Cómo encontrar la distribución de probabilidad en Python

Una distribución de probabilidad representa los resultados predichos de varios valores para un dato dado. Las distribuciones de probabilidad se presentan en una variedad de formas y tamaños, cada una con su propio conjunto de características, como la media, la mediana, la moda, la asimetría, la desviación estándar, la curtosis, etc. Las distribuciones de probabilidad son de varios tipos. Demostremos cómo encontrarlas en este artículo. .

Distribución normal

La distribución normal es una distribución de probabilidad simétrica centrada en la media, lo que indica que los datos alrededor de la media ocurren con más frecuencia que los datos alejados de ella. la distribución normal también se llama distribución gaussiana. La curva de distribución normal se asemeja a una curva de campana. En el siguiente ejemplo, creamos datos normalmente distribuidos usando la función stats.norm() que genera datos aleatorios continuos. la escala del parámetro se refiere a la desviación estándar y loc se refiere a la media. plt.distplot() se utiliza para visualizar los datos. KDE se refiere a la estimación de la densidad del kernel, otros parámetros son para la personalización de la trama. Se puede ver una curva en forma de campana mientras visualizamos la trama.

# import packages
import scipy.stats as stats
import seaborn as sns
import matplotlib.pyplot as plt
 
 
# generate data
data =stats.norm(scale=1, loc=0).rvs(1000)
 
# plotting a histogram
ax = sns.distplot(data,
                  bins=50,
                  kde=True,
                  color='red',
                  hist_kws={"linewidth": 15,'alpha':1})
ax.set(xlabel='Normal Distribution', ylabel='Frequency')
 
plt.show()

Producción:

Distribución binomial

Bajo un conjunto dado de factores o suposiciones, la distribución binomial expresa la probabilidad de que una variable tome uno de dos resultados o valores independientes. ej: si un experimento es exitoso o un fracaso. si la respuesta a una pregunta es «sí» o «no», etc. np.random.binomial() se utiliza para generar datos binomiales. n se refiere a un número de caminos y prefiere la probabilidad de cada camino. 

# import packages
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
 
# generate data
# n== number of trials,p== probability of each trial
n, p = 10, .6
data = np.random.binomial(n, p, 10000)
 
# plotting a histogram
ax = sns.distplot(data,
                  bins=20,
                  kde=False,
                  color='red',
                  hist_kws={"linewidth": 15, 'alpha': 1})
ax.set(xlabel='Binomial Distribution', ylabel='Frequency')
 
plt.show()

Producción:

Distribución de veneno:

Una distribución de Poisson es un tipo de distribución de probabilidad utilizada en estadística para ilustrar cuántas veces se espera que suceda un evento durante un cierto período de tiempo. También se llama distribución de conteo. La función np.random.poisson() se usa para crear datos para la distribución de poisson. lam se refiere al número de ocurrencias que se espera que ocurran en un período de tiempo determinado. En este ejemplo, podemos tomar la condición como “si un estudiante estudia 5 horas al día, la probabilidad de que estudie 6 horas al día es?.

# import packages
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
 
# generate poisson data
poisson_data = np.random.poisson(lam=5, size=1000)
 
# plotting a histogram
ax = sns.distplot(poisson_data,
                  kde=False,
                  color='blue')
ax.set(xlabel='Poisson Distribution', ylabel='Frequency')
 
plt.show()

Producción: