目录
（1）英文写作中的频率表
随机现象与概率
概率论主要研究能大量重复的随机现象‘
（1）随机试验：可重复的随机现象又称为随机试验
（2）样本点：一切可能发生的基本结果
（3）样本空间：随机现象所有基本结果（样本点）的全体称为这个随机现象的样本空间
（4）随机事件：随机现象的某些基本结果组成的集合称为随机事件
（5）事件间的关系：
- 包含
- 相等
- 互不相容
- 必然与不可能事件
（6）事件的运算： - 对立
- 并
- 交
- 差
（7）概率的公理化定义： - 非负性公理
- 正则性公理
- 可加性公理
（8）事件的独立性
模拟频率近似概率
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
#提供了和 MATLAB 类似的绘图 API
#调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。
plt.style.use("ggplot")
# 画布风格 使用plt.style.available可以找适合图形的风格
import warnings
warnings.filterwarnings("ignore")
#忽略代码中的红色警告
plt.rcParams['font.sans-serif']=['SimHei','Songti SC','STFangsong']
#定义图形默认属性 设置字体
plt.rcParams['axes.unicode_minus']=False
#用来正常显示负号
import seaborn as sns
import random
def Simulate_coin(test_num):
random_seed(100)#定义随机数种子
coin_list=[1 if random.random()>=0.5]else 0 for i range(test_num)]#模拟试验结果
#大于等于0.5的算1 否则算0
coin_frequence = np.cumsum(coin_list)/（np.arrange(len(coin_list))+1）
#计算正面为1的概率
plt.figure(figsize=(10,6))
#绘图，指定画布的大小
plt.plot(np.arrange(len(coin_list))+1,coin_frequence,c='blue',alpha=0.7)
#横坐标测验的次数，纵坐标频度
plt.xlabel("test_index")
plt.ylabel("frequence")
plt.title(str(test_num)+" times")
plt.show()
Simulate_coin(test_num = 600)
Simulate_coin(test_num = 1000)
Simulate_coin(test_num = 6000)
Simulate_coin(test_num = 10000)
条件概率，乘法公式，全概率公式与贝叶斯公式
（1）条件概率
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A \mid B)=\frac{P(A B)}{P(B)}
P(A∣B)=P(B)P(AB)
（2）乘法公式
- 若 P ( B ) > 0 P(B)>0 P(B)>0, 则 P ( A B ) = P ( B ) P ( A ∣ B ) P(A B)=P(B) P(A \mid B) P(AB)=P(B)P(A∣B)
- 若 P ( A 1 A 2 ⋯ A n − 1 ) > 0 P\left(A_{1} A_{2} \cdots A_{n-1}\right)>0 P(A1A2⋯An−1)>0, 则 P ( A 1 A 2 ⋯ A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P ( A 3 ∣ A 1 A 2 ) ⋯ P ( A n ∣ A 1 A 2 ⋯ A n − 1 ) P\left(A_{1} A_{2} \cdots A_{n}\right)=P\left(A_{1}\right) P\left(A_{2} \mid A_{1}\right) P\left(A_{3} \mid A_{1} A_{2}\right) \cdots P\left(A_{n} \mid A_{1} A_{2} \cdots A_{n-1}\right) P(A1A2⋯An)=P(A1)P(A2∣A1)P(A3∣A1A2)⋯P(An∣A1A2⋯An−1)
exp:
P ( A ˉ 1 A ˉ 2 A 3 ) = P ( A ˉ 1 ) P\left(\bar{A}_{1} \bar{A}_{2} A_{3}\right)=P\left(\bar{A}_{1}\right) P(Aˉ1Aˉ2A3)=P(Aˉ1)
P ( A ˉ 2 ∣ A ˉ 1 ) P ( A 3 ∣ A ˉ 1 A ˉ 2 ) = 90 100 ⋅ 89 99 ⋅ 10 98 = 0.0826. P\left(\bar{A}_{2} \mid \bar{A}_{1}\right) P\left(A_{3} \mid \bar{A}_{1} \bar{A}_{2}\right)=\frac{90}{100} \cdot \frac{89}{99} \cdot \frac{10}{98}=0.0826 . P(Aˉ2∣Aˉ1)P(A3∣Aˉ1Aˉ2)=10090⋅9989⋅9810=0.0826.
