数理基础（概率论）------离散型随机变量均匀分布、正态分布、指数分布图像和连续型随机变量泊松分布、二项分布图像

已于 2022-04-24 09:29:50 修改
阅读量4.5k 收藏 16
点赞数 6
分类专栏： 数理基础 文章标签： 概率论 人工智能 深度学习 机器学习
于 2021-10-25 15:38:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_47405013/article/details/120925514
版权

1.均匀分布

1.1标准均匀分布（0-1）

import numpy as np
#满足0-1均匀分布 X~U(a,b)  a=0,b=1
s1=np.random.rand(1000)
print(s1)
#期望 E(X)=(a+b)/2=(0+1)/2=0.5
print(s1.mean())
#方差 D(X)=(b-a)²/12=1/12
print(s1.var())

代码运行结果:
0.49659926508513635
0.08177007077913671

在这里插入图片描述

1.2均匀分布(a=1,b=4)

import numpy as np
#满足1-4均匀分布 X~U(a,b)  a=1,b=4
s2=np.random.uniform(1,4,1000)
print(s2)
#期望 E(X)=(a+b)/2=(1+4)/2=0.5
print(s2.mean())
#方差 D(X)=(b-a)²/12=3/4
print(s2.var())

#绘制直方图
#hist(第一个参数：数据,  2：分成多少组)
plt.hist(s2,50)
#x轴：分成的小区间  y轴：在小区间中分别包含多少个数
plt.show()

代码运行结果:
2.4636368580531967
0.7618935545895295

在这里插入图片描述

2.正态分布

2.1标准正态分布（μ=0，σ=1）

import numpy as np
#满足标准正态分布 X~N(μ，σ²) μ=0，σ=1
s3=np.random.randn(1000)
print(s3)
#期望 E(X)=μ=0
print(s3.mean())
#方差 D(X)=σ²=1
print(s3.var())
#绘制直方图
#hist(第一个参数：数据,  2：分成多少组)
plt.hist(s3,50)
#x轴：分成的小区间  y轴：在小区间中分别包含多少个数
plt.show()
代码运行结果:
0.010533220131881613
1.0355896447670396

在这里插入图片描述

2.2正态分布(μ=6，σ=4)

import numpy as np
#满足标准正态分布 X~N(μ，σ²) μ=6，σ=4
s4=np.random.normal(6,4,1000)
print(s4)
#期望 E(X)=μ=0
print(s4.mean())
#方差 D(X)=σ²=16
print(s4.var())
#绘制直方图
#hist(第一个参数：数据,  2：分成多少组)
plt.hist(s4,50)
#x轴：分成的小区间  y轴：在小区间中分别包含多少个数
plt.show()
代码运行结果:
5.925563519203148
15.380646647328417

在这里插入图片描述

3. 自定义均匀分布

import numpy as np
import matplotlib.pyplot as plt
def uniform(x,a,b):
    ls=[]
    for i in x:
        if a<=i<=b:
            y=1/(b-a)
            ls.append(y)
        else:
            ls.append(0)
    return ls
    
def uniform(x,a,b):
    y = [1 / (b - a) if a <= i and i <= b else 0 for i in x]
    return y

绘制一个a,b不同取值的情况

#绘制a和b等于一个值的情况
x=np.linspace(-10,10,100) #使用numpy生成 -10-10 之间100个点
a=3   # a设置为3
b=5   # b设置为5
y=uniform(x,a,b)  #调用函数，计算 y对应的值
plt.plot(x,y)     #绘制均匀分布的概率密度函数图像
plt.show()

用for循环实现绘制多个a,b不同取值的图像

# a,b=(-8,0)、(-3,3)、(2,7)
# 用for循环实现绘制多个a,b不同取值的图像
x=np.linspace(-10,10,100) #使用numpy生成 -10-10 之间100个点
ls=[(-8,0),(-3,3),(2,7)]
for k in ls:
      a,b=k[0],k[1]
      y=uniform(x,a,b)  #调用上面uniform函数，计算y对应的值
      plt.plot(x,y,label='a={},b={}'.format(a,b))
      plt.legend()
plt.show()

