概率统计Python计算：连续型随机向量边缘分布或条件分布概率计算

对于连续型随机向量$(X,Y)$的边缘分布和条件分布而言，密度函数都是一元函数。为计算随机变量取值落入指定区间$I=(a,b)$的概率$P(X\in I)={\int }_a^{b}f(x)dx$，可以调用scipy.integrate包中的quad函数。该函数的调用接口为：
$$\text{quad(f, a, b)}$$
其中，参数f表示被积函数$f(x)$，a和b分别表示积分下限$a$和上限$b$。
例1 设$(X,Y)$的密度函数为
$$f(x,y)=\{\begin{array}{ll}1& y<x<2-y,0<y<1\\ 0& \text{其他}\end{array}$$
计算（1）$P(0.5<X<3/1.5)$；（2）$f_{Y|X}(y|x)$；（3）$P(0.1<Y\le 0.4|X=1.5)$。
解：（1）为计算$P(0.5<X<1.5)$，先算得$X$的边缘密度函数$f_X(x)$。由于对$x\le 0$或$x\ge 2$，$f(x,y)=0$，故此时$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy=0$。下设$x\in (0,2)=(0,1]\cup (1,2)$。
当$x\in (0,1]$时，
$$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy={\int }_0^{x}dy=x$$
当$x\in (1,2)$时，
$$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy={\int }_0^{2-x}dy=2-x$$
综上所述，
$$f_X(x)=\{\begin{array}{ll}x& 0<x\le 1\\ 2-x& 1<x<2\\ 0& \text{其他}\end{array}$$
于是
$$\begin{gathered} P(0.5<X<1.5)={\int }_{0.5}^{1.5}{f}_X(x)dx={\int }_{0.5}^{1}xdx+{\int }_1^{1.5}(2-x)dx \\ =\frac{x^2}{2}{|}_{0.5}^1+2{|}_1^{1.5}-\frac{x^2}{2}{|}_1^{1.5}=0.75 \end{gathered}$$
（2）我们知道，$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$仅在$f_X(x)\ne 0$处存在，故当$x\in (0,1]$时，
$$f_{Y|X}(y|x)=\{\begin{array}{ll}\frac{1}{x}& 0<y<x\\ 0& \text{其他}\end{array}$$
而当$x\in (1,2)$时，
$$f_{Y|X}(y|x)=\{\begin{array}{ll}\frac{1}{2-x}& 0<y<2-x\\ 0& \text{其他}\end{array}$$
（3）由于$x=1.5\in (1,2)$，故
$$f_{Y|X}(y|1.5)=\{\begin{array}{ll}\frac{1}{2-1.5}& 0<y<2-1.5\\ 0& \text{其他}\end{array}$$
即
$$f_{Y|X}(y|1.5)=\{\begin{array}{ll}2& 0<y<0.5\\ 0& \text{其他}\end{array}$$
于是
$$P(0.1<Y\le 0.4|X=1.5)={\int }_{0.1}^{0.4}{f}_{Y|X}(y|1.5)dy={\int }_{0.1}^{0.4}2dy=\mathrm{0.6.}$$
下列代码验算本例计算结果。

from scipy.integrate import quad			#导入quad
fx=lambda x: x if x<=1 else 2-x				#X的边缘密度函数
p, _=quad(fx, 0.5, 1.5)						#计算P(0.5<X<1.5)
print('P(0.5<X<1.5)=%.2f'%p)
f=lambda x: 1/0.5 if x>0 and x<0.5 else 0	#X|Y=1.5的密度函数
p, _=quad(f, 0.1, 0.4)						#计算P(0.1<Y<=0.4|X=1.5)
print('P(0.1<Y≤0.4|X=1.5)=%.4f'%p)

根据各行注释，不难理解该程序。需要注意的是，由于区间$(0.5,1.5)$位于$f_X(x)$的非零区间$(0,2)$内，故计算$P(0.5<X<1.5)$的积分式中只取$f_X(x)$对应的非零表达式（见第2行）。相仿地，第5行设置$f_{Y|X}(y|1.5)$时，也仅考虑其非零表达式“2”。运行程序，输出：

P(0.5<X<1.5)=0.75
P(0.1<Y≤0.4|X=1.5)=0.60

此即为本例的计算结果。
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》