概率统计Python计算：经典分布数学期望的计算

我们知道Python的scipy.stats包提供了大量的经典分布（如0-1分布、二项分布、泊松分布，均匀分布，指数分布，正态分布……等等），这些经典分布对象拥有计算数学期望的expect函数，该函数常见分布的调用接口如下表所列。

分布	调用接口	参数
bernoulli（0-1分布）	expect(func, args=(p,))	func：随机变量函数，缺省值为x；args：传递分布参数p
binom（二项分布）	expect(func, args=(n, p))	func与上同，args：传递分布参数(n,p)
poisson（泊松分布）	expect(func, args=(mu,))	func与上同，args：传递分布参数$\lambda$
uniform（均匀分布）	expect(func, loc=0, scale=1)	func与上同，loc：传递分布参数$a$，缺省值为0，scale：传递$b-a$，缺省值为1
expon（指数分布）	expect(func, scale=1)	func与上同，scale：传递分布参数$\lambda$，缺省值为1
norm（正态分布）	expect(func, loc=0, scale=1)	func与上同，loc：传递分布参数$\mu$，缺省值为0，scale：传递分布参数$\sigma$，缺省值为1

例1 某城市一天内发生严重刑事案件数$X$服从参数为$\frac{1}{3}$的泊松分布。记$Y$表示一年（365天）内未发生严重刑事案件的天数，计算$E(Y)$。
解：。由于一天中发生严重刑事案件数$X$~$Exp(\frac{1}{3})$，所以一天中无刑事案件发生的概率$p=P(X=0)=e^{-\frac{1}{3}}$。一年中无刑事案件发生的天数$Y$~$b(365,p)$，所以$E(Y)=365p$。用下列代码即可算得$E(Y)$

from scipy.stats import poisson, binom      #导入poisson和binom
p=poisson.pmf(k=0, mu=1/3)                  #计算p=P(X=0)
n=365                                       #设置一年天数n
mean=binom.expect(args=(n, p))              #计算Y~b(n, p)的数学期望
print('E(Y)=%.2f'%mean)

注意程序中第4行调用二项分布$b(365,p)$对象binorm的expect函数计算$Y$的数学期望。该函数中命名参数args需传递二项分布的两个参数$n$和$p$。运行程序，输出计算结果

E(Y)=261.53

scipy.stats包中提供的各经典分布的expect函数，均有命名参数func，其默认值为恒等函数$f(x)=x$。传递不同的函数，即可计算变量函数的期望。
例2 设电压$X$~$N(0,9)$，将电压施加于一检波器，其输出电压为$Y=5X^2$，计算输出电压$Y$的均值。
解：本题就是在$X$~$N(0,9)$，$Y=g(X)=5X^2$的假设下，计算$E(Y)$。下列代码完成计算。

from scipy.stats import norm                #导入norm
g=lambda x: 5*x**2                          #设置函数Y=g(X)=5X^2
mean=norm.expect(func=g, loc=0, scale=3)    #计算E(Y)
print('E(5X^2)=%.2f'%mean)

程序的第3行调用表示正态分布$N(0,9)$norm对象的函数expect，传递给参数func的函数g定义在第2行，即$g(X)=5X^2$。参数loc为0，scale为3。运行程序，输出

E(5X^2)=45.00

对于构成随机向量$(X,Y)$的两个随机变量$X$和$Y$，若均服从经典分布且相互独立，则$(X,Y)$的函数$Z=XY$的期望也可以直接调用各自的expect函数加以计算。
例3 设随机变量$X$~$Exp(1/2)$，$Y$~$Exp(1/4)$，且$X$和$Y$相互独立，计算$E(XY)$。
解：由$X$~$Exp(1/2)$，$Y$~$Exp(1/4)$，由于$E(X)=1/2$，$E(Y)=1/4$。由$X$与$Y$相互独立，根据数学期望的性质知$E(XY)=E(X)E(Y)=1/8$。下列代码验算$E(XY)$。

from scipy.stats import expon           #导入expon
meanx=expon.expect(scale=1/2)           #计算E(X)
meany=expon.expect(scale=1/4)           #计算E(Y)
print('E(XY)=%.3f'%(meanx*meany))       #输出E(XY)

运行程序，输出

E(XY)=0.125

此即为$E(XY)=1/8$精确到千分位的值。
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》