Generování diskrétních náhodných proměnných

Monte Carlo simulace v Pythonu

Izzy Weber

Curriculum Manager, DataCamp

Potřebné importy

import scipy.stats as st

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Diskrétní rovnoměrné rozdělení

Teoretická funkce pravděpodobnostní hmotnosti (PMF):

Vzorkování z diskrétního rovnoměrného rozdělení

low = 3 
high = 21
samples = st.randint.rvs(low, high, size=1000)
samples_dict = {"nums":samples}
sns.histplot(x="nums", data=samples_dict, bins=6, binwidth=0.3)

graf výsledků vzorkování z diskrétního rovnoměrného rozdělení

Geometrické rozdělení

Rozdělení pravděpodobnosti počtu pokusů, $X$, potřebných k dosažení jednoho úspěchu, při pravděpodobnosti úspěchu $p$.

Funkce pravděpodobnostní hmotnosti, p = 0.5 Teoretická funkce pravděpodobnostní hmotnosti pro geometrické rozdělení, kde p = 0,5

Geometrické rozdělení

Funkce pravděpodobnostní hmotnosti, p = 0.3 Teoretická funkce pravděpodobnostní hmotnosti pro geometrické rozdělení, kde p = 0,3

Vzorkování z geometrického rozdělení

p = 0.2
samples = st.geom.rvs(p, size=1000)
samples_dict = {"nums":samples}
sns.histplot(x="nums", data=samples_dict)

graf výsledků vzorkování z geometrického rozdělení

Další diskrétní pravděpodobnostní rozdělení

Poissonovo (scipy.stats.poisson)
- Vyjadřuje pravděpodobnost daného počtu událostí v pevném časovém nebo prostorovém intervalu
Binomické (scipy.stats.binom)
- Vyjadřuje pravděpodobnost počtu úspěchů v posloupnosti $n$ nezávislých pokusů.
A další!

¹ https://docs.scipy.org/doc/scipy/reference/stats.html#discrete-distributions

Pojďme procvičovat!

Monte Carlo simulace v Pythonu