stats | 概率分布与随机数生成（二）——均匀分布、指数分布、正态分布、对数正态分布、卡方分布、t分布、F分布和增长分布

最新推荐文章于 2024-07-08 21:27:42 发布
最新推荐文章于 2024-07-08 21:27:42 发布
阅读量4.1k 收藏 29
点赞数 2
文章标签： js 概率论 c++11 log4j d3.js
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_54000907/article/details/116141805
版权

这是数学模型板块的第二篇推文，上篇介绍了几种离散型分布，从本篇开始介绍连续型概率分布。假定某个连续型分布的 取值范围为[a, b]（a、b可以取无穷），则其概率密度函数 与概率分布函数 的关系：

1 均匀分布

如果 在[a, b]范围内任意相同间隔长度内的概率是等同的，那么X就服从均匀分布（Uniform Distribution），记为 。

均匀分布在 取[a, b]间的任意值的概率密度函数都是 。

stats中的相关函数有：

dunif(x, min = 0, max = 1, log = FALSE)
punif(q, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE)
qunif(p, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE)
runif(n, min = 0, max = 1)

# 概率密度
dunif(seq(1,11,0.5), 1, 11)

##  [1] 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
## [20] 0.1 0.1

# 已知X求累积概率
punif(seq(1,11,0.5), 1, 11)

##  [1] 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70
## [16] 0.75 0.80 0.85 0.90 0.95 1.00

# 已知累积概率求X
qunif(seq(0,1,0.05), 1, 11)

##  [1]  1.0  1.5  2.0  2.5  3.0  3.5  4.0  4.5  5.0  5.5  6.0  6.5  7.0  7.5  8.0
## [16]  8.5  9.0  9.5 10.0 10.5 11.0

# 生成符合均与分布的随机数
runif(10, 1, 11)

##  [1] 6.302010 5.699884 9.597925 9.065036 1.272223 7.165098 6.938233 3.395326
##  [9] 7.864294 5.044557

2 指数分布

在泊松过程中（事件在单位时间内发生次数的数学期望恒定，即 ），则事件第一次发生所需要的时间长度符合指数分布（Exponential Distribution），记为 。

指数分布的概率密度函数：

指数分布具有“无记忆性”，即

stats中的相关函数有：

dexp(x, rate = 1, log = FALSE)
pexp(q, rate = 1, lower.tail = TRUE, log.p = FALSE)
qexp(p, rate = 1, lower.tail = TRUE, log.p = FALSE)
rexp(n, rate = 1)

  • 参数rate相当于 。

概率密度函数关于 的变化图象：

curve(dexp(x, 0.1), 0, 50, col = rgb(0.1, 0, 0.9), lwd = 2)
for(i in seq(0.2, 0.9, 0.1)) {
  curve(dexp(x, i), 0, 50, col = rgb(i, 0, 1-i), lwd = 2, add = T)
}
legend("topright", legend = seq(0.1, 0.9, 0.1), lty = 1, xpd = T,
       col = c(rgb(seq(0.1, 0.9, 0.1), 0, 1-seq(0.1, 0.9, 0.1))),
       title = expression(lambda), lwd = 2)

3 正态分布

正态分布（Normal Distribution），又称高斯分布（Gaussian Distribution），记为 。

正态分布的概率密度函数：

正态分布的性质：

stats中的相关函数有：

dnorm(x, mean = 0, sd = 1, log = FALSE)
pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)
qnorm(p, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)
rnorm(n, mean = 0, sd = 1)

  • mean和sd分别相当于 和 。

概率密度函数关于 的变化图象：

curve(dnorm(x, 0, 0.1), -1, 1, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400)
for(i in seq(0.2, 0.9, 0.1)) {
  curve(dnorm(x, 0, i), -1, 1, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(0.1, 0.9, 0.1), lty = 1, xpd = T,
       col = c(rgb(seq(0.1, 0.9, 0.1), 0, 1-seq(0.1, 0.9, 0.1))),
       title = expression(sigma), lwd = 2)

