【概率分布】二项分布超详细解析

【学习笔记】统计学入门(5/7)——二项分布 来源:http://study.163.com/course/courseMain.htm?courseId=1005232026     索引—— 基本概念 连续变量的统计描述 分类变量的统计描述 正态分布 二项分布 参数估计与可信区间 假设检验   五、二项分布 1、二项分布的基本特征 PS:两分类变量并非一定会服从二项分布 Bernoulli试验:出现的结果只有两... 阅读详情

概率分布之基础核心——二项分布超详细解析

二项分布是概率论与数理统计中最基础、应用最广泛的离散概率分布之一,是学习后续多项分布、泊松分布的重要铺垫,本科阶段的概率论课程、研究生阶段的数据分析/机器学习研究中都会高频用到。本文将从定义、性质、案例、代码实现四个维度,用通俗的语言讲透二项分布,适配本科生理解和研究生实际应用。

一、二项分布的通俗定义

二项分布用于描述n次独立重复的伯努利试验中,成功事件出现的次数的概率分布。
先明确两个核心前提:

  1. 伯努利试验:单次试验只有两种互斥结果,非此即彼,我们将其中一种定义为「成功」,另一种定义为「失败」(比如抛硬币:正面=成功,反面=失败;产品检测:合格=成功,次品=失败);
  2. 独立重复:每次试验的结果互不影响,且每次试验中「成功」的概率固定不变。

简单理解:做n次独立的“二选一”试验,每次成功概率为p,想知道“恰好成功k次”的概率是多少,这就是二项分布要解决的核心问题。

二、二项分布的核心性质与公式

1. 分布参数

二项分布由两个参数唯一确定,记为X∼B(n,p)X \sim B(n,p)X∼B(n,p)(或Bin(n,p)Bin(n,p)Bin(n,p)),其中:

  • nnn:试验的总次数(正整数);
  • ppp:单次试验中「成功」的概率(0≤p≤10 \leq p \leq 10≤p≤1)。

2. 概率质量函数(PMF)

概率质量函数是二项分布的核心,用于计算n次试验中恰好成功k次的概率,公式为:
P(X=k)=(nk)pk(1−p)n−k,k=0,1,2,...,nP(X=k)=\binom{n}{k} p^{k}(1-p)^{n-k}, \quad k=0,1,2, ..., nP(X=k)=(kn​)pk(1−p)n−k,k=0,1,2,...,n
其中kkk为成功的次数,且0≤k≤n0 \leq k \leq n0≤k≤n,公式包含两个关键部分:

(1)组合数:(nk)\binom{n}{k}(kn​)

表示从n次试验中,选出k次作为“成功”的所有可能方式数,计算公式为:
(nk)=n!k!(n−k)!\binom{n}{k}=\frac{n !}{k !(n-k) !}(kn​)=k!(n−k)!n!​
(!为阶乘,规定0!=10!=10!=1,如5!=5×4×3×2×15!=5×4×3×2×15!=5×4×3×2×1,(103)=10!3!×7!=120\binom{10}{3}=\frac{10!}{3!×7!}=120(310​)=3!×7!10!​=120)

(2)概率乘积项:pk(1−p)n−kp^k(1-p)^{n-k}pk(1−p)n−k
  • pkp^kpk:k次试验成功的概率乘积;
  • (1−p)n−k(1-p)^{n-k}(1−p)n−k:剩余n−kn-kn−k次试验失败的概率乘积;
  • 因试验独立,整体概率为两者相乘。

3. 期望值与方差

二项分布的期望和方差有固定计算公式,无需复杂推导,直接使用即可:

  • 期望值(均值):E(X)=npE(X)=npE(X)=np
    表示n次试验中,成功事件的平均出现次数,是分布的“中心位置”;
  • 方差:Var(X)=np(1−p)Var(X)=np(1-p)Var(X)=np(1−p)
    表示成功次数的离散程度,方差越小,结果越集中在期望值附近;
  • 标准差:σ(X)=np(1−p)\sigma(X)=\sqrt{np(1-p)}σ(X)=np(1−p)​(方差的平方根,更贴合实际量纲)。

