生成负二项分布的随机代码

下面是生成负二项分布的随机代码（使用Python语言）：

import numpy as np

def neg_binom(p, r):
    """
    生成负二项分布的随机数
    :param p: 每次试验成功的概率
    :param r: 需要进行r次成功的试验次数
    :return: 生成的随机数
    """
    return np.random.negative_binomial(r, p)

# 示例
p = 0.3
r = 5
random_num = neg_binom(p, r)
print(random_num)

在上述代码中，我们使用了numpy库中的negative_binomial函数来生成负二项分布的随机数。该函数的第一个参数为需要进行r次成功的试验次数，第二个参数为每次试验成功的概率。函数的返回值即为生成的随机数。

相关问题

用R语言写一个生成负二项稀疏数据的代码

生成负二项稀疏数据可以使用R语言中的`rnbinom()`函数。具体代码如下：

# 定义参数
n <- 1000 # 样本量
p <- 0.1 # 成功概率
size <- 5 # 负二项分布中的参数r，表示需要进行多少次成功才能停止
sparsity <- 0.8 # 稀疏度

# 生成负二项稀疏数据
set.seed(123) # 设置随机数种子
x <- matrix(0, nrow = n, ncol = 1000) # 初始化全零矩阵
for (i in 1:n) {
  x[i, sample(1:1000, round(1000 * sparsity))] <- rnbinom(n = size, p = p, size = 1)
}

解释一下代码：

- `n`：样本量，这里设置为1000；
- `p`：成功概率，这里设置为0.1；
- `size`：负二项分布中的参数r，表示需要进行多少次成功才能停止，这里设置为5；
- `sparsity`：稀疏度，即数据中非零元素的比例，这里设置为0.8；
- `set.seed(123)`：设置随机数种子，保证每次运行代码生成的数据都一样；
- `x`：初始化一个1000行、1000列的全零矩阵；
- `for`循环：对于每个样本，随机选择其中80%的特征，并在这些特征上生成负二项分布的数据。

最终生成的数据`x`是一个1000行、1000列的稀疏矩阵，其中非零元素符合负二项分布。

负二项分布模型atlab

在 MATLAB 中，负二项分布可以使用 nbpdf 函数来计算概率质量函数，使用 nbcdf 函数来计算累积分布函数，使用 nbinrnd 函数来生成随机样本。

例如，假设我们进行一系列独立的伯努利试验，每次试验成功的概率为 p=0.3。现在我们想知道，在进行固定数量的试验 n=10 之前，需要进行多少次试验才能达到 k=3 次成功的概率是多少？

可以使用下面的代码计算概率：

p = 0.3;
n = 10;
k = 3;
prob = nbpdf(k, n, p)

执行以上代码，得到的结果是：

prob = 0.2668279328

这意味着在进行 6 次试验之前获得 3 次成功的概率是 0.2668279328。

如果我们想计算在进行固定数量的试验 n=10 之前，需要进行多少次试验才能达到至少 k=3 次成功的概率，可以使用下面的代码计算累积分布函数：

p = 0.3;
n = 10;
k = 3;
prob = nbcdf(k-1, n, p)

执行以上代码，得到的结果是：

prob = 0.6476490118

这意味着在进行 5 次或更少的试验之前获得 3 次或更多的成功的概率是 0.6476490118。

如果我们想生成 100 个符合负二项分布的随机样本，可以使用下面的代码：

p = 0.3;
n = 10;
k = 3;
sample = nbinrnd(n, p, 1, 100)

执行以上代码，得到的结果是一个 1x100 的矩阵，其中包含了 100 个符合负二项分布的随机样本。