统计学习第5周

统计学习第5周

一、概率第四周复习

1、离散变量、随机变量

2、期望、方差

3、离散概率分布 二项分布、伯努利分布、泊松分布

4、连续概率分布 均匀分布、正态分布、指数分布

二、Python实现

1.在安装python及进行科学计算，建议安装anaconda 3.5.0 ,版本，可以百度搜索清华大学镜像进行下载，安装，该版本对应python3.6;

对于python的IDEA ，可以安装pycharm ,或者使用Jupyter .

2.伯努利分布

伯努利分布又称为0-1分布，其特点是：

（1）每次试验中事件只有两种结果：发生或者不发生；

（2）每次试验中事件发生的概率都相同；

（3）n次试验间相互独立。
$$期望E(X)=P,方差Var(X)=E(X^2)-(E(X){)}^2=PQ$$

#coding=utf-8
#在python的科学计算包scipy的stats 模块计算出常见概率分布的概率值，同时利用matplotlib进行绘图
#anacoda3.5.0版本 已安装python3.6  其中含有通用的科学计算模块

import numpy  as  np
import matplotlib.pyplot  as plt
from  scipy  import  stats

'''
1.伯努利分布，是0.3，否0.7 ，置两次，分别记录为0,1 ，对应概率为 0.7  0.3
并绘图
'''
#模拟抛了两次硬币，第一次记录为0，第二次记录为1
x1 = np.arange(0,2,1)
#print(x1)    #  [0 1]

p1 = 0.3  #概率0.3
#概率质量函数，第一次概率，第二次概率
pList1 = stats.bernoulli.pmf(x1,p1)
#print(pList1)  #[0.7 0.3]

#绘图  marker 点的形状，linestyle None为不连接折线
plt.plot(x1,pList1,marker='o',linestyle='None')
#
plt.show()

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

#绘图  marker 点的形状，linestyle None为不连接折线
plt.plot(x1,pList1,marker='o',linestyle='None')
#绘制竖直线 vlines (x，y坐标最小值，y坐标最大值)
plt.vlines(x1,0,pList1)
plt.xlabel('随机变量')
plt.ylabel('概率')
plt.title('伯努利分布：p=%.2f' % p1)
plt.show()

3.离散概率分布：二项分布

二项分布为n次伯努利分布
$$P(X=r)=C_n^r{p}^r{q}^{n-r}$$

$$期望：E(X)=np,方差Var（x)=npq$$

这里在2中我想多置几次，可是伯努利的代码却只能出现2个值，，这里二项分布的程序来。

#省略导入包代码和语言处理
'''
2.抛硬币，连续抛5次，求正面朝上次数的概率
'''

n2 = 5 #某件事情进行的次数
p2 = 0.5 #某次事件发生成功的概率
x2 = np.arange(0,n2+1 ,1) #事情成功的次数 从0开始  到n2-1 ,步长为1
#print(x2)  #[0 1 2 3 4 5]  注意这里是出现0 次，1次，2次

#概率质量函数
pList2 = stats.binom.pmf(x2,n2,p2)
#print(pList2)  #[0.03125 0.15625 0.3125  0.3125  0.15625 0.03125]

#绘图
plt.plot(x2,pList2,marker='o',linestyle='None')
plt.vlines(x2,0,pList2)
plt.xlabel('随机变量：抛硬币正面朝上的次数')
plt.ylabel('概率')
plt.title('二项分布：n=%i,p=%.2f' % (n2,p2))
plt.show()

4.离散概率分布：几何分布Geometric Distribution

第四周没有归纳该知识点，几何分布就是在n次伯努利实验中，实验k次才得到第一次成功的概率。
$$概率P(X=r)=p{q}^{r-1},r为实验的次数$$

$$期望E(X)=\frac{1}{p},方差Var(x)=\frac{q}{p^2}$$

'''
3.几何分布，例子很恰当啊，向女孩子表白，直到成功为止，有可能表白1次、2次、3次，
求表白成功的概率
'''
#用抛硬币来模拟表白，抛5次，
n3 = 5  #次数
p3 = 0.5  #一次做成功的概率
x3 = np.arange(0,n3+1 ,1) #做成某件事的次数

pList3 = stats.geom.pmf(x3,p3)
plt.plot(x3,pList3,marker='o',linestyle='None')
plt.vlines(x3,0,pList3)
plt.show()