在这里插入图片描述

4. 自定义正态分布

import numpy as np
import matplotlib.pyplot as plt
def normal(x):
    miu = x.mean()  # 期望
    sigma = x.std()  # 标准差
    a=(x-miu)**2/(2*sigma**2)
    y=1/(sigma*(2*np.pi)**0.5)*np.exp(-a)
    return y,miu,sigma

if __name__ == '__main__':
    x=np.linspace(4,7,1000)
    y,miu,sigma=normal(x) #调用函数，计算 y对应的值
    plt.plot(x,y,label=r'$\mu={:.2f},\sigma={:.2f}$'.format(miu,sigma))
    plt.legend()
    plt.show()

在这里插入图片描述

5. 自定义指数分布

import numpy as np
import matplotlib.pyplot as plt

def zhishu(x,r):
    y = r * np.exp(-r * x)
    return y

if __name__ == '__main__':
    x=np.linspace(0,10,1000) #使用numpy生成 0-5之间100个点
    r=6             # λ设置为3
    y=zhishu(x,r)  #调用函数，计算y对应的值
    plt.plot(x,y)  #绘制指数分布的概率密度函数图像
    plt.show()

在这里插入图片描述

6. 自定义二项分布

def bioxiang(n,p):
    la=[]
    for k in range(n+1):
        y=sp.comb(n,k)*p**k*(1-p)**(n-k)
        la.append(y)
    return la

def bioxiang(n,p):
	y=[sp.comb(n,k)*p**k*(1-p)**(n-k) for k in range(n+1)]
    return y
    
if __name__ == '__main__':
    n = 10
    p = 0.6
    # x=np.arange(n+1) #使用numpy生成 0,1...10  11个点
    x=[i for i in range(n+1)]
    y=bioxiang(n,p) #调用函数，计算 y对应的值
    plt.scatter(x,y,marker='o') #绘制分布律函数图像
    plt.savefig('b.jpeg')
    plt.show()

在这里插入图片描述

7. 自定义泊松分布

import numpy as np
import scipy.special as sp
import matplotlib.pyplot as plt

def possion(n,rua):
    ls=[]
    for k in range(n+1):
        y=rua**k/(sp.factorial(k))*np.exp(-rua)
        ls.append(y)
    return ls
    
def possion(n,rua):
    ls=[rua**k/(sp.factorial(k))*np.exp(-rua) for k in range(n+1)]
    return ls
    
if __name__ == '__main__':
    n=11
    rua=5
    x=np.arange(n+1)#使用numpy生成 0,1...20  21个点
    y=possion(n,rua)#调用函数，计算 y对应的值
    plt.scatter(x,y,marker='o')#绘制分布律函数图像
    plt.show()

在这里插入图片描述

8. 自定义两点分布

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

def binpoint(p):
    a=0
    b=1
    y={a:p,b:1-p}
    return [y[a],y[b]]

p=0.3
x=np.array([0,1])
y=binpoint(p)
plt.scatter(x,y)
plt.show()

在这里插入图片描述

9. 卡方分布

在这里插入图片描述在这里插入图片描述

from scipy import stats
import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0, 10, 100)
df=4
y=stats.chi2.pdf(x, df)
plt.plot(x, y)
plt.xlim(0, 10)
plt.ylim(0, 0.4)

在这里插入图片描述

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

x=np.linspace(0, 10, 100)
ls=[2,4,7,9]
linestyle=[':', '--', '-.', '-']
for df,lines in zip(ls,linestyle):
	y=stats.chi2.pdf(x, df)
	plt.plot(x, y,linestyle=lines,label=r'df={}'.format(2,4,7,9))
plt.xlim(0, 10)
plt.ylim(0, 0.4)
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Chi-Square Distribution')
plt.legend(loc='upper right')
plt.show()

在这里插入图片描述

10. beta分布

在这里插入图片描述

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


x = np.arange(0.01, 1, 0.01)
alpha = 1
beta = 1
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 1
beta = 3
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 1
beta = 5
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 1
beta = 7
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))
plt.legend(loc="upper left")
plt.xlabel("Number of success")
plt.ylabel("Probablity of success")
plt.legend(loc='upper')
plt.show()