举例:抛10次均匀硬币(n=10n=10n=10,p=0.5p=0.5p=0.5),正面朝上的期望次数E(X)=10×0.5=5E(X)=10×0.5=5E(X)=10×0.5=5,方差Var(X)=10×0.5×0.5=2.5Var(X)=10×0.5×0.5=2.5Var(X)=10×0.5×0.5=2.5,符合直观认知。

4. 核心应用场景

二项分布的应用覆盖统计、工程、金融、互联网等多个领域,典型场景有:

  1. 医疗试验:记录n名患者接受某治疗后的治愈成功人数;
  2. 产品质检:从n个产品中随机抽样,记录合格品/次品数量;
  3. 互联网运营:广告展示给n个用户,记录点击成功的用户数(点击率分析);
  4. 抽样调查:对n个样本进行民意调查,记录支持某观点的人数。

三、二项分布实战案例(Python代码实现)

理论结合实践是掌握二项分布的关键,本文基于Python的numpy(数值计算)、matplotlib(可视化)、scipy.stats(统计分布)实现两个经典案例,代码注释完整,本科生可直接运行理解,研究生可基于此拓展到实际研究中。

案例1:广告点击率分析(常规概率分布)

场景:某在线广告的点击率p=0.3p=0.3p=0.3(单次展示,用户点击=成功),将广告展示给n=10n=10n=10个用户,分析「点击次数」的概率分布,验证期望值的合理性。

完整代码
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binom  # 导入二项分布模块

# 1. 设置二项分布参数
n = 10  # 试验总次数(广告展示人数)
p = 0.3  # 单次试验成功概率(广告点击率)

# 2. 生成成功次数的取值和对应的PMF值
x = np.arange(0, n+1)  # 成功次数k:0,1,2,...,10
pmf = binom.pmf(x, n, p)  # 计算每个k对应的概率

# 3. 绘制PMF条形图(概率质量函数图)
plt.figure(figsize=(10, 6))  # 设置画布大小
plt.bar(x, pmf, color='skyblue', edgecolor='black', label='PMF')  # 条形图
plt.title('Binomial Distribution PMF (n=10, p=0.3)', fontsize=16)  # 标题
plt.xlabel('Number of Successes (k) - 广告点击次数', fontsize=14)  # x轴标签
plt.ylabel('Probability - 概率', fontsize=14)  # y轴标签
plt.xticks(fontsize=12)  # 坐标轴刻度字体
plt.yticks(fontsize=12)
plt.legend(fontsize=12)  # 图例
plt.grid(axis='y', linestyle='--', alpha=0.7)  # 横向网格线,增加可读性
plt.show()

# 4. 计算并输出期望值和方差
exp = binom.mean(n, p)  # 期望
var = binom.var(n, p)   # 方差
print(f'广告点击次数的期望值:{exp}')
print(f'广告点击次数的方差:{var}')
结果分析
  1. 可视化结果:概率分布的高峰出现在k=3,说明广告被点击3次的概率最高;
  2. 数值结果:期望值E(X)=10×0.3=3E(X)=10×0.3=3E(X)=10×0.3=3,与可视化结果一致,验证了理论公式的合理性;
  3. 规律:k越接近期望值3,概率越高;k离3越远(如0、10),概率越低。

案例2:产品质量检测(低成功概率分布)

场景:某工厂生产的零件,次品率为5%(定义「抽到次品=成功」,p=0.05p=0.05p=0.05),从50个零件中随机抽样(n=50n=50n=50),分析「次品数量」的概率分布,适配高质量生产工艺的性能分析。

完整代码
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binom

# 1. 设置参数
n = 50  # 抽样零件数
p = 0.05  # 单次抽到次品的概率

# 2. 生成PMF数据
x = np.arange(0, n+1)
pmf = binom.pmf(x, n, p)

# 3. 绘制PMF图(聚焦有效范围,避免坐标轴过长)
plt.figure(figsize=(12, 8))
plt.bar(x, pmf, color='salmon', edgecolor='black', label='PMF')
plt.title('Binomial Distribution PMF (n=50, p=0.05)', fontsize=16)
plt.xlabel('Number of Defective Parts (k) - 次品数量', fontsize=14)
plt.ylabel('Probability - 概率', fontsize=14)
plt.xlim(0, 15)  # 聚焦0-15的次品数量,其余范围概率接近0
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.legend(fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

