ ，2 ）。

R 程式語言已成為統計分析中的事實標準。 但在本文中，我將向您展示在 python 中實現統計概念是多麼容易。 我將使用 python 來實現一些離散和連續的概率分布。

雖然我不會深入探討這些分布的數學細節，但我會以鏈結的形式為您提供一些關於學習這些統計概念的好資訊。 在談論這些概率分布之前，我想簡單談談什麼是隨機變數。 隨機變數是對實驗結果的量化。

例如，表示拋硬幣結果的隨機變數可以表示為。

python

x = 隨機變數是從一組可能的模仿值（離散或連續）中獲取其值並服從某種隨機性的變數。 隨機變數的每個可能值都與乙個概率相關聯。 變數的所有可能值以及與之相關的概率稱為概率分布。

我鼓勵大家仔細看看這些模組。

概率分布有兩種型別：離散概率分布和連續概率分布。

離散概率分布也稱為概率質量函式。 離散概率分布的示例包括伯努利分布、二項分布、泊松分布和幾何分布。

連續概率分布，也稱為概率密度函式，是具有連續值的函式，例如實線上的值。 正態分佈、指數分布和 beta 分布都是連續概率分布。