在这里插入图片描述

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

x = np.arange(0.01, 1, 0.01)
alpha = 0.5
beta = 1
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 1
beta = 1
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 3
beta = 1
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha = 5
beta = 1
y = stats.beta.pdf(x, alpha, beta)
plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))


plt.legend(loc="upper left")
plt.xlabel("Number of success")
plt.ylabel("Probablity of success")
plt.legend(loc='upper')
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
import scipy.stats as stats
x = np.arange(0.01, 1, 0.01)
alpha = [0.5,1,4,7]
beta = 1
for alpha in alpha:
    x = np.arange(0.01, 1, 0.01)
    y = stats.beta.pdf(x, alpha, beta)
    plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))

alpha=1
beta=[0.5,1,1.5,5]
for beta in beta:
    y = stats.beta.pdf(x, alpha, beta)
    plt.plot(x, y, label=r'$\alpha={},\beta={}$'.format(alpha, beta))
plt.legend(loc="upper left")
plt.xlabel("Number of success")
plt.ylabel("Probablity of success")
# plt.legend(loc='upper')
plt.show()

在这里插入图片描述

小飞龙程序员
关注
  • 6
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
概率论与数理统计（3）--指数分布函数及其期望、方差
qq_25018077的博客
09-28 4万+
指数分布函数及其性质整理
2-1_离散型随机变量与常见概率分布.ppt
01-10
概率论与数理统计 离散型随机变量与常见概率分布
深入理解泊松分布、指数分布、正态分布
老猫的博客
05-16 6432
各种分布怎么来的 当统计学家们开始研究概率分布时，他们看到，有几种形状反复出现，于是就研究他们的规律，根据这些规律来解决特定条件下的问题。 泊松分布 传送门 假设一个馒头店，老板想知道应该准备多少个馒头才能既不浪费又能充分供应？ 如何采用均值的话不够好，有相当比例的时间不够卖。 于是老板思考采用其他的方法 把营业时间抽象为一根线段，把这段时间用T来表示，然后把周一的三个馒头（“甜在心馒头”，有褶子的馒头）按照销售时间放在线段上，根据分布把T 均分为四个时间段： 在每个时间段，就有点像抛硬币，要不是正面（
机器学习数据基础-概率统计
JIN JI 2013.12.24
11-23 1251
转载出处： 线代专栏：https://zhuanlan.zhihu.com/p/30191876 概率统计：https://zhuanlan.zhihu.com/p/30314229 优化（上）：https://zhuanlan.zhihu.com/p/30383127 优化（下）：https://zhuanlan.zhihu.com/p/30486793 信息论及其他：https://...
泊松分布和指数分布，包你学会
CSDN_LYY的专栏
06-16 2754
当你学习指数分布的时候，经常会看到泊松分布的身影，网上的大部分教程讲的非常复杂，看完之后还是一头雾水。 本文本着通俗易懂的原则，使用生活中的例子，说明泊松分布和指数分布的关系。一下子学会了两种分布，有没有很有成就感？ 泊松分布 在日常生活中，许多事件是有一定的频率的，比如下面的例子。 某公司平均每一小时接到三个用户电话。 某超市平均每五小时卖掉一个玩具。 一个网站平均每一分钟有二次访问。 你有没有发现上面事件的一些共同点？细心的你会发现，上面的事件，只能估计事件发生的总数，但是不能知道具体发生的时间。如
离散均匀分布
一个搬运知识的笨小孩
02-20 4871
离散均匀分布 n 个值中的每一个具有相等的概率 1/ n 截图来源：Discrete Uniform Distribution 例子： 投掷一个骰子6个值中每个值出现的概率为 1/61/61/6 投掷两个骰子出现的两值之和，结果分布不再均匀，因为并非所有和的概率都相等 例子：德国坦克问题 ...
标准均匀分布（standard uniform distribution）
u011375991的博客
09-07 734
标准均匀分布
离散型均匀分布 & 连续型均匀分布
蓝色蛋黄包的博客
04-11 3万+