# 计算期望和方差
print(f'次品数量的期望值:{binom.mean(n, p)}')
print(f'次品数量的方差:{binom.var(n, p)}')
结果分析
  1. 分布特征:大部分概率集中在k=0k=0k=0和k=1k=1k=1附近,说明抽到0个或1个次品的概率最高,符合“高质量生产工艺,次品数量少”的实际情况;
  2. 期望值:E(X)=50×0.05=2.5E(X)=50×0.05=2.5E(X)=50×0.05=2.5,表示50个零件中,平均次品数量为2.5个;
  3. 规律:低成功概率(p≪0.5p \ll 0.5p≪0.5)的二项分布,结果会高度集中在0附近,尾部(大k值)概率极低。

四、二项分布的进阶探索(模拟数据+CDF可视化)

研究生在实际研究中,不仅需要理论分布,还需要模拟随机数据集验证模型,以及通过**累积分布函数(CDF)**分析累积概率(如“次品数量不超过2个”的概率),以下基于案例2的质量检测场景,实现这两个进阶操作。

1. 二项分布随机数据模拟与验证

通过binom.rvs生成符合二项分布的随机样本,验证模拟数据与理论PMF的一致性,确保模型的合理性。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binom

np.random.seed(42)  # 设置随机种子,保证结果可复现
n = 50
p = 0.05

# 生成1000组模拟数据:每组50个零件,记录次品数量
samples = binom.rvs(n=n, p=p, size=1000)

# 绘制模拟数据的直方图
plt.figure(figsize=(12, 6))
plt.hist(samples, bins=np.arange(-0.5, 15.5, 1), color='purple', 
         edgecolor='black', alpha=0.7)
plt.title('Histogram of Simulated Binomial Data (n=50, p=0.05)', fontsize=16)
plt.xlabel('Number of Defective Parts (k) - 次品数量', fontsize=14)
plt.ylabel('Frequency - 出现频次', fontsize=14)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()

结果分析:模拟数据的直方图分布与案例2的理论PMF高度一致,说明随机模拟能真实反映二项分布的特征,可用于后续的统计分析。

2. 累积分布函数(CDF)可视化

累积分布函数F(k)=P(X≤k)F(k)=P(X \leq k)F(k)=P(X≤k),表示「成功次数不超过k次」的累积概率,是分析“罕见事件”“阈值概率”的重要工具(如“次品数量≥10个”的概率=1-P(X≤9)P(X \leq9)P(X≤9))。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import binom

n = 50
p = 0.05
x = np.arange(0, n+1)

# 生成CDF数据
cdf = binom.cdf(x, n, p)

# 绘制CDF阶梯图
plt.figure(figsize=(10, 6))
plt.step(x, cdf, where='mid', color='green', label='CDF')  # 阶梯图适配离散分布
plt.fill_between(x, cdf, step='mid', alpha=0.3, color='green')  # 填充面积,增加可读性
plt.title('Binomial Distribution CDF (n=50, p=0.05)', fontsize=16)
plt.xlabel('Number of Defective Parts (k) - 次品数量', fontsize=14)
plt.ylabel('Cumulative Probability - 累积概率', fontsize=14)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.legend(fontsize=12)
plt.grid(axis='both', linestyle='--', alpha=0.7)
plt.show()

# 示例:计算次品数量不超过2个的概率
p_le2 = binom.cdf(2, n, p)
print(f'次品数量不超过2个的累积概率:{round(p_le2, 4)}')

结果分析:

  1. CDF是单调递增的阶梯函数,从0上升到1,k越大,累积概率越接近1;
  2. 数值计算:P(X≤2)≈0.5405P(X \leq2)≈0.5405P(X≤2)≈0.5405,表示50个零件中,次品数量不超过2个的概率约为54.05%;
  3. 罕见事件分析:如P(X≥10)=1−P(X≤9)≈1−0.9999=0.0001P(X≥10)=1-P(X≤9)≈1-0.9999=0.0001P(X≥10)=1−P(X≤9)≈1−0.9999=0.0001,说明抽到10个及以上次品的概率极低,符合实际。