0次肯定不会成功，1次成功的概率为0.5，第2次才成功的概率为0.5*0.5 = 0.25，第3次才成功的概率为…

5.离散概率分布：泊松分布 poisson distribution

泊松分布描述的是已知一段时间内事件发生的平均数，求某个时间发生的概率。

特点：1 单独事件在给定区间内随机、独立发生，2.该区间内的事件平均发生次数，为有限数值
$$P(X=r)=\frac{e^{-\lambda }{\lambda }^r}{r!}$$

$$期望E(X)=\lambda ,方差Var(x)=\lambda ,r表示给定区间内发生事件的次数，\lambda 为每个区间内平均发生次数。$$

'''
4.案例已知某路口发生事故的比例是每天2次，那么在此处一天内发生k次的概括是
'''
mu4 = 2 #每天平均发生2次事故
k4 =4 # 想知道每天发生4次的概率是
#发生次数次数，0 ，1，2,3,4
x4 = np.arange(0,k4+1,1)

pList4 = stats.poisson.pmf(x4,mu4)

plt.plot(x4,pList4,marker='o',linestyle='None')
plt.vlines(x4,0,pList4)
plt.xlabel('某路口发生k次事故')
plt.ylabel('概率')
plt.title('泊松分布：平均值mu=%i' % mu4)
plt.show()

6.连续分布：正态分布normal distribution
$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2{\sigma }^2}(x-u{)}^2},-\infty <x<+\infty$$
正态分布又名为高斯分布 gaussion distribution,
$$N(\mu ,{\sigma }^2)$$
期望是0，方差是1的正态分布称为标准正态分布。

求解正态分布概率的步骤：

（1）确定分布和范围，算出均值和标准差

（2）将分布标准化，求出标准分
$$Z=\frac{X-\mu }{\sigma }$$
（3）计算出正态概率

'''
5.正态分布
'''
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

mu5 = 0 #均值
sigma = 1 #标准差
x5 = np.arange(-5,5,0.1)

y = stats.norm.pdf(x5,mu5,sigma)
plt.plot(x5,y)
plt.xlabel('随机变量：x')
plt.ylabel('概率：y')
plt.title('正态分布：$\mu$=%.1f,$\sigma^2$=%.1f' % (mu5,sigma))
plt.grid()#网格线
plt.show()

7.连续分布：指数分布

指数分布和泊松分布联合起来可以共同解决排队的问题。例如：过去1小时有5个人来结账，预计未来1小时有8个人来结账的概率是，可以用泊松分布来解决。当过去20分钟有1个人来结账，问未来10分钟有人来结账的概率是，可以用指数分布来计算。

概率计算公式为：
$$P（X\ge x）=e^{-\lambda x},X\ge x$$

$$P(X<x)=1-e^{-\lambda x}$$

概率密度函数为：
$$f(x)=\{\begin{array}{l}0,x<0\\ \frac{1}{u}{e}^{-\lambda x}=\lambda e^{-\lambda x},x\ge 0\end{array}$$

$$x表示给定的时间长度，u表示随机事件发生一次的平均等待时间，\lambda 为u的倒数,单位时间内随机事件发生的次数。$$

'''
6.指数分布
'''
lam = 0.5
x6 = np.arange(0,15,0.1)
y6 = stats.expon.pdf(x6,lam)
plt.plot(x6,y6)
plt.title('exp')
plt.xlabel('x')
plt.ylabel('density')
plt.show()

$$发生一次平均需等待分钟：\mu =2，那么一分钟发生次数为\lambda =\frac{1}{\mu }=0.5，f(x)=\frac{1}{\mu }{e}^{-\lambda x}=0.5e^{-0.5x}$$

$$P(x\ge 10)=e^{-\lambda x}=e^{-0.5\ast 10}=\frac{1}{e^5}$$

参考：

https://blog.csdn.net/qq_43315928/article/details/103230405

https://blog.csdn.net/weixin_43139613/article/details/89150818 几何分布

https://blog.csdn.net/AI_LX/article/details/88808373

https://blog.csdn.net/ccnt_2012/article/details/89875865