(3)全概率公式
P
(
A
)
=
∑
i
=
1
n
P
(
A
∣
B
i
)
P
(
B
i
)
P(A)=\sum_{i=1}^{n} P\left(A \mid B_{i}\right) P\left(B_{i}\right)
P(A)=i=1∑nP(A∣Bi)P(Bi)
（4）贝叶斯公式
用简单的 P ( A ∣ B k ) P\left(A \mid B_{k}\right) P(A∣Bk)求解复杂的 P ( B k ∣ A ) P\left(B_{k} \mid A\right) P(Bk∣A)
P ( B k ∣ A ) = P ( A B k ) P ( A ) P\left(B_{k} \mid A\right) = \frac{P(AB_k)}{P(A)} P(Bk∣A)=P(A)P(ABk)
对分子分母分别使用乘法公式和全概率公式展开，即：
P
(
B
k
∣
A
)
=
P
(
A
∣
B
k
)
P
(
B
k
)
∑
i
=
1
n
P
(
A
∣
B
i
)
P
(
B
i
)
,
k
=
1
,
2
,
⋯
,
n
P\left(B_{k} \mid A\right)=\frac{P\left(A \mid B_{k}\right) P\left(B_{k}\right)}{\sum_{i=1}^{n} P\left(A \mid B_{i}\right) P\left(B_{i}\right)}, \quad k=1,2, \cdots, n
P(Bk∣A)=∑i=1nP(A∣Bi)P(Bi)P(A∣Bk)P(Bk),k=1,2,⋯,n
三门问题
参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门就可以赢得该汽车，而另外两扇门后面则各藏有1只山羊。当参赛者选定了一扇门，但未去开启它的时候，节目主持人会开启剩下两扇门的其中一扇，露出其中1只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是：换另一扇门会否增加参赛者赢得汽车的机率？
在主持人不打开门时, 选手抽中车的概率为
1
/
3
1 / 3
1/3
P
(
A
)
=
P
(
B
)
=
P
(
C
)
=
1
/
3
\begin{aligned} &P(A)=P(B)=P(C)=1 / 3\\ \end{aligned}
P(A)=P(B)=P(C)=1/3
假设：
A: 选手选择第二扇门，第一扇门是车，
B: 选手选择第二扇门，第二扇门是车，
C: 选手选择第二扇门，第三扇门是车，
D: 主持人打开第一扇门
根据语义我们可以列出概率公式
P
(
D
∣
A
)
=
0
P
(
D
∣
B
)
=
1
/
2
P
(
D
∣
C
)
=
1
\begin{aligned} P(D|A)=0 P(D|B)=1/2 P(D|C)=1 \end{aligned}
P(D∣A)=0P(D∣B)=1/2P(D∣C)=1
根据贝叶斯公式：
P
(
D
)
=
P
(
A
)
P
(
D
∣
A
)
+
P
(
B
)
P
(
D
∣
B
)
+
P
(
C
)
P
(
D
∣
C
)
=
1
/
2
P
(
C
∣
D
)
=
P
(
C
)
P
(
D
∣
C
)
/
P
(
D
)
=
2
/
3
P
(
B
∣
D
)
=
P
(
B
)
P
(
D
∣
B
)
/
P
(
D
)
=
1
/
3
\begin{aligned} &\text{根据贝叶斯公式：}\\ &P(D)=P(A) P(D \mid A)+P(B) P(D \mid B)+P(C) P(D \mid C)=1 / 2 \\ &P(C \mid D)=P(C) P(D \mid C) / P(D)=2 / 3 \\ &P(B \mid D)=P(B) P(D \mid B) / P(D)=1 / 3 \end{aligned}
根据贝叶斯公式：P(D)=P(A)P(D∣A)+P(B)P(D∣B)+P(C)P(D∣C)=1/2P(C∣D)=P(C)P(D∣C)/P(D)=2/3P(B∣D)=P(B)P(D∣B)/P(D)=1/3
import random
class MontyHall:
def __init__(self,n): #构造函数
self.n=n#试验的次数
self.change=0#记录换才能拿到车的次数
sellf.No_change=0#不换
def start(self):
for i in range(self,n):
door_list=[1,2,3]#三扇门
challenger_door = random.choice(door_list)
##随机选择了其中一扇
car_door= random.choice(door_list)
#车的门
##没有被挑战者选中的剩下的门
door_list.remove(challenger_door)
if challenger_door==car_door:
host_door = random.choice(door_list)
door.remove(host_door)
#不换才能拿车
self.No_change+=1
else:
self.change+=1
#换了才能拿车
print("换且能拿到车的概率：%.2f " % (self.change/self.n * 100) + "%")
print("不换也能拿到车的概率：%.2f"% (self.No_change/self.n * 100) + "%")
if __name__ == "__main__":
mh = MontyHall(1000000)
mh.start()
一维随机变量
随机变量分为离散的和连续的
计算一个由随机变量表示的随机事件的概率的思路有两种：直接计算法（利用分布函数计算） 和 间接计算法（利用密度函数计算）
F ( x ) = P ( X ⩽ x ) F(x)=P(X \leqslant x) F(x)=P(X⩽x)
