numpy.random.binomial

numpy.random.binomial(n, p, size=None)

从二项式分布中提取样本。

样本从二项分布中提取，其中n个整数大于等于0，p在区间内，n个试验和p成功概率为指定参数。 [0,1] . （n可以作为浮点输入，但被截断为使用中的整数）

参数:

n : int或类似于int的数组

分布的参数，>=0。也接受浮动，但它们将被截断为整数。

p : 浮点数或类似浮点数的数组

分布的参数，>=0且<=1。

size : int或int的元组，可选

输出形状。如果给定的形状是，例如， (m, n, k) 然后 m * n * k 取样。如果尺寸是 None （默认），如果 n 和 p 都是标量。否则， np.broadcast(n, p).size 取样。

返回:

out : ndarray或scalar

从参数化二项分布中提取样本，其中每个样本等于n次试验的成功次数。

参见

scipy.stats.binom

概率密度函数、分布或累积密度函数等。

笔记

二项分布的概率密度是

p（n）=binom n n p^n（1-p）^ n-n，

在哪里？ n 是试验次数， p 是成功的概率，以及 N 是成功的次数。

当用随机样本估计一个群体中某一比例的标准误差时，正态分布很好地工作，除非产品p n <=5, where p = population proportion estimate, and n = number of samples, in which case the binomial distribution is used instead. For example, a sample of 15 people shows 4 who are left handed, and 11 who are right handed. Then p = 4/15 = 27%. 0.27 15=4，所以在这种情况下应该使用二项分布。

工具书类

[1]	Dalgaard，Peter，“R导论统计”，Springer Verlag，2002年。

[2]	Glantz，Stanton A.，《生物统计学入门》，McGraw-Hill，第五版，2002年。

[3]	Lenner，Marvin，“基础应用统计学”，Bogden和Quigley，1972年。

[4]	二项分布〉，摘自《数学世界——一个Wolfram网络资源》。http://mathworld.wolfram.com/binomialddistribution.html

[5]	维基百科，“二项分布”，https://en.wikipedia.org/wiki/binomial_distribution

实例

从分发中抽取样本：

>>> n, p = 10, .5  # number of trials, probability of each trial
>>> s = np.random.binomial(n, p, 1000)
# result of flipping a coin 10 times, tested 1000 times.

一个现实世界的例子。一家公司钻了9口野生猫科石油勘探井，每口井的成功概率估计为0.1。所有九口井都失败了。发生这种情况的可能性有多大？

让我们对模型进行20000次试验，并计算产生零正结果的数字。

>>> sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.
# answer = 0.38885, or 38%.