numpy.random.binomial¶

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

从二项分布绘制样本。

样本从具有指定参数，n个试验和p成功概率的二项分布中得到，其中n是> = 0的整数，并且p在区间[0,1]中。（n可以作为float输入，但在使用中被截断为整数）

参数：	n：float（但截断为整数）参数，> = 0。 p：float 参数，> = 0和 size：int或tuple的整数，可选输出形状。如果给定形状是例如`（m， n， k）`，则 `m * n * k`默认值为None，在这种情况下返回单个值。
返回：	samples：ndarray或scalar 其中值是[0，n]中的所有整数。

参数：

n：float（但截断为整数）

参数，> = 0。

p：float

参数，> = 0和

size：int或tuple的整数，可选

输出形状。如果给定形状是例如（m， n， k），则 m * n * k默认值为None，在这种情况下返回单个值。

samples：ndarray或scalar

其中值是[0，n]中的所有整数。

也可以看看

scipy.stats.distributions.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为

其中 $n$ 是试验次数， $p$ 是成功的概率， $N$ 是成功次数。

当通过使用随机样本估计群体中的比例的标准误差时，正态分布工作良好，除非产物p * n例如，15个人的样本显示4个左手，11个右手。然后p = 4/15 = 27％。0.27 * 15 = 4，因此在这种情况下应使用二项分布。

参考文献

[R208]

Dalgaard，Peter，“Introductory Statistics with R”，Springer-Verlag，2002。

[R209]

Glantz，Stanton A.“Primer of Biostatistics。”，McGraw-Hill，第五版，2002。

[R210]

Lentner，Marvin，“Elementary Applied Statistics”，Bogden和Quigley，1972。

[R211]

Weisstein，Eric W.“二项分布”，来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/BinomialDistribution.html

[R212]

维基百科，“二项分布”，http://en.wikipedia.org/wiki/Binomial_distribution

例子

从分布绘制样本：

>>> 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。一家公司钻探9个野生猫油勘探井，每个井的估计成功概率为0.1。所有九口井都失败了。发生这种情况的概率是多少？

让我们做模型的20,000个试验，并计数产生零个阳性结果的数量。

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