Python 使用For循环重写numpy.random.二项式

目前我有以下代码

def approx_binomial(n, p, size=None):
    gaussian = np.random.normal(n*p, n*p*(1-p), size=size)
    # Add the continuity correction to sample at the midpoint of each integral bin.
    gaussian += 0.5
    if size is not None:
        binomial = gaussian.astype(np.int64)
    else:
        # scalar
        binomial = int(gaussian)
    return binomial

然而，它不是很精确，因为它使用随机函数。是否有其他方法可以使用for循环重写函数

我的另一个问题是如何显示概率质量函数与成功次数的关系图

def approx_binomial(n, p, size=None):
    gaussian = np.random.normal(n*p, n*p*(1-p), size=size)
    # Add the continuity correction to sample at the midpoint of each integral bin.
    gaussian += 0.5
    if size is not None:
        binomial = gaussian.astype(np.int64)
    else:
        # scalar
        binomial = int(gaussian)
    return binomial
plt.plot(n,p)
plt.show()

---

谢谢

可以在上找到解决任务的方法，但这是一个非常小的部分：

从二项分布生成随机样本的一种方法是 使用反演算法。要做到这一点，必须计算 P（X=k）对于从0到n的所有值k的概率。（这些 概率总和应接近1，以便 包围整个样本空间。）然后使用a生成0到1之间均匀的样本， 可以将计算出的样本U[0,1]转换为离散数 通过使用第一步中计算的概率

上面的内容有点冗长。简而言之，您必须执行以下操作才能从二项分布生成一个样本：使用概率质量函数

p=pmf（n，k）

计算每个可能的

k

的二项概率，并根据概率随机选择一个

k

s

计算每个

k=[0..n]

的二项分布的累积密度函数

cdf（n，k）

在0和1之间生成均匀分布的随机数

r

---

求

k

的值，其中

cdf（n，k）使用for循环从二项分布中获取随机样本的明显方法是：

import random

def binomial_random_sample(n, p):
    ret = 0
    for j in range(n):
        if random.random() < p:
            ret += 1
    return ret

随机导入
def二项随机样本（n，p）：
ret=0
对于范围（n）内的j：
如果是random.random（）

或者，如果您喜欢更简洁的方法：

def binomial_random_sample(n, p):
    return sum(random.random() < p for j in range(n))

def二项随机样本（n，p）：
返回和（random.random（）
1。你说函数不太准确是什么意思？该函数似乎应该返回随机样本。这里，随机性与准确性有什么关系？请在你的问题中更具体地说明你的期望和你得到的。2.第二个问题似乎与第一个问题相去甚远。请考虑把它们分开在两个柱子上，以便清晰。@我的意思是，我需要对Nuffy.Realth.二分法进行更精确的记录。我当前的代码中的值与使用上述函数时得到的值有很大不同。numpy的二项式有什么问题？你可以简单地使用它。@kazemakase这是交给我们的任务。这是重要的信息，你知道：）这个地方不是为了解决你的家庭作业，但我会努力为你指出正确的方向。给我一点时间。是的，过了一会儿我就明白了。无论如何谢谢你！