0 ⩽ F ( x ) ⩽ 1 0 \leqslant F(x) \leqslant 1 0⩽F(x)⩽1
- F ( − ∞ ) = lim x → − ∞ F ( x ) = 0 F(-\infty)=\lim _{x \rightarrow-\infty} F(x)=0 F(−∞)=limx→−∞F(x)=0 ,这是因为事件“ X ⩽ − ∞ X \leqslant-\infty X⩽−∞ "是不可能事件。
- F ( + ∞ ) = lim x → + ∞ F ( x ) = 1 F(+\infty)=\lim _{x \rightarrow+\infty} F(x)=1 F(+∞)=limx→+∞F(x)=1, 这是因为事件“ X ⩽ + ∞ X \leqslant+\infty X⩽+∞ "是必然事件。
P ( a < X ⩽ b ) = F ( b ) − F ( a ) P ( X = a ) = F ( a ) − F ( a − 0 ) P ( X ⩾ b ) = 1 − F ( b − 0 ) P ( X > b ) = 1 − F ( b ) P ( X < b ) = F ( b − 0 ) P ( a < X < b ) = F ( b − 0 ) − F ( a ) P ( a ⩽ X ⩽ b ) = F ( b ) − F ( a − 0 ) P ( a ⩽ X < b ) = F ( b − 0 ) − F ( a − 0 ) \begin{aligned} &P(a<X \leqslant b)=F(b)-F(a) \\ &P(X=a)=F(a)-F(a-0) \\ &P(X \geqslant b)=1-F(b-0) \\ &P(X>b)=1-F(b)\\ &P(X<b)=F(b-0) \\ &P(a<X<b)=F(b-0)-F(a) \\ &P(a \leqslant X \leqslant b)=F(b)-F(a-0) \\ &P(a \leqslant X<b)=F(b-0)-F(a-0) \end{aligned} P(a<X⩽b)=F(b)−F(a)P(X=a)=F(a)−F(a−0)P(X⩾b)=1−F(b−0)P(X>b)=1−F(b)P(X<b)=F(b−0)P(a<X<b)=F(b−0)−F(a)P(a⩽X⩽b)=F(b)−F(a−0)P(a⩽X<b)=F(b−0)−F(a−0)
a
a
a 与
b
b
b 处连续时, 有
F
(
a
−
0
)
=
F
(
a
)
,
F
(
b
−
0
)
=
F
(
b
)
F(a-0)=F(a), \quad F(b-0)=F(b)
F(a−0)=F(a),F(b−0)=F(b)
利用密度函数计算某个区域内的概率
P ( a ⩽ X ⩽ b ) = ∫ a b p ( x ) d x P(a \leqslant X \leqslant b)=\int_{a}^{b} p(x) d x P(a⩽X⩽b)=∫abp(x)dx
离散型 :
分布列
X x 1 x 2 ⋯ x n ⋯ P p ( x 1 ) p ( x 2 ) ⋯ p ( x n ) ⋯ \begin{array}{c|ccccc} X & x_{1} & x_{2} & \cdots & x_{n} & \cdots \\ \hline P & p\left(x_{1}\right) & p\left(x_{2}\right) & \cdots & p\left(x_{n}\right) & \cdots \end{array} XPx1p(x1)x2p(x2)⋯⋯xnp(xn)⋯⋯
连续型：
exp:
柯西分布的密度函数,对分布函数求导
## 已知柯西分布的密度函数求分布函数
from sympy import *
x = symbols('x')
p_x = 1/pi*(1/(1+x**2))
integrate(p_x,(x,-∞，x))
#积分 从负无穷到x
from sympy import *
x = symbols('x')
f_x = 1/pi*(atan(x)+pi/2)
diff(f_x,x,1)
#求导
均匀分布：
密度函数为
U
(
a
,
b
)
U(a, b)
U(a,b)
p
(
x
)
=
{
1
b
−
a
,
a
⩽
x
⩽
b
0
,
其它
p(x)= \begin{cases}\frac{1}{b-a}, & a \leqslant x \leqslant b \\ 0, & \text { 其它 }\end{cases}
p(x)={b−a1,0,a⩽x⩽b 其它
分布函数为：
F
(
x
)
=
{
0
,
x
<
a
x
−
a
b
−
a
,
a
⩽
x
<
b
1
,
x
⩾
b
F(x)= \begin{cases}0, & x<a \\ \frac{x-a}{b-a}, & a \leqslant x<b \\ 1, & x \geqslant b\end{cases}
F(x)=⎩⎪⎨⎪⎧0,b−ax−a,1,x<aa⩽x<bx⩾b
exp:
a = float(0)
b = float(1)
#numpy.linspace()函数用于在线性空间中以均匀步长生成数字序列
x = np.linspace(a,b)
y = np.full(shape=len(x),fill_value=1/(b-a))
#np.full构造一个数组
plt.plot(x,y,"b",linewidth=2)
plt.ylim(0,1,2)
plt.xlim(-1,2)
plt.xlabel('X')
plt.ylabel('p(x)')
plt.title('uniform distribution')
plt.show()
指数分布
p
(
x
)
=
{
λ
e
−
λ
x
,
x
⩾
0
0
,
x
<
0
p(x)=\left\{\begin{aligned} \lambda e^{-\lambda x}, & x \geqslant 0 \\ 0, & x<0 \end{aligned}\right.
