-
二项分布（binomial distribution）公式：
n为实验总次数,k是成功的次数,p是成功概率
P(X=k)=C_n^kp^k(1-p)^{n-k} -
numpy给出的api是:
numpy.random.RandomState.binomial(n, p, size=None)表示对一个二项分布进行采样（size表示采样的次数，draw samples from a binomial distribution.），参数中的n,p分别对应于公式中的n,p，函数的返回值表示n中成功（success）的次数。
-
例子
可能说起来比较抽象，我们以一个具体的实例进行阐释：
说野外正在进行9（n=9）口石油勘探井的发掘工作，每一口井能够开发出油 的概率是0.1（p=0.1）。请问，最终所有的勘探井都勘探失败的概率？如果手动计算的话，自然简单运用中学概率知识便可秒答
P(X=0)=C_9^0p^0(1-p)^{n-0}\approx0.3874因为np.random.binomial()进行的是采样工作，为了逼近这一概率，我们需要进行的是采用统计的方法进行对概率值的逼近:
>>> n, p = 9, .1 # 采样2000次，返回值表示2000次采样中n(即9)中成功的次数 # 这里对成功次数为0的实验进行个数统计加和 >>> sum(np.random.binomial(n, p, size=20000)==0)/20000. 0.3833np.random.binomial函数返回的其实是一个ndarray，ndarray每个元素代表相应的一次采样实验（一次实验进行n次）中成功的次数，明白了这一点，就很好理解了：
n, p = 9, .1 print(np.random.binomial(n, p, size=20)) [1 2 1 1 0 4 3 1 0 0 0 0 1 2 2 1 0 1 0 0] -
模拟投硬币
# 两枚都是正面 >>> n, p = 2, .5 >>> sum(np.random.binomial(n, p, size=20000)==2)/20000. 0.24605 # 和我们的精确概率值相接近 # 其中一个为反面 >>> sum(np.random.binomial(n, p, size=20000)==1)/20000. 0.5075 # 两个都是反面 >>> n, p = 2, .5 >>> sum(np.random.binomial(n, p, size=20000)==0)/20000. 0.257
二项分布（np.random.binomial）
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- 结合Scikit-learn介绍几种常用的特征选择方法 作者：Edwin Jarvis 特征选择(排序)对于数据科...
- 特征选择 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们...