4 对数正态分布

如果 服从正态分布 ，则 服从对数正态分布（Log Normal Distribution）。

对数正态分布的概率密度函数：

数学期望和方差：

stats中的相关函数有：

dlnorm(x, meanlog = 0, sdlog = 1, log = FALSE)
plnorm(q, meanlog = 0, sdlog = 1, lower.tail = TRUE, log.p = FALSE)
qlnorm(p, meanlog = 0, sdlog = 1, lower.tail = TRUE, log.p = FALSE)
rlnorm(n, meanlog = 0, sdlog = 1)

  • meanlog和sdlog分别相当于 和 。

概率密度函数关于 的变化图象：

curve(dlnorm(x, 0, 0.1), 0, 2, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400)
for(i in seq(0.2, 0.9, 0.1)) {
  curve(dlnorm(x, 0, i), 0, 2, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(0.1, 0.9, 0.1), lty = 1, xpd = T,
       col = c(rgb(seq(0.1, 0.9, 0.1), 0, 1-seq(0.1, 0.9, 0.1))),
       title = expression(sigma), lwd = 2)

  • 可以看出，在 较小时，对数正态分布很接近正态分布。

5 卡方分布

n个互相独立且都服从标准正态分布的随机变量平方和服从卡方分布（Chi-Squared Distribution）,即

记为 。 称为卡方分布的自由度。

stats中的相关函数有：

dchisq(x, df, ncp = 0, log = FALSE)
pchisq(q, df, ncp = 0, lower.tail = TRUE, log.p = FALSE)
qchisq(p, df, ncp = 0, lower.tail = TRUE, log.p = FALSE)
rchisq(n, df, ncp = 0)

  • df为卡方分布的自由度。

概率密度函数关于 的变化图象：

curve(dchisq(x, 1), 0.5, 20, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400)
for(i in seq(0.2, 0.9, 0.1)) {
  j = 10*i
  curve(dchisq(x, j), 0.5, 20, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(1, 9, 1), lty = 1, xpd = T,
       col = c(rgb(seq(0.1, 0.9, 0.1), 0, 1-seq(0.1, 0.9, 0.1))),
       title = expression(n), lwd = 2)

6 t分布

若 服从标准正态分布， 服从自由度为 的卡方分布，

则 服从t分布（Student t Distribution），记为 。 称为t分布的自由度。

t分布的自由度越大，越接近正态分布。

stats中的相关函数有：

dt(x, df, ncp, log = FALSE)
pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE)
qt(p, df, ncp, lower.tail = TRUE, log.p = FALSE)
rt(n, df, ncp)

  • df为t分布的自由度。

概率密度函数关于 的变化图象：

curve(dt(x, 1), -5, 5, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400, ylim = c(0, 0.4))
for(i in seq(0.2, 0.9, 0.1)) {
  j = 10*i
  curve(dt(x, j), -5, 5, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(1, 9, 1), lty = 1, xpd = T,
       col = c(rgb(seq(0.1, 0.9, 0.1), 0, 1-seq(0.1, 0.9, 0.1))),
       title = expression(n), lwd = 2)

7 F分布

若 和 分别服从自由度为 和 的卡方分布，

则 服从F分布（F Distribution），记为 。 和 称为F分布的自由度。

stats中的相关函数有：

df(x, df1, df2, ncp, log = FALSE)
pf(q, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)
qf(p, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)
rf(n, df1, df2, ncp)

  • df1和df2分别相当于 和 。

概率密度函数关于 的变化图象：

curve(df(x, 2, 5), 0, 3, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400)
for(i in seq(0.3, 0.9, 0.1)) {
  j = 10*i
  curve(df(x, j, 5), 0, 20, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(2, 9, 1), lty = 1, xpd = T,
       col = c(rgb(seq(0.2, 0.9, 0.1), 0, 1-seq(0.2, 0.9, 0.1))),
       title = expression(n[1]), lwd = 2)

概率密度函数关于 的变化图象：

curve(df(x, 5, 2), 0, 3, col = rgb(0.1, 0, 0.9), 
      lwd = 2, n = 400, ylim = c(0, 0.7))
for(i in seq(0.2, 0.9, 0.1)) {
  j = 10*i
  curve(df(x, 5, j), 0, 3, col = rgb(i, 0, 1-i), 
        lwd = 2, add = T, n = 400)
}
legend("topright", legend = seq(2, 9, 1), lty = 1, xpd = T,
       col = c(rgb(seq(0.2, 0.9, 0.1), 0, 1-seq(0.2, 0.9, 0.1))),
       title = expression(n[2]), lwd = 2)

8 Logistic分布

逻辑斯蒂分布（Logistic Distribution）,又称增长分布。其

概率分布函数:

概率密度函数：

  • 是中心参数，也是Logistic分布的数学期望；

  • 是分散参数；

  • ， 时称为标准Logistic分布。

stats中的相关函数有：

dlogis(x, location = 0, scale = 1, log = FALSE)
plogis(q, location = 0, scale = 1, lower.tail = TRUE, log.p = FALSE)
qlogis(p, location = 0, scale = 1, lower.tail = TRUE, log.p = FALSE)
rlogis(n, location = 0, scale = 1)

  • location和scale分别相当于 和 。

标准Logistic分布的累积概率函数和概率密度函数：

curve(plogis, -10, 10, col = "blue", lwd = 2)
curve(dlogis, -10, 10, col = "red", lwd = 2, add = T)

R语言学堂
关注
t分布 u分布 卡方分布_常用数据分布、二项分布，伯努利分布，正态分布
weixin_39619170的博客
12-31 1507
数据分布数据分布是—种形象的数据描述方式，用各种统计图形将数的分布形态形象地展现在图形上，指的是数据分概率分布或频数分布，即单个值在整个数据集中的分布。基本概念1、随机变量：随机变量是随机事件在数量上的表现，按取值分类分为离散型随机变量和连续型随机变量。例如随机在两男两 女中抽取两个人，要 求一男一女，有可能出现 （男1 , 女1) 、（男1, 女2) 、（男2, 女1) 、（男2, 女2)...
指数分布，卡方分布和伽马分布
CSDN_LYY的专栏
06-17 1万+
指数分布和卡方分布都是伽马分布的一种特殊情况。 伽马分布 伽马分布一般用符号：X∼Γ(α,β)X\sim \Gamma(\alpha,\beta)X∼Γ(α,β)，概率密度函数如下所示。 f(x)={1βαΓ(α)xα−1e−xβ,x>00,x≤0\begin{aligned} f(x)= \left\{ \begin{aligned} &\frac{1}{\beta^{\alpha}\Gamma(\alpha)}x^{\alpha-1}e^{-\frac{x}{\beta}},x>0
正态、威布尔、指数分布、伽马分布、对数正态分布介绍
最新发布
weixin_46713695的博客
07-08 2075
正态、威布尔、指数分布、伽马分布、对数正态分布介绍
均匀分布 卡方分布_指数分布和卡方分布转换以及初试专业课试题拆封视频
weixin_39740419的博客
11-22 1050
指数分布和卡方分布的转换今天先给大家补充一个对于离散分布的，写密度函数的方法，希望大家学会这种方法。再给大家介绍的是一道关于指数分布和卡方分布的转换的题目，希望大家好好掌握这道题。关于指数分布参数的假设检验也是2019年北京大学应用统计学的一道考题。同样地，还有均匀分布和贝塔分布的转换,即Be(1,1)=U(0,1).21概统互助群欢迎大家加入21概统互助群。方式：加群费为150元，从现...
gamma分布_泊松分布、指数分布、gamma分布
weixin_39566387的博客
11-30 4577
概率分布相关内容：1 概率密度2 期望与协方差3 一元高斯分布[1]4 多元高斯分布[2]5 高斯混合简介6 gamma函数、digamma函数、beta函数7 伯努利分布、beta分布、Dirichlet分布本文主要包含以下内容：1 泊松分布2 泊松分布近似二项分布3 指数分布4 gamma分布1 泊松分布泊松分布(poisson distribution)，以Simeon Denis...
指数分布和伽马分布
weixin_43209681的博客
10-16 6449
指数分布和伽马分布 指数分布的物理意义是“要等到一个随机事件发生，需要经历多久时间”。举一个例子，例如 X ∼ E x p ( 0.25 ) X \sim \rm{Exp}(0.25)X∼Exp(0.25) 表示在单位时间内（一分钟，一小时或一年），该事件平均发生 0.25 次。那么直到事件发生需要 4 个小时，0.25 的倒数。与指数分布类似，伽马分布的物理意义是“要等到 α \alphaα 个随机事件都发生，需要经历多久时间”。因此 α \alphaα 个指数分布的和就是形状参数为 α \alphaα，
matlab生成卡方分布,科学网—Matlab 生成随机数大全 - 强幸子的博文
weixin_39551611的博客
04-11 2488
高斯分布随机数生成randn(a):生成一个a*a的标准高斯(正态)分布的随机阵。randn(a,b)或者randn([a,b]): 生成一个a行b列的标准高斯分布的随机阵。m+sqrt(n)*randn(a):生成一个均值为m,方差为n的满足高斯分布的a*a随机阵。R = normrnd(MU,SIGMA): 生成一个均值为MU,标准差为SIGMA的高斯分布的随机数R = normrnd(MU,...
matlab卡方分布的随机数,MATLAB产生随机数
weixin_35340730的博客
03-16 2165
(1)用计算机产生的是“伪随机数”。用投色子计数的方法产生真正的随机数 , 但电脑若也这样做 , 将会占用大量内存 ; 用噪声发生器或放射性物质也可产生真正的随机数 , 但不可重复 . 而用数学方法产生最适合计算机 , 这就是周期有限 , 易重复的 ” 伪随机数 ”matlab里和随机数有关的函数：betarnd 贝塔分布的随机数生成器binornd 二项分布的随机数生成器chi2rnd 卡方分布...
c++产生均匀分布随机数赋值_不随机的随机数：高斯随机数生成器综述
weixin_39646658的博客
11-21 769
随机数的使用非常广泛，例如在从统计总体中抽取有代表性的样本时，或者在将实验动物分配到不同的试验组的过程中，或者在进行蒙特卡洛模拟法计算的时候等等。事实上，这些统计技术中使用的随机数均为“伪随机数”，由各种各样的随机数生成器生成。本文将高斯随机数生成器分为四类：一、直接利用累积分布函数的反函数生成随机数；二、转换变形方法，将均匀分布直接转换为高斯分布；三、拒绝采样，在转换方法中增加了按条件...
python二项分布产生随机数_python二项分布产生随机数_numpy教程：随机数模块numpy.random...
weixin_35573869的博客
01-29 1140
随机数种子RandomStateRandomStateexposes anumber of methods for generating random numbersdrawn from a varietyof probability distributions.使用示例prng = np.random.RandomState(123456789)#定义局部种子prng.rand(2, 4)p...
python二项分布产生随机数_numpy教程：随机数模块numpy.random
weixin_39540178的博客
12-22 1343
随机数种子RandomStateRandomStateexposes anumber of methods for generating random numbersdrawn from a varietyof probability distributions.使用示例prng = np.random.RandomState(123456789)#定义局部种子prng.rand(2, 4)p...
【概率论与数理统计02】那些年，正态分布、指数分布、伽马分布、卡方分布之间的发生的那些事儿（下）
Zhang的博客
07-25 1万+
前记：书接上回，先来回顾一下四个分布之间的关系图。 图1 四个分布关系简图 3. 简洁的三哥——指数分布 指数分布及特性    形如其名，指数分布的概率密度函数应该是最简单的了，就是单纯的指数函数的形式 f(x)={λe−λx,x>00,x≤0. f(x) = \left\{ \begin{aligned} \lambda e^{-\lambda x},\quad &x>0\\ 0,\qquad&x \le0. \end{aligned} \right. f.
浅谈两点分布，二项分布，伽马分布，指数分布，泊松分布，卡方分布，t分布，F分布，均匀分布，正态分布，β分布，狄利克雷分布--概率分布家族的伦理关系
ibelieve8013的博客
05-07 1万+
分布家族的伦理关系 回过头看这排版真是难受，用Markdown重新整理了一下排版：https://blog.csdn.net/ibelieve8013/article/details/102569844 浅谈两点分布，二项分布，伽马分布，指数分布，泊松分布，卡方分布，t分布，F分布，均匀分布，正态分布，β分布，狄利克雷分布。（红丸子，白丸子，四喜丸子。。。） 我们知道，在数理统计中，经...
卡方检验与卡方分布
bluewater的专栏
04-14 3621
卡方检验 笔记18：SPSS交叉表卡方与非参数卡方检验有何区别？附案例|数据小兵博客  http://www.datasoldier.net/archives/893 卡方检验，最透彻直接的概念是验证观测频数与理论频数的吻合程度。 SPSS统计软件有两个菜单可以完成“卡方检验”，第一处是交叉表卡方，第二处是非参数卡方，大家注意啊，他们是有区别的，各自执行不同的任务。 具体来说，卡方检验常用...
数学与统计学习： 指数衰减应用（指数分布&对数分布）
热门推荐
zhouwenyuan1015的博客
03-29 3万+
1、应用背景：实际业务场景，我们会遇到一些特征随着时间（量）的变大，实际值的意义成指数衰减或增加。例如： 用户收到的邮件越多，每封邮件对用户的影响越小，因此计算每封邮件的价值时，我们不能等同计算，需要做一种衰减处理。 用户邮件缺失度：我们期期望收件越少用户确实度越大，当收件量大到一定程度时，邮件缺失度不变。 2、常见的应用函数 指数函数:y=a^x 对数函数：y=log(x) 3.实际应用案例
深度学习需要掌握的 13 个概率分布
zenRRan的博客
08-30 301
作者丨Sophia@知乎来源丨https://zhuanlan.zhihu.com/p/158801020编辑 | 极市平台本文仅用于学术分享，著作权归作者所有。如有侵权，请联系后台作删...
均匀分布 卡方分布_高等数理统计—第一章 统计分布基础
weixin_39979159的博客
11-22 1484
才疏学浅，关于数理统计的很多内容仅流于表面，望读者不吝赐教。第一章 统计分布基础 本章除指数分布族、 分布本科一般不学之外，其余基本上都是很简单的内容。 已故的陈希孺院士在《高等数理统计学》一书的序中写到：“多做习题，尤其是多做难题，对掌握并熟练数理统计学基本的论证方法和技巧，有着不可替代的重要性”。陈院士的《高等数理统计学》六百多页厚厚的一本书，有近一半的内容是习题与解答，可见对其重视，望大家...
伽马分布，指数分布，卡方分布三者关系
qq_52595283的博客
03-13 8256
伽马分布，指数分布，卡方分布三者联系
Python概率分布与可视化全解析
涵盖了连续型和离散型随机变量的多个概率分布，包括但不限于贝塔分布、二项分布、卡方分布、狄利克雷分布、指数分布、F分布、伽玛分布、几何分布、耿贝尔分布、超几何分布、拉普拉斯分布（双指数分布）、逻辑斯谛...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值