五、二项分布的核心问题解答(适配研究与应用)

通过以上理论和案例分析,可解答二项分布应用中的3个核心问题,也是本科生考试、研究生研究的常见考点:

  1. 成功事件的期望值与分布规律是什么?
    期望值由E(X)=npE(X)=npE(X)=np直接计算,是分布的中心;PMF图可直观看到成功次数的概率分布,k越接近期望值,概率越高,反之越低。
  2. 罕见事件的概率如何快速计算?
    利用CDF的互补性:P(X≥k)=1−P(X≤k−1)P(X≥k)=1-P(X≤k-1)P(X≥k)=1−P(X≤k−1),无需逐个计算k及以上的PMF值,大幅简化计算。
  3. 如何验证二项分布模型对实际数据的拟合性?
    通过binom.rvs生成模拟数据,绘制直方图与理论PMF对比,若分布趋势高度一致,说明模型能有效拟合实际数据。

六、总结

  1. 二项分布是n次独立伯努利试验的成功次数分布,由参数nnn(试验次数)和ppp(单次成功概率)唯一确定,记为X∼B(n,p)X \sim B(n,p)X∼B(n,p);
  2. 核心公式:概率质量函数P(X=k)=(nk)pk(1−p)n−kP(X=k)=\binom{n}{k}p^k(1-p)^{n-k}P(X=k)=(kn​)pk(1−p)n−k,期望值E(X)=npE(X)=npE(X)=np,方差Var(X)=np(1−p)Var(X)=np(1-p)Var(X)=np(1−p);
  3. 分布特征:p=0.5p=0.5p=0.5时分布对称,p<0.5p<0.5p<0.5时右偏(集中在0附近),p>0.5p>0.5p>0.5时左偏(集中在n附近);
  4. 实际应用:通过Python的scipy.stats.binom可快速实现理论分布计算、随机数据模拟、PMF/CDF可视化,是数据分析和科研的高效工具;
  5. 学习铺垫:二项分布是多项分布的特例(当试验结果数k=2时,多项分布退化为二项分布),掌握二项分布是学习后续复杂离散分布的基础。

二项分布的核心是“二选一的独立重复试验”,只要实际问题符合这一特征,都可以用二项分布建模分析。本科生需重点掌握定义、公式和基础可视化,研究生则需拓展到数据模拟、模型验证、累积概率分析,将理论应用到实际研究中。

概率分布之二项分布、泊松分布 概率分布之二项分布、泊松分布、正态分布 1.概率分布 概率分布是指事件的不同结果对应的发生概率所构成的分布,可以利用二维坐标进行形象地解释。如下图所示,两幅图的横轴代表的都是事件所有的可能结果,纵轴则是不同结果所对应的发生概率或概率密度。 2.离散型概率分布——二项分布 在现实生活中,许多事件或结果只有两个,或者结果只有一个是我们想要,其他不是我们想要的。例如,买了福利彩票,有中奖和不中奖两种结... 阅读详情

相关推荐

UA MATH564 概率分布1 二项分布上

UA MATH564 概率分布1 二项分布上Bernoulli分布二项分布二项分布的定义二项分布的性质 Bernoulli分布 Bernoulli分布用来描述Bernoulli试验的结果,Bernoulli试验指的是只有两种可能的结果的随机试验,比如明天是否下雨、新生儿是男孩还是女孩。用XXX表示Bernoulli试验的结果,X=1X=1X=1表示试验成功,X=0X=0X=0表示试验失败,记X∼Ber(p)X\sim Ber(p)X∼Ber(p),则 P(X=1)=p,  P(X=0)=

一个不愿透露姓名的博客 891

【概率与统计】二项分布

A出现称为成功,不出现称为失败,这类试验就称为成-败型实验。指定性资料中的二项分类实验。

mjiansun的专栏 1万+

二项分布(一种离散分布)

二项分布 二项分布是伯努利分布的扩展,即重复n次试验,每次试验都符合伯努利分布 截图来源:Binomial distribution 三个二项分布例子对应的概率质量函数和累积分布函数 截图来源:Binomial distribution 考察二项分布方法有两种: 第一种:有 nnn 枚独立的硬币,并且每一枚硬币出现成功的概率都是 ppp. 同时抛掷它们,并记录正面出现的次数 第二种:有一枚独立的硬币抛掷 nnn 次,记录正面出现的次数 因为每次抛掷硬币都是独立的行为,所以抛掷 nnn 枚独立的硬币与

一个搬运知识的笨小孩 1万+

二项分布(Binomial Distribution)

二项分布(Binomial Distribution)

huangjx36的博客 11万+

常见概率分布-3-二项分布(Binomial distribution)

二项分布是一种离散概率分布,用于描述在固定次数的独立同分布的伯努利试验中成功的次数。

悦学共鸣,温柔以待,汇聚光芒,共同成长 3004

MATLAB概率分布深入解析及应用

在统计学和数据分析领域,正态分布和二项分布是两种基础且应用广泛的概率分布。正态分布,又称为高斯分布,是自然界和社会现象中非常常见的连续分布类型,广泛应用于误差分析、生物测量数据等。二项分布则描述了在一系列固定次数的独立实验中成功次数的概率分布,适用于描述“是”或“否”类型的实验结果。了解和掌握如何在MATLAB中处理这两种分布是进行数据分析、模拟、优化等任务的重要技能。通过本章,我们将探究如何利用MATLAB内置的函数来研究和应用这两种重要的概率分布。

weixin_30653091的博客 1130

概率分布:二项分布

二项分布 二项分布(binomial distribution)就是在重复n次独立的伯努利试验(Bernoulli experiment)中,所期望结果出现次数的概率分布。 伯努利试验的特点: 每次试验中只有两种可能的结果,而且两种结果发生与否互相对立,并且相互独立 每次试验中事件发生的概率是相同的 各次试验的事件相互之间独立 重复n次独立的伯努利试验形成二项分布(高尔顿板) 高尔顿板丨图片来源:维基百科 从最上方的节点往下,是几排交错排列的钉子。从入口扔下的小球撞上一个钉子,就像触网的乒

weixin_42428226的博客 1万+

Codex接入CCSwitch:本地代理与模型路由配置指南

在AI编程工具链中,本地代理与模型路由是连接智能体与模型服务的核心桥梁。Codex作为OpenAI推出的编程智能体,虽然具备强大的仓库理解和自主编码能力,但其默认模型链路固定,导致在多模型切换、内网统一管理及成本控制上存在天然瓶颈。CCSwitch正是为解决这一痛点而生的本地代理工具,它通过OpenAI兼容协议将Codex的请求透明转发至DeepSeek、通义千问等第三方模型服务,使模型切换如同点击按钮般简单。本文从本地代理和模型路由器的基础原理切入,系统讲解Codex与CCSwitch的安装配置、模型ID

weixin_33910460的博客 429

统计学基础——常用的概率分布(二项分布、泊松分布、指数分布、正态分布)

变量类型: 连续型变量 如:正态分布 离散型变量 如:二项分布、泊松分布 三者之间的关系 二项分布(Binomial distribution) 二项分布(Binomial distribution)是n重伯努利试验成功次数的离散概率分布,记作。伯努利试验是只有两种可能结果的单次随机试验。 伯努利试验都可以表达为“是或否”的问题。例如,抛一次硬币是正面...

huangguohui_123的博客 6万+

CAPL实战:从零构建HEX文件解析器,赋能UDS刷写

本文详细介绍了如何使用CAPL从零构建HEX文件解析器,以支持UDS刷写操作。通过解析HEX文件格式、设计状态机、优化数据结构与算法,实现高效准确的固件数据处理,并提供了与UDS刷写流程对接的工程化实践建议。

weixin_28726391的博客 445

项目回顾一:《高速多端口共享缓存模块》

本帖子仅为了回顾一下一年前自己动手完成的第一个数字ic设计项目的历程,为复试做一下准备,完成的这个sramc模块花了整整四个月的时间,从0到12个模块的代码产出以及模块的验证,虽然没有拿奖,也没有进入复赛,设计过程中使用的技术手段和算法也不太成熟,但这这是一个值得记录的过程!