p(x)={λe−λx,0,x⩾0x<0
F
(
x
)
=
{
1
−
e
−
λ
x
,
x
⩾
0
0
,
x
<
0
F(x)= \begin{cases}1-\mathrm{e}^{-\lambda x}, & x \geqslant 0 \\ 0, & x<0\end{cases}
F(x)={1−e−λx,0,x⩾0x<0
lam = float(1.5)
x = np.linspace(0,15,100)
y = lam*np.e**(-lam*x)
plt.plot(x,y,"b",linewidth=2)
plt.xlim(-5,10)
plt.xlabel('X')
plt.ylabel('p(x)')
plt.title('指数分布')
plt.show()
高斯分布
from sympy import *
from sympy.abc import mu,sigma
x = symbols('X')
p_x = 1/(sqer(2*pi)*sigma)*E**(-(x-mu)**2/(2*sigma**2))
integrate(p_x,(x,-∞,x))
import math
mu = float(0)
mul = float(2)
sigma1 = float(1)
sigma2 = float(1.25)*float(1.25)
sigma3 = float(0.25)
x = np.linspace(-5, 5, 1000)
y1 = np.exp(-(x - mu)**2 / (2 * sigma1**2)) / (math.sqrt(2 * math.pi) * sigma1)
y2 = np.exp(-(x - mu)**2 / (2 * sigma2**2)) / (math.sqrt(2 * math.pi) * sigma2)
y3 = np.exp(-(x - mu)**2 / (2 * sigma3**2)) / (math.sqrt(2 * math.pi) * sigma3)
y4 = np.exp(-(x - mu1)**2 / (2 * sigma1**2)) / (math.sqrt(2 * math.pi) * sigma1)
plt.plot(x,y1,"b",linewidth=2,label=r'$\mu=0,\sigma=1$')
plt.plot(x,y2,"orange",linewidth=2,label=r'$\mu=0,\sigma=1.25$')
plt.plot(x,y3,"yellow",linewidth=2,label=r'$\mu=0,\sigma=0.5$')
plt.plot(x,y4,"b",linewidth=2,label=r'$\mu=2,\sigma=1$',ls='--')
plt.axvline(x=mu,ls='--')
plt.text(x=0.05,y=0.5,s=r'$\mu=0$')
plt.axvline(x=mu1,ls='--')
plt.text(x=2.05,y=0.5,s=r'$\mu=2$')
plt.xlim(-5,5)
plt.xlabel('X')
plt.ylabel('p (x)')
plt.title('normal distribution')
plt.legend()
plt.show()
改变mu
改变σ
指数分布计算
from scipy.stats import expon #指数分布
x = np.linspace(0.01,10,1000)
plt.plot(x,expon.pdf(x),'r-',lw=5,alpha=0.6,label='expon pdf')
# pdf表示求密度函数值
# cdf表示求分布函数值
plt.xlabel("X")
plt.ylabel("p (x)")
plt.legend()
#plt.legend创建图例
plt.show()
(1)0-1分布
(2)二项分布
(3)泊松分布
泊松分布计算
# 对比不同的lambda对泊松分布的影响
import math
# 构造泊松分布列的计算函数
def poisson(lmd,x):
return pow(lmd,x)/math.factorial(x)*math.exp(-lmd)
x = [i+1 for i in range(10)]
#定义泊松分布列
lmd1 = 0.8
lmd2 = 2.0
lmd3 = 4.0
lmd4 = 6.0
p_lmd1 = [poisson(lmd1,i) for i in x]
p_lmd2 = [poisson(lmd2,i) for i in x]
p_lmd3 = [poisson(lmd3,i) for i in x]
p_lmd4 = [poisson(lmd4,i) for i in x]
plt.scatter(np.array(x), p_lmd1, c='b',alpha=0.7)
plt.axvline(x=lmd1,ls='--')
plt.text(x=lmd1+0.1,y=0.1,s=r"$\lambda=0.8$")
plt.ylim(-0.1,1)
plt.xlabel("X")
plt.ylabel("p (x)")
plt.title(r"$\lambda = 0.8$")
plt.show()
plt.scatter(np.array(x), p_lmd2, c='b',alpha=0.7)
plt.axvline(x=lmd2,ls='--')
