Pythonを利用した統計処理②・2項分布

2項分布

2項分布 は，コインの表と裏のように結果が2通りとなる試行を， $n$回繰り返したときに，表が出る回数の 確率分布 を表しています． 例えば，コインを投げたときに表が出る確率を$p=1/2$とします． このとき裏が出る確率は$(1-p)=1/2$です．

試行回数$n=1$のときの確率分布は次のようになります． 1回の試行では，表が出る回数は$0$または$1$の2通りです．

試行回数$n=2$のときの確率分布は次のようになります． 2回の試行では，表が出る回数は$0$，$1$，$2$の3通りです．

表が出る回数を$x$としたとき，その確率$P(x)$は次の式で求めることができます．

$$ P(x) = {}_nC_x p^x (1-p)^{n-x} $$

例えば，上記の試行回数$n=2$において，表が出る回数$x$の確率は次のように計算します．

$$ P(0) = {}_2C_0 \cdot (1/2)^0 \cdot (1-(1/2))^{2-0} = 1/4 $$

$$ P(1) = {}_2C_1 \cdot (1/2)^1 \cdot (1-(1/2))^{2-1} = 1/2 $$

$$ P(2) = {}_2C_2 \cdot (1/2)^2 \cdot (1-(1/2))^{2-2} = 1/4 $$

データセット

ここでは，次のCSV形式のデータセットを利用します． 下記のURLからファイルをダウンロードしてください． $p=1/2$で表が出るコインを$n=10回$投げることを，300人で実験したときのデータです． ここで，試行の結果を，表は$1$，裏は$0$として表していることに注意してください．

dataset2.csv

実験者ID,1回目,2回目,3回目,4回目,5回目,6回目,7回目,8回目,9回目,10回目
u001,1,0,1,0,0,1,1,1,1,0
u002,1,0,0,1,0,1,0,1,1,1
u003,1,0,0,0,1,0,1,1,1,0
u004,0,0,1,1,1,0,0,0,1,1
u005,1,0,1,0,0,0,0,0,1,0
~ 省略 ~

Excelで2項分布

Excelを利用して2項分布を算出しましょう． ダウンロードしたファイルをExcelで開いてください．

ヒストグラムの作成

最初に表が出る回数$x$のヒストグラムを作成します． $L$列にsum関数で表が出た回数をカウントします． 最初の実験ではコインの表が6回出たことがわかります．

$$ =sum(B2:K2) $$

次に$N$列にヒストグラムのデータ区間を入力します． 試行回数は$n=10$であることから，データ区間（$x$の取り得る値）は$0$から$10$までの11通りです．

データ・タブの分析ツールから ヒストグラム を選択し，次のように設定します． 入力範囲は$L2:L301$，データ区間は$N2:N12$です．

この結果，次のようなヒストグラムが作成されます．

最後にヒストグラムの結果を棒グラフで表しましょう． 横軸は表が出る回数$x$，縦軸は頻度であり，$x=5$が最も高い頻度であることがわかります．

この縦軸の値をサンプル数の300で割り，確率$P(x)$で表すと2項分布となります． $x=5$となる確率は$P(5) \simeq 0.23$であることがわかります．

関数で2項分布

上記の2項分布の確率は，300のサンプルから算出した値です． 公式に従った2項分布の確率は，Excelのbinom.dist関数を利用して算出することが可能です． 表が出る回数$x$，試行回数$n$，表が出る確率$p$の確率は，$binom.dist(x, n, p, FALSE)$で計算します． 例えば，$x=5$，$n=10$，$p=1/2$の確率を計算すると，$P(5) \simeq 0.25$となることがわかります．

$$ =binom.dist(5,10,0.5,FALSE) $$

Pythonで2項分布

Pythonを利用して2項分布を算出しましょう． Jupyter Labを起動して，Python 3 のノートブックを開きます． ノートブックの名前は chapter3.ipynb とします．

データセットの読込

pandasをインポートして，read_csv関数でデータセットを読み込みましょう．

import pandas as pd
df = pd.read_csv("dataset2.csv")
display(df)

ヒストグラムの作成

まずはヒストグラムを作成しましょう． 1回目〜10回目までの，表が出た回数の合計をsum関数で求めます（axis=1は行方向に計算），

x = df[["1回目","2回目","3回目","4回目","5回目","6回目","7回目","8回目","9回目","10回目"]].sum(axis=1)

算出した合計$x=\{6,6,5,5,3,\cdots\}$を，assign関数でデータフレームの右端に追加します．

df = df.assign(x=x)
display(df)

次に，groupby関数でxの値ごとにグループ集計し，ヒストグラムを作成します． xは0から10までの11通りの値をとります． 集計した結果をdf_histに代入します．

df_hist = df[["x", "実験者ID"]].groupby("x").count()
display(df_hist)

ヒストグラムを棒グラフで表現します． グラフ生成に必要なライブラリであるmatplotlibと japanize_matplotlibをインポートとしておきます．

import matplotlib.pyplot as plt
import japanize_matplotlib

棒グラフを生成するには，plot.bar関数を利用します．

df_hist.plot.bar()

縦軸の頻度を300で割ることで，確率分布として表します． Excelのグラフと一致していることを確認しましょう．

(df_hist / 300).plot.bar()

関数で2項分布

最後に関数を利用して公式に従った2項分布を算出します． 2項分布の確率計算には，数値計算ライブラリのscipyを利用します．

from scipy.stats import binom

2項分布の確率の算出はbinom.pmf関数を利用します． 引数は表が出る回数$x=5$，試行回数$n=10$，表が出る確率$p=0.5$を指定します．

binom.pmf(5, 10, 0.5)

この結果，$P(5) \simeq 0.25$となり，Excelの関数を利用して算出した確率と一致します．

0.24609375000000025

$x=5$だけでなく，11通りある全ての$x$について計算してみます． x=[0,1,2,3,4,5,6,7,8,9,10]を指定します． 計算結果はdistに代入します．

dist = binom.pmf([0,1,2,3,4,5,6,7,8,9,10], 10, 0.5)
print(dist)

算出された確率分布は次のようになりました．

[0.00097656 0.00976563 0.04394531 0.1171875  0.20507813 0.24609375
 0.20507813 0.1171875  0.04394531 0.00976563 0.00097656]

これを棒グラフで表すと次の様になります． 上記で求めた300サンプルの確率分布とよく似ていることがわかります．

df_binom = pd.DataFrame({"x":dist})
df_binom.plot.bar()
plt.xlabel("x")

課題

次の2項分布の確率をPythonで求めなさい．

• 均等な確率で目が出るサイコロを，5回投げて，偶数が3回出る確率
• 1/3の確率で表が出るイカサマのコインを，5回投げて，3回表が出る確率

Jupyter Labで作成したノートブックを保存し，ダウンロードして提出してください． ノートブックをダウンロードするには，メニューから Download を選択します． ノートブックのファイル名は chapter3.ipynb としてください．