统计学正态分布概率计算,python数据概率分布拟合

　　该功能具有

　　1.阶乘

　　2.计算组合数C(n，x)

　　3.二项式概率分布

　　4.泊松分布

　　以下是历史函数。

　　-以上是旧的-。

　　-以下是新的-

　　继续，概率，这次是二项分布和泊松分布。这两个挺有意思的，可以作为预测函数。因为函数很少，这次就不举例了，我就一个一个的解释一下函数。

　　1.阶乘n！

　　即每次乘-1，直到*1，如5！=5 * 4 * 3 * 2 * 1=120.这个很正常，但是写函数的时候，这个算法的效率会低一些，所以直接反过来，1*2*3.这种，那么功能就是

　　deffact_fun(n):如果n==0:return 1n=1 fact _ list=[I for I in range(1，n)]

　　fact_num=multiply _ fun(fact _ list)返回fact _ num

　　2.计算组合数C(n，x)

　　C(n，x)=n！/(x！* (n - x)！)

　　它表示从N个样本中提取X个样本单位时，可能的结果组合的数量。例如，如果从5个项目中提取3个项目，则这三个项目的组合数为10。

　　defc_n_x(案例计数，实际计数):

　　fact_n=fact_fun(案例计数)

　　fact_x=fact_fun(实数_计数)

　　fact_n_x=fact_fun(案例数-实际数)

　　c_n_x_num=事实_n /(事实_ x *事实_n_x)返回c_n_x_num

　　3.二项式概率分布

　　执行n次伯努利测试。伯努利检验是执行一个只有两种可能性且两种可能性互斥的事件。比如抛硬币实验进行n次，成功概率k次。

　　P(=K)=C(n，k) * p^k * (1-p)^(n-k)

　　n=5 k=3 P(=K)=p(K=3) p(K=4) p(K=5)

　　p表示一个事件的成功概率，失败是1-p。

　　defbinomial_fun(case_count，real_count，p):

　　c_n_k_num=c_n_x(事例计数，实数计数)

　　pi=(p **实数_计数)* ((1 - p) **(事例_计数-实数_计数))

　　二项式数量=c _ n _ k _数量*pireturn二项式数量

　　4.泊松分布

　　给定一个机会域，机会域可以是一个范围或一段时间。比如有一家店，平均每小时10个顾客，每小时13个顾客的概率是泊松分布，13个顾客是统计事件。

　　P(X)=(e^-*^X)/X！=(2.7182818^-10*10^13)/13!=0.0729

　　这里的是指平均值，可以用算术平均值得到。e是自然常数~=2.7182818，带函数

　　def poisson_fun(chance_x，case_list=[0]，mean_num=0):

　　机会x事实=事实乐趣(机会x)

　　e=2.7182818

　　如果len_fun(case_list)==1且case_list[0]==0:

　　poisson _ num=((e * *(0-mean _ num))* mean _ num * * chance _ x)/chance _ x _ factelse:

　　mean_num=sum_mean_fun(案例列表)

　　泊松数量=((e **(0-均值数量))*均值数量* *机会数量)/机会数量x _事实返回泊松数量

　　这个功能需要解释一下。实际需要的是两个参数，一个是平均值，另一个是预期统计量。之所以指定三个函数，是因为输入的可能不是数字，也不是列表，所以会有两种计算方法。这一点在if中有所体现，有两种参考方法，如

　　If _ _ name _ _= _ _ main _ _: #第一个

　　poisson _ rate=poisson _ fun(mean _ num=10，chance _ x=13)打印poisson _ rate #第二种

　　案例列表=[8，9，10，11，12]

　　poisson _ rate=poisson _ fun(case _ list=case _ list，chance_x=13)打印泊松率

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。