Переходимо до розподіл Бернуллі!

Для роботи з цим розподілом ми імпортуємо об'єкт bernoulli з scipy.stats, після чого можемо застосувати до цього розподілу численні функції, такі як pmf, sf та cdf, які ми вже вивчили.

Ключові характеристики:

1. Лише 1 пробна версія.
2. Тільки 2 результати.

Приклад:

Підкидаємо одну монету, оскільки вона має лише два результати - орел або решка.

Ось приклад несправедливого підкидання монети, яке призводить до успіху з ймовірністю
p = 0.7.

Пояснення:

Ймовірність першого результату завжди дорівнює p; отже, ймовірність другого результату завжди дорівнює 1-p. Якщо ймовірність отримання орла дорівнює 70%, то ймовірність отримання решки не може дорівнювати жодному числу, окрім 30%.

Середнє та стандартне відхилення:

Дуже важливо розуміти необхідність знання середнього та стандартного відхилення. За допомогою середнього ми можемо описати розподіл в цілому, а за допомогою стандартного відхилення ми можемо виміряти розкид розподілу (або наскільки далеко випадкова величина знаходиться від середнього). Я додаю числа з нашого прикладу, щоб зробити все зрозумілим.

Формули:

Середнє та стандартне відхилення також можна обчислити за допомогою Python, використовуючи такий синтаксис bernoulli.mean(p), bernoulli.std(p), де p - ймовірність успіху.

Mean and standard deviation can also be calculated with Python, using this syntax bernoulli.mean(p), bernoulli.std(p), where p is the probability of success.

Do you remember .pmf() function? In general, this function helps us to find the probability that the event will happen (if we know the probability of success). Try to use it to define the probability of an event with Python; the syntax is bernoulli.pmf(k, p), where k is the event (0 or 1 in our case), and p is the probability of success.