weixin_60261760的博客 1258

离散型概率分布之一——二项分布

学习机器学习的过程中,不可避免会遇到很多概率统计知识,大多都是记得自己以前学过,但是具体知识点怎么都想不起来的。所以打算做一个系列的整理,首先从最简单的二项分布开始。由于知识点呈递进关系,就不强行列一个目录出来了。出于从最基础的知识点开始学起的想法,首先要了解的知识点是,什么是分布?具体来说,应该是什么是概率分布?简单来说,就如上面的柱状图,图中每一个小柱子的高度,即为一个对应变量的概率分布,而整...

seasongirl的博客 8594

GEE实战:基于Modis NPP数据的全球植被生产力动态监测与分析

本文详细介绍了如何利用Google Earth Engine(GEE)平台和Modis NPP数据,进行全球植被生产力的动态监测与分析。通过实战代码演示,涵盖数据加载、区域统计、年际趋势计算及空间制图等核心步骤,为生态评估与气候变化研究提供了一套高效的数据分析解决方案。

weixin_29197699的博客 552

二项分布与负二项分布卡片

目录二项分布性质负二项分布性质示例期望与方差 二项分布容易理解,负二项分布的描述不同模型稍有区别,记录一下。 二项分布 离散分布的一种,固定次数的独立试验时使用,每一次试验结果分为成功和失败两类,关心的是成功或失败的次数。 二项分布概率密度为: P(X=k)=Cnkpkqn−k\large\displaystyle P(X=k)=C_n^k p^kq^{n-k}P(X=k)=Cnk​pkqn−k 其中: p为单次试验成功的概率,q为失败的概率; n为试验次数; k表示成功k次, Cnk=n!k!(n−k)

yingfly的专栏 5147

告别懵圈!用CANoe 5640手把手带你跑通SomeIP TC8测试(附脚本思路)

本文详细解析了基于CANoe 5640的SomeIP TC8测试全流程,从环境搭建到结果分析,特别针对车载以太网测试中的SomeIP协议测试难点提供实战指南。通过典型测试用例SOMEIP_TEST_61,手把手教你配置CANoe工程、编写CAPL脚本,并解决常见问题,助力开发者高效完成协议验证。

weixin_30791095的博客 364

SAP 中租赁资产的实现需区分经营租赁与融资租赁,核心围绕资产主数据配置、折旧与利息设置、科目分配及业务操作展开

摘要:SAP系统租赁资产管理需区分经营租赁与融资租赁,通过SPRO配置资产主数据、折旧范围、利息计算及科目分配。关键步骤包括:激活折旧范围利息计算(OABZ)、设置租赁资产类别(OAYZ)、维护总账科目(AO90)及创建租赁资产主数据(AS01)。业务操作涵盖资产资本化(ABZON)、折旧利息过账(AFAB)、租金支付(F-53)及终止处理(ABUMN)。核心配置要点在于准确设置租赁类型、利率参数和科目联动,确保系统自动计算折旧与利息并生成正确凭证。

金牌架构师 1078

离散型概率分布

目录 1.1 随机变量 1.2 离散型概率分布 1.3 数学期望与方差、标准差 1.3.1 数学期望 1.3.2 方差 1.3.3 标准差 1.3.4 线性变换的通用公式 1.3.5 独立观测值 1.4 二项概率分布(binomial probability distribution) 1.5 泊松概率分布(poisson probability distribution) ...

