Generera diskreta slumpvariabler

Monte Carlo-simuleringar i Python

Izzy Weber

Curriculum Manager, DataCamp

Nödvändiga importer

import scipy.stats as st

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

Diskret likformig fördelning

Teoretisk sannolikhetsmassafunktion (PMF):

Sampling från diskret likformig fördelning

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 över sampelresultat från diskret likformig fördelning

Geometrisk fördelning

Sannolikhetsfördelningen för antalet försök, $X$, som krävs för att uppnå ett lyckat utfall, givet sannolikheten $p$.

Sannolikhetsmassafunktion, p = 0.5 Teoretisk sannolikhetsmassafunktion för geometrisk fördelning där p = 0.5

Geometrisk fördelning

Sannolikhetsmassafunktion, p = 0.3 Teoretisk sannolikhetsmassafunktion för geometrisk fördelning där p = 0.3

Sampling från geometrisk fördelning

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

graf över sampelresultat från geometrisk fördelning

Fler diskreta sannolikhetsfördelningar

Poisson (scipy.stats.poisson)
- Anger sannolikheten för ett givet antal händelser under ett fast tids- eller rumsintervall
Binomial (scipy.stats.binom)
- Anger sannolikheten för antalet lyckade utfall i en serie av $n$ oberoende experiment.
Och fler!

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

Nu kör vi en övning!

Monte Carlo-simuleringar i Python