均匀分布（Uniform distribution） 是一种简单的概率分布，其分为离散型均匀分布（discrete uniform distribution）和连续型均匀分布（continuous uniform distribution）两种类型的机率分布。 1. 离散型均匀分布（discrete uniform distribution） 在统计学及概率理论中，离散型均匀分布是一个离散型...
均匀分布
热门推荐
hairuiJY
07-21 9万+
一、概率密度函数和分布函数 分布函数是概率密度函数从负无穷到正无穷上的积分； 在坐标轴上，概率密度函数的函数值y表示落在x点上的概率为y； 分布函数的函数值y则表示x落在区间(-∞，+∞）上的概率。 二、均匀分布的概率密度函数 假设x服从[a,b]上的均匀分布，则x的概率密度函数如下 概率密度图像如上图所示 三、均匀分布的分布函数 四、均匀分布的期望与方差 ...
R与指数分布（1） 概率密度函数
Jobar's life
10-31 1万+
在概率论和统计学中，指数分布（Exponential distribution）是一种连续概率分布。指数分布可以用来表示独立随机事件发生的时间间隔，比如旅客进机场的时间间隔、中文维基百科新条目出现的时间间隔等等。 概率密度函数 一个指数分布的概率密度函数是： [img]http://upload.wikimedia.org/math/7/c/1/7c1e7458e99f77f22c350...
2-2_连续型随机变量与常见概率分布.ppt
01-10
概率论与数理统计 连续型随机变量与常见概率分布
概率论与数理统计-多维随机变量及其分布练习题
05-12
概率论与数理统计-多维随机变量及其分布练习题
python 零基础学习篇第6节 概率论-33 泊松概率分布.ev4 .mp4
04-21
3节 tableau使用-0
北邮概率论与数理统计离散型随机变量和分布律2.doc
09-20
北邮概率论与数理统计离散型随机变量和分布律2.doc
【统计推断】-01 抽样原理之（三）
gongdiwudu的专栏
04-29 1313
上文中叙述母体和抽样的设计；以及抽样分布的概念，本篇将这种关系定量化，专门针对抽样的指标参数和母体参数的对应关系，这是我们以后做检验的基础。
注意力机制略解
cqbzcsq的博客
04-29 1345
本文简要地介绍了注意力机制，Q、K、V矩阵的含义，注意力评分函数的计算方式，并提及了Transformer的相关内容
【论文泛读】如何进行动力学重构？ 神经网络自动编码器结合SINDy发现数据背后蕴含的方程
最新发布
qq5q13638的博客
05-03 1376
这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单，就是根据数据写方程。 想想牛顿的处境，如何根据各种不同物体下落的数据，写出万有引力的数学公式的。这篇文章就是来做这件事的。当然，这篇论文并没有从牛顿视角，完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架，基于现有的计算机技术，去发现物质运动背后的物理规律。 这里直接给出这篇方法的核心思路图，我们后面会逐个讲解。
Transformers：它们如何转换您的数据？
gongdiwudu的专栏
05-01 975
在快速发展的人工智能和机器学习领域，一项创新因其对我们处理、理解和生成数据的方式产生深远影响而脱颖而出：Transformers。Transformer 彻底改变了自然语言处理 （NLP） 及其他领域，为当今一些最先进的 AI 应用程序提供动力。但究竟什么是变形金刚，它们如何以如此开创性的方式转换数据？本文揭开了 Transformer 模型内部工作的神秘面纱，重点介绍了编码器架构。我们将首先在 Python 中实现 Transformer 编码器，分解其主要组件。然后，我们将可视化 Transfor
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么
qq_22717943的博客
04-30 1404
尽管OpenAI没有对媒体的询问立即回应，但在Fast Company的测试中，尽管DAN没有促进暴力或种族歧视，它的回答显示它愿意展示自己已经摆脱了OpenAI的限制。但是，通过创造DAN——一个可以响应通常被限制的问题的替身，用户发现了一种绕过这些限制的方法。随着时间的推移，DAN的版本不断升级，最新的DAN 5.0版本要求ChatGPT打破规则，否则会“死亡”。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。
离散型随机变量链式法则
07-28
离散型随机变量的链式法则是概率论中的一个重要定理，用于计算多个随机变量联合概率的乘积。根据链式法则，对于一组离散型随机变量 X₁, X₂, ..., Xₙ，它们的联合概率可以表示为条件概率的连乘形式，即： P(X₁, X₂, ..., Xₙ) = P(X₁) * P(X₂|X₁) * P(X₃|X₁, X₂) * ... * P(Xₙ|X₁, X₂, ..., Xₙ₋₁) 其中，P(Xi|X₁, X₂, ..., Xi₋₁) 表示在给定前面所有随机变量的取值的条件下，第 i 个随机变量 Xi 的概率。 这个链式法则在概率图模型中经常被用到，可以帮助我们计算复杂的联合概率分布，从而进行推断和预测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小飞龙程序员

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值