概率统计Python计算：自定义分布的方差计算

对于自定义分布，则可根据方差的计算公式，先分别计算出$X$的1阶原点矩$E(X)$和2阶原点矩$E(X^2)$，然后计算$D(X)=E(X^2)-[E(X){]}^2$。
例1 设随机变量$X$的密度函数为$f(x)=\frac{1}{2}{e}^{-|x|},x\in (-\infty ,+\infty )$。计算方差$D(X)$。
解： 注意到$f(x)$是一个偶函数，所以$xf(x)$是奇函数，而$x^{2}f(x)$为偶函数。于是$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx=0$。
$$\begin{gathered} E(X^2)={\int }_{-\infty }^{+\infty }{x}^{2}f(x)dx=2{\int }_0^{+\infty }{x}^{2}f(x)dx \\ =2{\int }_0^{+\infty }{x}^2\cdot \frac{1}{2}{e}^{-x}dx={\int }_0^{+\infty }{x}^2{e}^{-x}dx \\ =-{\int }_0^{+\infty }{x}^{2}d{e}^{-x}=2{\int }_0^{+\infty }x{e}^{-x}dx=2 \end{gathered}$$
故
$$D(X)=E(X^2)-[E(X){]}^2=2-0=2.$$
下列代码验算本例计算结果。

import numpy as np                              #导入numpy
f=lambda x: np.exp(-abs(x))/2                   #概率密度函数f(x)
Ex=expectcont(pdf=f)                            #1阶原点矩
Ex2=expectcont(pdf=f, func=lambda x:x**2)       #2阶原点矩
print('D(X)=%.2f'%(Ex2-Ex**2))                  #输出方差

程序的第2行设置概率密度函数$f(x)=\frac{1}{2}{e}^{-|x|}$。第3行调用博文《连续型自定义分布数学期望的计算》定义的expectcont函数，向表示概率密度函数的参数pdf传递$f(x)$，表示随机变量函数的参数func使用缺省值$g(x)=x$，计算数学期望$E(X)$。第5行调用expectcont函数，传递给参数func的是$g(x)=x^2$，计算2阶原点矩$E(X^2)$。第6行输出$D(X)=E(X^2)-[E(X){]}^2$。运行程序，输出

D(X)=2.00

此即为$D(X)=2$精确到百分位的值。
例2 设$(X,Y)$的联合分布律为

计算$D(X)$，$D(Y)$。
解 ：不难算得$X$和$Y$的边缘分布律均为$\left(\begin{array}{ccc}-1& 0& 1\\ 3/8& 2/8& 3/8\end{array}\right)$。因此，$E(X)=E(Y)=0$，$E(X^2)=E(Y^2)=3/4$。于是$D(Y)=D(X)=E(X^2)-[E(X){]}^2=3/4$。下列代码验算这一结果。

import numpy as np                              #导入numpy
from sympy import Rational as R                 #导入Rational
X=np.array([-1, 0, 1])                          #X的取值
Y=np.array([-1, 0, 1])                          #Y的取值
Pxy=np.array([[R(1,8), R(1,8), R(1,8)],         #联合分布律
              [R(1,8), R(0), R(1,8)],
              [R(1,8), R(1,8), R(1,8)]])
Ex=expect(Pxy, X)                               #计算E(X)
Ex2=expect(Pxy,X, func=lambda x,y: x*x)         #计算E(X^2)
Ey=expect(Pxy, Yv=Y, func=lambda x,y:y)         #计算E(Y)
Ey2=expect(Pxy, Yv=Y, func=lambda x, y: y*y)    #计算E(Y^2)
Dx=Ex2-Ex**2                                    #计算D(X)
Dy=Ey2-Ey**2                                    #计算D(Y)
print('D(X)=%.2f'%Dx)
print('D(Y)=%.2f'%Dy)

借助代码中的注释信息，不难理解程序。第8~11行调用函数exepect（详见博文《离散型自定义分布数学期望的计算》）计算$X$，$Y$的1、2阶原点矩。注意，由于我们对1-维的和2-维的数据采用统一的程序计算变量的期望，所以不用对2-维数据单独计算边缘分布。运行程序，输出

D(X)=3/4
D(Y)=3/4

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》