python实现概率论(2)

本文介绍了概率论中三种常见的连续型随机变量:均匀分布、指数分布和正态分布。均匀分布是最简单的分布形式,其密度函数在指定区间内恒定。指数分布描述了仅取非负实数的概率模型。正态分布,又称为高斯分布,其密度函数受位置参数μ和尺度参数σ的影响,μ决定了分布的位置,σ决定了分布的形状。通过Python代码展示了这三种分布的图形表示。
摘要由CSDN通过智能技术生成

一.常见的连续型随机变量及其密度函数

(1)均匀分布:

一般地,在有限区间 [a,b]上为常数,在此区间外为零的密度函数p(x) 都称为均匀分布,并记为 U(a,b)

密度函数:

g(x)=\left\{ \begin{aligned} \frac{1}{b-a} & &{a\leq x \leq b}\\ {0}\\ \end{aligned} \right.

分布函数: 

F(x)=\left\{ \begin{aligned} {0} & &{x<a} \\ \frac{x-a}{b-a} & &{a\leq x <b} \\ {1} & &{x\geq b} \end{aligned} \right.

 

 均匀分布是最简单的,也是最常见的分布.

# 【0,1】上的均匀分布
a = float(0)
b = float(1)

x = np.linspace(a, b)
y = np.full(shape = len(x),fill_value=1/(b - a))  # np.full 构造一个数组,用指定值填充其元素

plt.plot(x,y,"b",linewidth=2)
plt.ylim(0,1.2)
plt.xlim(-1,2)
plt.xlabel('X')
plt.ylabel('p (x)')
plt.title('uniform distribution')
plt.show()

 (2)指数分布

 若随机变量 X的密度函数为

F(x)=\left\{ \begin{aligned} \lambda e^{-\lambda x} & &{x\geq 0}\\ 0 & &{x< 0} \\ \end{aligned} \right.

则称 X 服从指数分布, 记作 X∼Exp(λ), 其中参数 λ>0。其中 λ 是根据实际背景而定的正参数。假如某连续随机变量 X∼Exp(λ), 则表示 X 仅可能取非负实数。 

分布函数 

F(x)=\left\{ \begin{aligned} {1-e^{-\lambda x}} & &{x\geq 0}\\ 0 & &{x< 0}\\ \end{aligned} \right.

 

# 指数分布
lam = float(1.5)

x = np.linspace(0,15,100)
y = lam * np.e**(-lam * x)

plt.plot(x,y,"b",linewidth=2) 
plt.xlim(-5,10)
plt.xlabel('X')
plt.ylabel('p (x)')
plt.title('exponential distribution')
plt.show()

 (3)正态分布

 若随机变量 X 的密度函数为

p(x)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}}, \quad-\infty<x<\infty

 则称 X 服从正态分布, 称 X 为正态变量, 记作 X∼N(μ,σ^2)。 其中参数 −∞<μ<∞,σ>0

## 已知正态分布的密度函数求分布函数
from sympy import *
from sympy.abc import mu,sigma
x = symbols('x')
p_x = 1/(sqrt(2*pi)*sigma)*E**(-(x-mu)**2/(2*sigma**2))
integrate(p_x, (x, -oo, x))

 

由图可知,如果固定 σ,改变 μμ的值,则图形沿 x轴平移。 如果固定 μ, 改变 σ 的值,则分布的位置不变,但 σ 愈小,曲线呈高而瘦,分布较为集中; σ 愈大,曲线呈矮而胖, 分布较为分散。

可以得到

1.正态密度函数的位置由参数 μ 所确定, 因此称 μ 为位置参数。

2.正态密度函数的尺度由参数 σ 所确定, 因此称 σ 为尺度参数 

 

 

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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