plt.text(x=lmd2+0.1,y=0.1,s=r"$\lambda=2.0$")
plt.ylim(-0.1,1)
plt.xlabel("X")
plt.ylabel("p (x)")
plt.title(r"$\lambda = 2.0$")
plt.show()
plt.scatter(np.array(x), p_lmd3, c='b',alpha=0.7)
plt.axvline(x=lmd3,ls='--')
plt.text(x=lmd3+0.1,y=0.1,s=r"$\lambda=4.0$")
plt.ylim(-0.1,1)
plt.xlabel("X")
plt.ylabel("p (x)")
plt.title(r"$\lambda = 4.0$")
plt.show()
plt.scatter(np.array(x), p_lmd4, c='b',alpha=0.7)
plt.axvline(x=lmd4,ls='--')
plt.text(x=lmd4+0.1,y=0.1,s=r"$\lambda=6.0$")
plt.ylim(-0.1,1)
plt.xlabel("X")
plt.ylabel("p (x)")
plt.title(r"$\lambda = 6.0$")
plt.show()
plt.scatter散点图
axvline函数作用是绘制一条跨越整个子图的垂直线
ylim设置或查询 y 坐标轴范围
from scipy.stats import binom
#scipy.stats包中的binom类对象是表示二项分布的。
n = 10
p = 0.5
x = np.arange(1,n+1,1)
pList = binom.pmf(x,n,p)
#stats.binom.pmf(X,n,p) 用于求概率密度
plt.plot(x,pList,marker='o',alpha = 0.7,linestyle = 'None')
plt.vlines(x, 0, pList)
#绘制数据集
plt.xlabel('随机变量：抛硬币10次')
plt.ylabel('概率')
plt.title('二项分布：n=%d,p=%0.2f' % (n,p))
plt.show()
一维随机变量的数字特征：期望、方差、分位数与中位数
（1）数学期望
分布的位置特征数
离散随机变量：
连续随机变量：
如果积分有限：
exp:
(2)标准差与方差
反应随机变量的波动大小
方差
离散型：
连续型：
标准差
scipy计算常见分布的均值与方差
# 使用scipy计算常见分布的均值与方差：(如果忘记公式的话直接查，不需要查书了)
from scipy.stats import bernoulli # 0-1分布
from scipy.stats import binom # 二项分布
from scipy.stats import poisson # 泊松分布
from scipy.stats import rv_discrete # 自定义离散随机变量
from scipy.stats import uniform # 均匀分布
from scipy.stats import expon # 指数分布
from scipy.stats import norm # 正态分布
from scipy.stats import rv_continuous # 自定义连续随机变量
print("0-1分布的数字特征：均值:{}；方差:{}；标准差:{}".format(bernoulli(p=0.5).mean(),
bernoulli(p=0.5).var(),
bernoulli(p=0.5).std()))
print("二项分布b(100,0.5)的数字特征：均值:{}；方差:{}；标准差:{}".format(binom(n=100,p=0.5).mean(),
binom(n=100,p=0.5).var(),
binom(n=100,p=0.5).std()))
## 模拟抛骰子的特定分布
xk = np.arange(6)+1
pk = np.array([1.0/6]*6)
print("泊松分布P(0.6)的数字特征：均值:{}；方差:{}；标准差:{}".format(poisson(0.6).mean(),
poisson(0.6).var(),
poisson(0.6).std()))
print("特定离散随机变量的数字特征：均值:{}；方差:{}；标准差:{}".format(rv_discrete(name='dice', values=(xk, pk)).mean(),
rv_discrete(name='dice', values=(xk, pk)).var(),
rv_discrete(name='dice', values=(xk, pk)).std()))
print("均匀分布U(1,1+5)的数字特征：均值:{}；方差:{}；标准差:{}".format(uniform(loc=1,scale=5).mean(),
uniform(loc=1,scale=5).var(),
uniform(loc=1,scale=5).std()))
print("正态分布N(0,0.0001)的数字特征：均值:{}；方差:{}；标准差:{}".format(norm(loc=0,scale=0.01).mean(),
norm(loc=0,scale=0.01).var(),
norm(loc=0,scale=0.01).std()))
lmd = 5.0 # 指数分布的lambda = 5.0
print("指数分布Exp(5)的数字特征：均值:{}；方差:{}；标准差:{}".format(expon(scale=1.0/lmd).mean(),
expon(scale=1.0/lmd).var(),
expon(scale=1.0/lmd).std()))
## 自定义标准正态分布
class gaussian_gen(rv_continuous):
def _pdf(self, x): # tongguo
return np.exp(-x**2 / 2.) / np.sqrt(2.0 * np.pi)
gaussian = gaussian_gen(name='gaussian')
print("标准正态分布的数字特征：均值:{}；方差:{}；标准差:{}".format(gaussian().mean(),
gaussian().var(),
gaussian().std()))
## 自定义指数分布
import math
class Exp_gen(rv_continuous):
def _pdf(self, x,lmd):
y=0
if x>0:
y = lmd * math.e**(-lmd*x)
return y
Exp = Exp_gen(name='Exp(5.0)')
print("Exp(5.0)分布的数字特征：均值:{}；方差:{}；标准差:{}".format(Exp(5.0).mean(),
Exp(5.0).var(),
Exp(5.0).std()))
## 通过分布函数自定义分布
class Distance_circle(rv_continuous): #自定义分布xdist
"""
向半径为r的圆内投掷一点，点到圆心距离的随机变量X的分布函数为:
if x<0: F(x) = 0;
if 0<=x<=r: F(x) = x^2 / r^2
if x>r: F(x)=1
"""
def _cdf(self, x, r): #累积分布函数定义随机变量
f=np.zeros(x.size) #函数值初始化为0
index=np.where((x>=0)&(x<=r)) #0<=x<=r
f[index]=((x[index])/r[index])**2 #0<=x<=r
index=np.where(x>r) #x>r
f[index]=1 #x>r
return f
dist = Distance_circle(name="distance_circle")
print("dist分布的数字特征：均值:{}；方差:{}；标准差:{}".format(dist(5.0).mean(),
dist(5.0).var(),
dist(5.0).std()))
（3）分位数与中位数
累计概率等于p所对应的随机变量取值x为p分位数
F
(
x
p
)
=
∫
−
∞
x
p
p
(
x
)
d
x
=
p
F\left(x_{p}\right)=\int_{-\infty}^{x_{p}} p(x) \mathrm{d} x=p
F(xp)=∫−∞xpp(x)dx=p
上下侧相互转换转换公式
x
p
′
=
x
1
−
p
,
x
p
=
x
1
−
p
′
x_{p}^{\prime}=x_{1-p}, \quad x_{p}=x_{1-p}^{\prime}
xp′=x1−p,xp=x1−p′
中位数就是P=0.5时的分位数点
F
(
x
0.5
)
=
∫
−
∞
x
0.5
p
(
x
)
d
x
=
0.5
F\left(x_{0.5}\right)=\int_{-\infty}^{x_{0.5}} p(x) \mathrm{d} x=0.5
F(x0.5)=∫−∞x0.5p(x)dx=0.5
中位数和均值可以综合说明数据的分布
均值会受到极端数据的影响
使用python计算标准正态分布的0.25，0.5（中位数），0.75，0.95分位数点。
from scipy.stats import norm
print("标准正态分布的0.25分位数：",norm(loc=0,scale=1).ppf(0.25)) # 使用ppf计算分位数点
print("标准正态分布的0.5分位数：",norm(loc=0,scale=1).ppf(0.5))
print("标准正态分布的0.75分位数：",norm(loc=0,scale=1).ppf(0.75))
print("标准正态分布的0.95分位数：",norm(loc=0,scale=1).ppf(0.95))
多维随机变量及其联合分布、边际分布、条件分布
（1）n维随机变量
（1.1）n维随机变量的联合分布函数
（1.2）n维随机变量的联合密度函数
（1.3）多维离散随机变量联合分布列
# 绘制二维正态分布的联合概率密度曲面图
from scipy.stats import multivariate_normal
from mpl_toolkits.mplot3d import axes3d
# mpl_toolkits.mplot3d画三维图的工具包
x, y = np.mgrid[-5:5:.01, -5:5:.01] # 返回多维结构
#mgrid用法：返回多维结构
pos = np.dstack((x, y))
#自 x和 y都是二维的，np.dstack通过插入大小为 1 的第三个维度来扩展它们
rv = multivariate_normal([0.5, -0.2], [[2.0, 0.3], [0.3, 0.5]])
# multivariate_normal从多元正态分布中随机抽取样本 的函数
z = rv.pdf(pos)
# pdf求密度函数值
plt.figure('Surface', facecolor='lightgray',figsize=(12,8))
ax = plt.axes(projection='3d')
ax.set_xlabel('X', fontsize=14)
ax.set_ylabel('Y', fontsize=14)
ax.set_zlabel('P (X,Y)', fontsize=14)
ax.plot_surface(x, y, z, rstride=50, cstride=50, cmap='jet')
plt.show()
# 绘制二维正态分布的联合概率密度等高线图
from scipy.stats import multivariate_normal
x, y = np.mgrid[-1:1:.01, -1:1:.01]
pos = np.dstack((x, y))
rv = multivariate_normal([0.5, -0.2], [[2.0, 0.3], [0.3, 0.5]])
z = rv.pdf(pos)
fig = plt.figure(figsize=(8,6))
ax2 = fig.add_subplot(111)
ax2.set_xlabel('X', fontsize=14)
ax2.set_ylabel('Y', fontsize=14)
ax2.contourf(x, y, z, rstride=50, cstride=50, cmap='jet')
plt.show()
（2.1）边际分布函数：
lim
y
→
∞
F
(
x
,
y
)
=
P
(
X
⩽
x
,
Y
<
∞
)
=
P
(
X
⩽
x
)
,
\lim _{y \rightarrow \infty} F(x, y)=P(X \leqslant x, Y<\infty)=P(X \leqslant x),
y→∞limF(x,y)=P(X⩽x,Y<∞)=P(X⩽x),
（2.2）边际密度函数
F
X
(
x
)
=
F
(
x
,
∞
)
=
∫
−
∞
x
(
∫
−
∞
∞
p
(
u
,
v
)
d
v
)
d
u
=
∫
−
∞
x
p
X
(
u
)
d
u
F
Y
(
y
)
=
F
(
∞
,
y
)
=
∫
−
∞
y
(
∫
−
∞
∞
p
(
u
,
v
)
d
u
)
d
v
=
∫
−
∞
y
p
Y
(
v
)
d
v
\begin{aligned} &F_{X}(x)=F(x, \infty)=\int_{-\infty}^{x}\left(\int_{-\infty}^{\infty} p(u, v) \mathrm{d} v\right) \mathrm{d} u=\int_{-\infty}^{x} p_{X}(u) \mathrm{d} u \\ &F_{Y}(y)=F(\infty, y)=\int_{-\infty}^{y}\left(\int_{-\infty}^{\infty} p(u, v) \mathrm{d} u\right) \mathrm{d} v=\int_{-\infty}^{y} p_{Y}(v) \mathrm{d} v \end{aligned}
FX(x)=F(x,∞)=∫−∞x(∫−∞∞p(u,v)dv)du=∫−∞xpX(u)duFY(y)=F(∞,y)=∫−∞y(∫−∞∞p(u,v)du)dv=∫−∞ypY(v)dv
# 求边际密度函数 p_{X}(x)
from sympy import *
x = symbols('x')
y = symbols('y')
p_xy = Piecewise((1,And(x>0,x<1,y<x,y>-x)),(0,True))
integrate(p_xy, (y, -oo, oo)) ## 由于0<x<1时候，那么x>-x，即2x
# 求边际密度函数 p_{Y}(y)
integrate(p_xy, (x, -oo, oo)) ## 由于|y|<x,0<x<1时，因此y肯定在(-1,1)
（2.3）边际分布列
x的边际分布列
∑
j
=
1
∞
P
(
X
=
x
i
,
Y
=
y
j
)
=
P
(
X
=
x
i
)
,
i
=
1
,
2
,
⋯
\sum_{j=1}^{\infty} P\left(X=x_{i}, Y=y_{j}\right)=P\left(X=x_{i}\right), \quad i=1,2, \cdots
j=1∑∞P(X=xi,Y=yj)=P(X=xi),i=1,2,⋯
y 的边际分布列。
∑
i
=
1
∞
P
(
X
=
x
i
,
Y
=
y
j
)
=
P
(
Y
=
y
j
)
,
j
=
1
,
2
,
⋯
\sum_{i=1}^{\infty} P\left(X=x_{i}, Y=y_{j}\right)=P\left(Y=y_{j}\right), \quad j=1,2, \cdots
i=1∑∞P(X=xi,Y=yj)=P(Y=yj),j=1,2,⋯
(3)条件分布
# 求际密度函数 p_{Y}(y)
from sympy import *
from sympy.abc import lamda,m,p,k
x = symbols('x')
y = symbols('y')
