Numpy学习下 Taks 2

随机抽样

本节复习概率论学过的几种概率分布。

离散型分布

分布名称	数学表示	numpy方法	解释
二项分布	P { X = k } = ( n k ) p k ( 1 − p ) n − k P\{X=k\}=\left(\begin{array}{c}n \\ k\end{array}\right) p^{k}(1-p)^{n-k} P{X=k}=(nk​)pk(1−p)n−k	np.random.binomial(n, p, size=None)	n个独立的成功/失败试验中成功的次数的离散概率分布，其中每次试验的成功概率为p
泊松分布	$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda },k=0,1,\cdots$	np.random.poisson(lam=1.0, size=None)	泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。 泊松分布适合于描述单位时间内随机事件发生的次数。
超几何分布	P ( X = k ) = C M k C N − M n − k C N n , k = 0 , 1 , 2 … min ⁡ { n , M } P(X=k)=\frac{C_{M}^{k} C_{N-M}^{n-k}}{C_{N}^{n}}, \mathrm{k}=0,1,2 \ldots \min \{\mathrm{n}, \mathrm{M}\} P(X=k)=CNn​CMk​CN−Mn−k​​,k=0,1,2…min{n,M}	np.random.hypergeometric(ngood, nbad, nsample, size=None)	size表示采样的次数，ngood表示总体中具有成功标志的元素个数，nbad表示总体中不具有成功标志的元素个数，ngood+nbad表示总体样本容量，nsample表示抽取元素的次数（小于或等于总体样本容量），函数的返回值表示抽取nsample个元素中具有成功标识的元素个数。

离散型分布

分布名称	数学表示	numpy方法	解释
均匀分布	$f(x)=\frac{1}{b-a},a<x<b$ $f(x)=0,$ else	np.random.uniform(low=0.0, high=1.0, size=None)	均匀分布也叫矩形分布，它是对称概率分布，在相同长度间隔的分布概率是等可能的。 在两个边界a和b处的$f(x)$的值通常是不重要的，因为它们不改变任何$f(x)dx$的积分值。
正态分布	$f(x)=\frac{\exp \left(-x^2/2\right)}{\sqrt{2\pi }}$	np.random.randn(d0, d1, ..., dn)	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MzQhzT8M-1606317441812)(https://bkimg.cdn.bcebos.com/formula/e6b20bcfc55c968323c5ecd6f3584bfb.svg)]若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
指数分布	$P(x;\lambda )=\lambda e^{-\lambda x}$	np.random.exponential(scale=1.0, size=None)	的积分值。其中λ > 0是分布的一个参数，常被称为率参数（rate parameter）。即每单位时间内发生某事件的次数。指数分布的区间是[0,∞)。 如果一个随机变量X呈指数分布，则可以写作：X~ E（λ）。

其他随机函数

随机方法	numpy方法	解释
随机从序列中获取元素	np.random.choice(a, size=None, replace=True, p=None)	从序列中获取元素，若a为整数，元素取值从np.range(a)中随机获取；若a为数组，取值从a数组元素中随机获取。该函数还可以控制生成数组中的元素是否重复replace，以及选取元素的概率p。
对数据集进行洗牌操作	np.random.shuffle(x)	对x进行重排序，如果x为多维数组，只沿第 0 轴洗牌，改变原来的数组，输出为None。