Ayrık rassal değişkenler üretme

Python ile Monte Carlo Simülasyonları

Izzy Weber

Curriculum Manager, DataCamp

Gerekli importlar

import scipy.stats as st

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

Ayrık uniform dağılım

Kuramsal olasılık kütle fonksiyonu (PMF): Ayrık uniform dağılım için kuramsal olasılık kütle fonksiyonu

Ayrık uniform dağılımdan örnekleme

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)

ayrık uniform dağılımdan örnek sonuçların grafiği

Geometrik dağılım

Başarı olasılığı $p$ verildiğinde, bir başarı elde etmek için gereken deneme sayısının, $X$, olasılık dağılımı.

Olasılık kütle fonksiyonu, p = 0.5 p = 0.5 için geometrik dağılımın kuramsal olasılık kütle fonksiyonu

Geometrik dağılım

Olasılık kütle fonksiyonu, p = 0.3 p = 0.3 için geometrik dağılımın kuramsal olasılık kütle fonksiyonu

Geometrik dağılımdan örnekleme

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

geometrik dağılımdan örnek sonuçların grafiği

Daha fazla ayrık olasılık dağılımı

Poisson (scipy.stats.poisson)
- Belirli bir zaman ya da uzay aralığında gerçekleşen olay sayısının olasılığını ifade eder
Binom (scipy.stats.binom)
- $n$ bağımsız deneydeki başarı sayısının olasılığını ifade eder.
Ve daha fazlası!

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

Hadi pratik yapalım!

Python ile Monte Carlo Simülasyonları