f_p = lamda**m/factorial(m)*E**(-lamda)*factorial(m)/(factorial(k)*factorial(m-k))*p**k*(1-p)**(m-k)
summation(f_p, (m, k, +oo))
（3.1）连续场合的全概率公式与贝叶斯公式
多维随机变量的数字特征：期望向量、协方差与协方差矩阵、相关系数与相关系数矩阵、条件期望
(1)期望向量
n
n
n 维随机向量为
X
=
(
X
1
,
X
2
,
⋯
,
X
n
)
′
\boldsymbol{X}=\left(X_{1}, X_{2}, \cdots, X_{n}\right)^{\prime}
X=(X1,X2,⋯,Xn)′每个分量的数学期望都存在
数学期望向量（一般为列向量）
E
(
X
)
=
(
E
(
X
1
)
,
E
(
X
2
)
,
⋯
,
E
(
X
n
)
)
′
E(\boldsymbol{X})=\left(E\left(X_{1}\right), E\left(X_{2}\right), \cdots, E\left(X_{n}\right)\right)^{\prime}
E(X)=(E(X1),E(X2),⋯,E(Xn))′
（2）协方差与协方差矩阵：
（2.1）协方差：
Cov
(
X
,
Y
)
=
E
[
(
X
−
E
(
X
)
)
(
Y
−
E
(
Y
)
)
]
\operatorname{Cov}(X, Y)=E[(X-E(X))(Y-E(Y))]
Cov(X,Y)=E[(X−E(X))(Y−E(Y))]
Cov
(
X
,
Y
)
=
E
(
X
Y
)
−
E
(
X
)
E
(
Y
)
\operatorname{Cov}(X, Y)=E(X Y)-E(X) E(Y)
Cov(X,Y)=E(XY)−E(X)E(Y)
当 Cov ( X , Y ) > 0 \operatorname{Cov}(X, Y)>0 Cov(X,Y)>0 时， 称 X X X 与 Y Y Y 正相关
当 Cov ( X , Y ) < 0 \operatorname{Cov}(X, Y)<0 Cov(X,Y)<0 时， 称 X X X 与 Y Y Y 负相关
当 Cov ( X , Y ) = 0 \operatorname{Cov}(X, Y)=0 Cov(X,Y)=0 时，称 X X X 与 Y Y Y 不相关
若随机变量
X
X
X 与
Y
Y
Y 相互独立， 则
Cov
(
X
,
Y
)
=
0
\operatorname{Cov}(X, Y)=0
Cov(X,Y)=0
Cov
(
X
,
Y
)
=
Cov
(
Y
,
X
)
.
\operatorname{Cov}(X, Y)=\operatorname{Cov}(Y, X) .
Cov(X,Y)=Cov(Y,X).
Cov
(
X
,
a
)
=
0
\operatorname{Cov}(X, a)=0
Cov(X,a)=0
Cov
(
a
X
,
b
Y
)
=
a
b
Cov
(
X
,
Y
)
.
\operatorname{Cov}(a X, b Y)=a b \operatorname{Cov}(X, Y) .
Cov(aX,bY)=abCov(X,Y).
Cov
(
X
+
Y
,
Z
)
=
Cov
(
X
,
Z
)
+
Cov
(
Y
,
Z
)
\operatorname{Cov}(X+Y, Z)=\operatorname{Cov}(X, Z)+\operatorname{Cov}(Y, Z)
Cov(X+Y,Z)=Cov(X,Z)+Cov(Y,Z)
对任意二维随机变量
(
X
,
Y
)
(X, Y)
(X,Y)， 有
Var
(
X
±
Y
)
=
Var
(
X
)
+
Var
(
Y
)
±
2
Cov
(
X
,
Y
)
\operatorname{Var}(X \pm Y)=\operatorname{Var}(X)+\operatorname{Var}(Y) \pm 2 \operatorname{Cov}(X, Y)
Var(X±Y)=Var(X)+Var(Y)±2Cov(X,Y)
exp:
p
(
x
,
y
)
=
{
3
x
,
0
<
y
<
x
<
1
,
0
,
其他.
p(x, y)= \begin{cases}3 x, & 0<y<x<1, \\ 0, & \text { 其他. }\end{cases}
p(x,y)={3x,0,0<y<x<1, 其他.
求
Cov
(
X
,
Y
)
\operatorname{Cov}(X, Y)
Cov(X,Y)。
# 求协方差
from sympy import *
from sympy.abc import lamda,m,p,k
x = symbols('x')
y = symbols('y')
p_xy = Piecewise((3*x,And(y>0,y<x,x<1)),(0,True))
E_xy = integrate(x*y*p_xy, (x, -oo, oo),(y,-oo,oo))
E_x = integrate(x*p_xy, (x, -oo, oo),(y,-oo,oo))
E_y = integrate(y*p_xy, (x, -oo, oo),(y,-oo,oo))
E_xy - E_x*E_y
678
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
