概率统计Python计算：离散型随机向量条件分布计算

计算2-维离散型随机向量$(X,Y)$的条件分布律，譬如$P(X|Y=y_j)$，就是用$Y$的边缘分布中的$P(Y=y_j)=p_{\cdot j}$遍除联合分布律中第$j$列中每个元素$p_{ij}$，$i=1,2,\cdots n$。即$$\left(\begin{array}{c}{p}_{1j}/p_{\cdot j}\\ p_{2j}/p_{\cdot j}\\ ⋮\\ p_{mj}/p_{\cdot j}\end{array}\right),j=1,2,\cdots ,n$$
也就是说，矩阵
$$\left(\begin{array}{cccc}{p}_{11}/p_{\cdot 1}& p_{12}/p_{\cdot 2}& \cdots & p_{1n}/p_{\cdot n}\\ p_{21}/p_{\cdot 1}& p_{22}/p_{\cdot 2}& \cdots & p_{2n}/p_{\cdot n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m1}/p_{\cdot 1}& p_{m2}/p_{\cdot 2}& \cdots & p_{mn}/p_{\cdot n}\end{array}\right)$$
表示出了所有已知$Y$取一值，$X$的条件分布。幸运的是，numpy的 array类对象表示的一个$m\times n$的矩阵$A$与一个具有同结构的矩阵，或具有$m$个元素的列向量或具有$n$个元素的行向量$B$支持包括“+”、“-”、“*”、“/”等的按元素运算。例如，
$$\left(\begin{array}{cccc}{p}_{11}& p_{12}& \cdots & p_{1n}\\ p_{21}& p_{22}& \cdots & p_{2n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m1}& p_{m2}& \cdots & p_{mn}\end{array}\right)/\left(\begin{array}{cccc}{p}_{\cdot 1}& p_{\cdot 2}& \cdots & p_{\cdot n}\end{array}\right)=\left(\begin{array}{cccc}{p}_{11}/p_{\cdot 1}& p_{12}/p_{\cdot 2}& \cdots & p_{1n}/p_{\cdot n}\\ p_{21}/p_{\cdot 1}& p_{22}/p_{\cdot 2}& \cdots & p_{2n}/p_{\cdot n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m1}/p_{\cdot 1}& p_{m2}/p_{\cdot 2}& \cdots & p_{mn}/p_{\cdot n}\end{array}\right)$$
这恰与我们根据联合分布律与$Y$的边缘分布律计算条件分布$P(X|Y)$的方式不谋而合。我们将上述计算而得的表示$P(X|Y)$的矩阵记为$P_{X|Y}$。而表示$P(Y|X)$的矩阵$P_{Y|X}$是用行向量$P_X$中的每个元素，遍除$P_{XY}$中的每一列。
利用numpy的array类的这一技术，我们定义如下的计算2-维离散型随机向量的条件分布的Python函数。

def condDist(Pxy):                          #定义计算条件分布的函数
    Px, Py=margDist(Pxy)                    #计算边缘分布
    Px_y=Pxy/Py                             #计算P(X|Y)
    Px_y=Pxy/Px                             #计算P(Y|X)
    return Px_y, Py_x

函数condDist的参数Pxy是$(X,Y)$的联合分布律中的概率值矩阵。第3行调用博文《离散型2-维随机向量的联合分布律及边缘分布》中定义的计算边缘分布的函数margDist(Pxy)，计算$X$和$Y$的边缘分布律的概率值序列，存于Px（行向量），Py（列向量）。第4行、第5行分别计算$P(X|Y)$和$P(Y|X)$。
例1 从含有3个正品，2个次品的5个产品中依次无放回地抽取两个。设$X$表示第1次取到的次品个数，$Y$表示第2次取到的次品个数。则$(X,Y)$的联合分布律的概率矩阵为$P_{XY}=\left(\begin{array}{cc}\frac{3}{10}& \frac{3}{10}\\ \frac{3}{10}& \frac{1}{10}\end{array}\right)$，且由此算得$X$与$Y$的边缘分布律的概率序列分别为$P_X=\left(\begin{array}{c}\frac{3}{5}\\ \frac{2}{5}\end{array}\right)$和$P_Y=(\frac{3}{5},\frac{2}{5})$。于是$X|Y=1$和$Y|X=0$的分布律概率序列分别为$\left(\begin{array}{c}\frac{3}{4}\\ \frac{1}{4}\end{array}\right)$和$\left(\frac{1}{2},\frac{1}{2}\right)$。利用函数condDist，下列代码验算本例。

import numpy as np                  #导入numpy
from sympy import Rational as R     #导入Rational
Pxy=np.array([[R(3,10), R(3,10)],   #创建联合分布律Pxy
             [R(3,10), R(1,10)]])
Px_y, Py_x=condDist(Pxy)            #计算条件分布律
print('P(X|Y=0):%s'%Px_y[:,0])    	#输出Px|y=0
print('P(Y|X=1):%s'%Py_x[1])      	#输出Py|x=1

程序的第6行调用上列程序定义的计算条件分布的函数condDist(Pxy)，计算由Pxy表示的联合分布律的2-维离散型随机向量$(X,Y)$的条件分布律$P(X|Y)$和$P(Y|X)$，存储于Px_y和Py_x。其第1列数据Px_y[:,0]和第2行数据Py_x[1]恰为条件分布$P(X|Y=0)$和$P(Y|X=1)$的概率。运行此程序，将输出

P(X|Y=0):[1/2 1/2]
P(Y|X=1):[3/4 1/4]

写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。
返回《导引》