概率统计Python计算：离散型变量独立性判断

随机变量之间的独立性是非常重要的关系。对离散型随机变量$X$，$Y$而言，我们知道$X$，$Y$独立，当且仅当$p_{ij}=p_{i\cdot }\cdot p_{\cdot j},1\le i\le m,1\le j\le n$。用矩阵表示为
$$\left(\begin{array}{cccc}{p}_{11}& p_{12}& \cdots & p_{1n}\\ p_{21}& p_{22}& \cdots & p_{2n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m1}& p_{m2}& \cdots & p_{mn}\end{array}\right)=\left(\begin{array}{cccc}{p}_{1\cdot }\cdot p_{\cdot 1}& p_{1\cdot }\cdot p_{\cdot 2}& \cdots & p_{1\cdot }\cdot p_{\cdot n}\\ p_{2\cdot }\cdot p_{\cdot 1}& p_{2\cdot }\cdot p_{\cdot 2}& \cdots & p_{2\cdot }\cdot p_{\cdot n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m\cdot }\cdot p_{\cdot 1}& p_{m\cdot }\cdot p_{\cdot 2}& \cdots & p_{m\cdot }\cdot p_{\cdot n}\end{array}\right)$$
而
$$\left(\begin{array}{cccc}{p}_{1\cdot }\cdot p_{\cdot 1}& p_{1\cdot }\cdot p_{\cdot 2}& \cdots & p_{1\cdot }\cdot p_{\cdot n}\\ p_{2\cdot }\cdot p_{\cdot 1}& p_{2\cdot }\cdot p_{\cdot 2}& \cdots & p_{2\cdot }\cdot p_{\cdot n}\\ ⋮& ⋮& \cdots & ⋮\\ p_{m\cdot }\cdot p_{\cdot 1}& p_{m\cdot }\cdot p_{\cdot 2}& \cdots & p_{m\cdot }\cdot p_{\cdot n}\end{array}\right)=\left(\begin{array}{c}{p}_{1\cdot }\\ p_{2\cdot }\\ ⋮\\ p_{m\cdot }\end{array}\right)\circ (p_{\cdot 1},p_{\cdot 2},\cdots ,p_{\cdot n})$$
其中的运算符$\circ$表示将列向量$P_X$作为$m\times 1$矩阵，行向量$P_Y$作为$1\times n$矩阵的矩阵乘法。这样，为验证$X$与$Y$是否相互独立，只需验证
$$P_{XY}=P_X\circ P_Y$$
是否成立。下列代码定义了根据$(X,Y)$的联合分布律$P_{XY}$，判断两个有限取值的离散型随机变量$X$与$Y$是否独立的Python函数。

import numpy as np                          #导入numpy
def independent(Pxy):                       #判断X,Y是否独立的函数定义
    Px, Py=margDist(Pxy)                    #计算边缘分布
    PxPy=Px.dot(Py)                         #计算边缘分布的矩阵积
    if PxPy.dtype==float64:                 #若数据是浮点型
        return (abs(PxPy-Pxy)<1e-8).all()
    return (PxPy==Pxy).all()                #数据是有理数型

程序的第2~7行定义判断随机变量$X$与$Y$是否独立的函数independent，参数Pxy为$(X,Y)$的联合分布律的概率矩阵。第3行调用博文《离散型维随机向量的联合分布律及边缘分布》定义的函数margDist，计算$X$与$Y$的边缘分布律概率序列，分别记为Px和Py（注意Px和Py分别为列向量和行向量）。第4行调用Px的矩阵乘法dot函数，计算与Py的积矩阵，结果存于PxPy。第5~6行的if语句，对数组元素类型为浮点型float64的情形，调用矩阵abs(PxPy-Pxy)<1e-8的all函数，判断PxPy中每个元素与矩阵Pxy中对应元素之差的绝对值是否全部小于$10^{-8}$。此处，abs(PxPy-Pxy)<1e-8是一个形状与Pxy（或PxPy）相同的矩阵，其中每个元素为$|p_{i\cdot }\cdot p_{\cdot j}-p_{ij}|<10^{-8}$是否相成立，是为True，否为False。若该矩阵的所有元素均为True，则all()返回True。否则，返回False。相仿地，而对于数据类型为Rational的情形，第7行调用(Pxy==Pxpy).all()，判断$X$与$Y$的相互独立性。
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。我们知道$(X,Y)$的联合分布律的概率矩阵为$P_{XY}=\left(\begin{array}{cc}\frac{3}{10}& \frac{3}{10}\\ \frac{3}{10}& \frac{1}{10}\end{array}\right)$，及$X$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$P_Y=(\frac{3}{5},\frac{2}{5})$。由于$p_{00}=\frac{3}{10}\ne \frac{3}{5}\cdot \frac{3}{5}=p_{0\cdot }\cdot p_{\cdot 0}$，故$X$与$Y$不是相互独立的。
若将抽取方式改为有放回的，则不难算得$(X,Y)$的联合分布律概率矩阵为$P_{XY}=\left(\begin{array}{cc}\frac{9}{25}& \frac{6}{25}\\ \frac{6}{25}& \frac{4}{25}\end{array}\right)$，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$P_Y=(\frac{3}{5},\frac{2}{5})$。可以验证：$P_{XY}=P_X\circ P_Y$，故此时$X$与$Y$是独立的。下列代码验证此结果。

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)], [R(3,10), R(1,10)]])  #无放回抽样分布律
print('无放回抽样，X与Y相互独立是%s'%independent(Pxy))
Pxy=np.array([[9/25, 6/25], [6/25, 4/25]])              #有放回抽样分布律
print('有放回抽样，X与Y相互独立是%s'%independent(Pxy))

程序中，第3行和第5行分别设置$(X,Y)$在无放回抽样下和有放回抽样下的联合分布律。第4行和第6行分别调用independent函数验算两个不同抽样下$X$，$Y$的相互独立性。注意，第3行设置Pxy时，元素为Rational类型，而第5行设置成float64型。运行程序，输出

无放回抽样，X与Y相互独立是False
有放回抽样，X与Y相互独立是True

即在无放回抽样下，判断$X$与$Y$不是相互独立的，而在有放回抽样下$X$与$Y$是相互独立的。
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》