多项分布是二项分布的推广，它描述了在 n 次独立试验中，k 种不同事件分别出现次数的离散概率分布。与二项分布只能有两种结果（例如成功/失败）不同，多项分布可以有 k 种（k ≥ 2）及以上的不同结果。
多项分布用三个参数来定义：
n：试验次数，表示重复相同实验的次数。
pvals：一个长度为 k 的列表，其中每个元素表示对应结果出现的概率。pvals 的元素之和必须为 1。
size：输出数组的形状。
多项分布的概率质量函数 (PMF) 给出了在 n 次试验中，k 种结果分别出现 k1、k2、...、kk 次的概率，计算公式为：
P(k1, k2, ..., kk) = n! / (k1! * k2! * ... * kk!) * (p1 ^ k1) * (p2 ^ k2) * ... * (pk ^ kk)
其中：
P(k1, k2, ..., kk)：表示 k 种结果分别出现 k1、k2、...、kk 次的概率。
n!：n 的阶乘，即 n × (n - 1) × (n - 2) × ... × 2 × 1。
k1!、k2!、...、kk!：k1、k2、...、kk 的阶乘，分别表示对应结果出现的次数的阶乘。
p1、p2、...、pk：对应结果出现的概率，分别为 pvals 列表中的元素。
NumPy 提供了 random.multinomial() 函数来生成服从多项分布的随机数。该函数接受以下参数：
n：试验次数。
pvals：结果的概率列表。
size：输出数组的形状。
示例：生成掷骰子 10 次的结果，其中每个结果出现的概率相等：
import numpy as np
data = np.random.multinomial(n=10, pvals=[1/6] 6, size=1000)
print(data)
由于多项分布可以表示多种结果的出现次数，因此其可视化方式通常取决于结果的个数和想要展示的信息。
条形图：如果结果个数较少，可以使用条形图来直观地显示每个结果出现的次数。
堆积条形图：如果结果个数较多，可以使用堆积条形图来显示不同试验次数下每个结果出现的次数分布。
折线图：如果需要比较不同试验次数下每个结果出现的概率分布，可以使用折线图来绘制每个结果出现的概率随试验次数的变化情况。
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
# 1. 模拟掷骰子结果并绘制分布图
data = np.random.multinomial(n=10, pvals=[1/6] 6, size=1000)
result_counts = data.sum(axis=0) # 计算每个结果出现的总次数
sns.barplot(x=np.arange(len(result_counts)), y=result_counts)
plt.xlabel("Result")
plt.ylabel("Count")
plt.title("Distribution of Dice Rolls (1000 trials)")
plt.show()
# 2. 比较不同试验次数下分布变化
n_values = [10, 50, 100, 500]
for n in n_values:
data = np.random.multinomial(n=n, pvals=[1/6] 6, size=1000)
result_counts = data.sum(axis=0)
sns.barplot(x=np.arange(len))
为了方便其他设备和平台的小伙伴观看往期文章：
微信公众号搜索：Let us Coding，关注后即可获取最新文章推送
看完如果觉得有帮助，欢迎点赞、收藏、关注
随着硬件算力的发展，以及AI技术的日益增进，我们不仅可以借助深度学习框架来加速分子动力学模拟，以及降低分子模拟开发的门槛。还可以实现高通量模拟，使得用最小的开销并行的运行多个分子模拟成为可能。