概率算法_二项分布和泊松分布
|
本次函数有 1、阶乘 2、计算组合数C(n,x) 3、二项概率分布 4、泊松分布 以下是历史函数 #创建一个含有指定数量元素的list #累加 #统计个数 #累乘 #算数平均数 #算数平均数计算回报 #中位数 #众数 #极差 #几何平均数 #几何平均回报 #方差-样本S^2 #协方差(标准差)-样本S #变异系数CV #相关系数-样本r #联合概率#条件概率#随机变量期望值#随机变量方差#随机变量协方差#联合协方差#组合期望回报#投资组合风险#贝叶斯 ---------------以上是旧的---------------------------------------------------------------------------------------以下是新的------------------------------------------------------------------------ 继续概率，本次是二项分布和泊松分布，这个两个还是挺好玩的，可以作为预测函数用，因为函数比较少，本次就不给例子了，但是会对函数做逐一说明 1、阶乘n!就是每次-1乘，直到*1，例如5! = 5 * 4 * 3 * 2 * 1 = 120，这个是正常的，但是在写函数的时候这样算法效率会低些，因此直接反过来，1*2*3...这种，那么函数就是 <div class="cnblogs_code"> n == 1+= 1= [i i range(1= fact_num
2、计算组合数C(n,x)C(n,x) = n! / (x! * (n - x)!)表示从n个样本中抽取x个样本单元，可能出现结果的组合数，例如从5个物品中抽取3个物品，这三个物品的组合数就是10种 === fact_fun(case_count -= fact_n / (fact_x * c_n_x_num
3、二项概率分布执行n次伯努利试验，伯努利试验就是执行一次只有两种可能且两种可能互斥的事件，比如丢硬币实验，执行n次，成功k次的概率P(ξ=K) = C(n,k) * p^k * (1-p)^(n-k)n=5 k=3 P(ξ>=K) = p(K = 3) + p(K = 4) + p(K = 5)p表示一个事件的成功概率，失败则是1 - p == (p ** real_count) * ((1 - p) ** (case_count -= c_n_k_num * binomial_num
4、泊松分布给定的一个机会域中，机会域可以是一个范围，也可以是一段时间，在这个机会域中可能发生某个统计事件的概率，举个例子，比有个商店，每小时平均有10位顾客光顾，那么一个小时有13位顾客光顾的概率，就是泊松分布，13位顾客光顾就是统计事件P(X) = (e^-λ*λ^X)/X! = (2.7182818^-10*10^13)/13! = 0.0729这里的λ是指平均值，可以使用算数平均数得到，e是自然常数~=2.7182818，有函数 poisson_fun(chance_x,case_list = [0],mean_num === 2.7182818
len_fun(case_list) == 1 case_list[0] === ((e ** (0-mean_num)) * mean_num ** chance_x) /== ((e ** (0-mean_num)) * mean_num ** chance_x) / poisson_num
这个函数需要说明下，实际需要的是两个参数，一个平均值另一个是期望统计量，之所以指定了3个函数是因为可能输入的不一定是一个数字，也可能是个list，那么会有两种计算方式，这个已在if中体现，引用方法有两种，例如 ==
poisson_rate = poisson_fun(mean_num = 10,chance_x = 13
case_list = [8,9,10,11,12= poisson_fun(case_list = case_list,chance_x = 13 poisson_rate
（编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |