【学习笔记】第四章概率论与数理统计

2022/1/24 23:36:53

编程Tag： import 位数 alpha 概率论 NoRM 4.1 第四章随机变量数理统计

本文主要是介绍【学习笔记】第四章概率论与数理统计，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

4.1 随机变量的概率计算和数字特征

4.1.1 随机变量的概率计算

例4.1 设 $X\sim N(3,5^2)$ (1）求P{2<X<6}；（2）确定c，使P{-3c<X<2c}=0.6

from scipy.stats import norm
from scipy.optimize import fsolve
print("p=",norm.cdf(6,3,5)-norm.cdf(2,3,5))#做差，后减前
f=lambda c: norm.cdf(2*c,3,5)-norm.cdf(-3*c,3,5)-0.6
print("c=",fsolve(f,0))

定义4.1 α分位数

若连续型随机变量X的分布函数为 ,对于0<α<1,若 $x_\alpha$ 使得 $P\left \{ X\leq x_\alpha \right \}=\alpha$ ,则称 $x_\alpha$ 为这个分布的α分位数。若的反函数 $F^{-1}(x)$ 存在,则有 $x_\alpha =F^{-1}(1-\alpha )$

定义4.2 上α分位数

若连续型随机变量X的分布函数为，对于 $0<\alpha <1$ ,若 $\tilde{x}_\alpha$ 使得 $P\left \{ X>\tilde{x}_\alpha \right \}=\alpha$ ，则称 $\tilde{x}_\alpha$ 为这个分布的上α分位数。 若的反函数 $F^{-1}(x)$ 存在,则有 $\tilde{x}_\alpha =F^{-1}(1-\alpha )$

例4.2 设 $X\sim N(0,1)$ ,若 $z_\alpha$ 满足条件 $P\left \{X > z_\alpha \right \}= \alpha ,0<\alpha <1$ ，则称 $z_\alpha$ 为标准正态分布的上α分位数。试计算几个常用的 $z_\alpha$ 的值,并画出 $z_{0.1}$ 的示意图.
计算得到几个常用的 $z_\alpha$ 的值见下表， $z_{0.1}$ 的示意图见下图：

from scipy.stats import norm
from pylab import plot,fill_between,show,text,savefig,rc 
from numpy import array, linspace, zeros
alpha=array([0.001, 0.005, 0.01, 0.025, 0.05, 0.10])#表中给的alpha的值
za=norm.ppf(1-alpha,0,1)  #求上alpha分位数  #定义4.2
print("上alpha分位数分别为", za)
x=linspace(-4, 4, 100); y=norm.pdf(x, 0, 1)
rc('font',size=16); rc('text',usetex=True)
plot(x,y)  #画标准正态分布密度曲线
x2=linspace(za[-1],4,100)#在0.1对应的上alpha分位数和4之间取100个点
y2=norm.pdf(x2);
y1=[0]*len(x2)
fill_between(x2, y1, y2, color='r')  #y1,y2对应的点之间填充
plot([-4,4],[0,0])  #画水平线    # [-4,0]|[4,0]
text(1.9, 0.07, "$\\leftarrow\\alpha$=0.1")  #标注
savefig("figure4_2.png", dpi=500); show()

4.1.2 随机变量数字特征简介

定义4.3：设随机变量X的分布律为： $P\left \{ X=x_k \right \}=p_k,k=1,2,\cdots ,$

若级数 $\sum_{k=1}^{\infty }x_kp_k$ 绝对收敛，则称级数 $\sum_{k=1}^{\infty }x_kp_k$ 的和为随机变量X的数学期望，记为 ,即 $E(X)=\sum_{k=1}^{\infty }x_kp_k$

定义4.4：设X是一个随机变量，若 $E\left \{ [X-E(X)]^2 \right \}$ 存在，则称 $E\left \{ [X-E(X)]^2 \right \}$ 为X的方差，记为D(X)或Var(X)，即：

$D(X)=Var(X)=E\left \{ [X-E(X)]^2 \right \}$

$\sigma (x)=\sqrt{D(X)}$ 称为标准差或均方差。

方差其实就是随机变量X的函数的数学期望

这篇关于【学习笔记】第四章概率论与数理统计的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！

【学习笔记】第四章 概率论与数理统计

4.1 随机变量的概率计算和数字特征

4.1.1 随机变量的概率计算

4.1.2 随机变量数字特征简介

相关编程文章

【学习笔记】第四章概率论与数理统计