DREAM BIGGER 1万+

COMSOL介电弹性体数值仿真指南:预拉伸圆形DEA的稳态变形分析(II)

本期博客是《COMSOL介电弹性体数值仿真指南》系列博客中的一期。聚焦于介电弹性体驱动器(DEA)中最为经典的预拉伸圆形DEA驱动器构型,对其在COMSOL平台中的具体建模步骤进行介绍与讨论。

忘了面孔的Batou 357

概率分布:Bernoulli分布,二项分布,multinoulli分布和多项分布

Bernoulli分布 在现实生活中,许多事件的结果往往只有两个,例如:抛硬币结果只有正面朝上或反面朝上,这类事件被称为伯努利试验。其概率分布称为Bernoulli分布,也称为两点分布、0-1分布,是最简单的离散型概率分布。 假设某个试验是伯努利试验,x∈{0,1}x\in \{0,1\}x∈{0,1},xxx取0概率为p,取1的概率为1-p。则其概率质量函数为: P(x)=px(1−p)(1−x...

weixin_37990186的博客 4578

Python-增加b站视频播放量

如果条件允许的情况下,有代理API更好,每次请求url调用API也更方便。如果没有的话,也不用担心,网上本身也有着很多免费国内代理,不过代理是否可用需要自己花点时间去检测,检测方法笔者这里就不详述了,后面有时间的话会单独针对这一块做详细说明。在开始之前,需准备代理IP。总之,在每次请求url的时候,随机带入某个IP防止被平台检测,便于达到增加播放量预期。大致思路就是针对你的目标代理平台进行IP抓取,并存入到自己本地的IP代理池。本文是该专栏的第1篇,后面会持续更新对应平台干货知识,记得关注。

Python进阶专栏《爬虫实战进阶》,《Pyppeteer从入门到精通》原创作者 5217

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

二项分布假设检验

PXknkpk1−pn−kPXkkn​pk1−pn−k其中,nnn表示试验次数,ppp表示成功的概率。本篇博客介绍了二项分布的基本定义、性质、假设检验以及Python实现。希望可以对读者在分析二项分布数据差异性时有所帮助。

m0_72410588的博客 9037

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

几种概率分布(伯努利分布、二项分布、泊松分布、均匀分布、正态分布、指数分布、伽马分布)

伯努利分布(Bernoulli Distribution) 又名两点分布或者0-1分布,是一个离散型概率分布,为纪念瑞士科学家雅各布·伯努利而命名。若伯努利试验成功,则伯努利随机变量取值为1。若伯努利试验失败,则伯努利随机变量取值为0。记其成功概率为p(0≤p≤1)p (0\le p \le 1)p(0≤p≤1),失败概率为q=1−pq=1-pq=1−p。 均匀分布(Uniform Distribution) 又分为离散型均匀分布和连续型均匀分布 离散型均匀分布 在统计学及概率理论中,离散型均匀分布是离散型

仅仅用于个人记录,侵删 2万+

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

离散概率分布的介绍及Python运用

离散概率分布,即离散型随机变量的概率分布,与其相对的是连续概率分布。显然,离散往往意味着与自然数密切相关,本文下面介绍几种常见的离散概率分布及其Python运用。 一、离散均匀分布:掷骰子 均匀分布分为离散与连续两种情况,这里介绍离散的情况。离散型均匀分布指有限个数值拥有相同的概率的分布,比如掷骰子。假设实验结果共有n种可能,其分布列为,即每种情况发生的可能性相同。 二、二点分布(伯努利分布):扔一次硬币 二点分布,又称伯努利分布。用 X 代表扔一次硬币的结果,正面则 X 取1,反面则 X 取0,.

Data Time 3619

离散概率分布:正态分布,二项分布,连续分布,正态分布的性质

离散概率分布:正态分布,二项分布,连续分布,正态分布的性质

weixin_48846514的博客 1672

t分布 u分布 卡方分布_伯努利分布、二项分布与负二项分布

相比于正态分布,伯努利分布、二项分布与负二项分布均属于离散型概率分布。用来表征,随机变量取值的概率分布规律。如果随机变量X的发生只有两个值:A和B,且在一次实验中A发生的概率p(0利用数学表达式可这样表述:概念在n次伯努利实验中,事件X发生k次的概率分布。比如投掷10次硬币,出现5次正面向上情况的分布是怎么样的。数学表达时这样表述:之所以称之为二项分布,是因为概率分布函数的系数为二项式系...

weixin_28914869的博客 1626
上一篇: 【概率分布】多项分布详解
下一篇: 【概率分布】几何分布超详细解析
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值