概率统计Python计算:连续型随机变量分布(norm)

2024-08-22 22:58

本文主要是介绍概率统计Python计算:连续型随机变量分布(norm),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
scipy.stats的norm对象表示正态分布,下表说明norm的几个常用函数。

函数名参数功能
rvs(loc, scale, size)loc,scale:分布参数 μ \mu μ σ \sigma σ,缺省值分别为0和1,size:产生的随机数个数,缺省值为1产生size个随机数
pdf(x, loc, scale)x:自变量取值,loc,scale:与上同概率密度函数 f ( x ) f(x) f(x)
cdf(x, loc, scale)x,loc,scale:与上同累积概率函数(分布函数) F ( x ) F(x) F(x)
ppf(q, loc, scale)q:分位点函数自变量,loc,scale:与上同分布函数的反函数 F − 1 ( q ) F^{-1}(q) F1(q)
sf(x, loc, scale)x:自变量取值,loc,scale:与上同残存函数 1 − F ( x ) 1-F(x) 1F(x)
isf(q, loc, scale)q:分位点函数自变量,loc,scale:与上同残存函数的反函数 S − 1 ( q ) S^{-1}(q) S1(q)

注意norm对象的各函数的参数loc表示对称轴位置,此参数对应正态分布的参数 μ \mu μ,缺省值为0。scale表示缩放比例,对应正态分布参数的 σ 2 \sigma^2 σ2算术根 σ \sigma σ,缺省值为1。
例1 X X X~ N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2),试计算 P ( μ − σ < X < μ + σ ) P(\mu-\sigma<X<\mu+\sigma) P(μσ<X<μ+σ) P ( μ − 2 σ < X < μ + 2 σ ) P(\mu-2\sigma<X<\mu+2\sigma) P(μ2σ<X<μ+2σ) P ( μ − 3 σ < X < μ + 3 σ ) P(\mu-3\sigma<X<\mu+3\sigma) P(μ3σ<X<μ+3σ)

P ( μ − σ < X < μ + σ ) = P ( − σ < X − μ < σ ) = P ( − 1 < X − μ σ < 1 ) = 2 Φ ( 1 ) − 1. P(\mu-\sigma<X<\mu+\sigma)=P(-\sigma<X-\mu<\sigma)=P\left(-1<\frac{X-\mu}{\sigma}<1\right)=2\Phi(1)-1. P(μσ<X<μ+σ)=P(σ<Xμ<σ)=P(1<σXμ<1)=(1)1.
相仿地可得 P ( μ − 2 σ < X < μ + 2 σ ) = 2 Φ ( 2 ) − 1 = 0.9544 P(\mu-2\sigma<X<\mu+2\sigma)= 2\Phi(2)-1=0.9544 P(μ2σ<X<μ+2σ)=(2)1=0.9544 P ( μ − 3 σ < X < μ + 3 σ ) = 2 Φ ( 3 ) − 1 P(\mu-3\sigma<X<\mu+3\sigma)= 2\Phi(3)-1 P(μ3σ<X<μ+3σ)=(3)1。下列代码完成计算

p1=2*norm.cdf(1)-1			#计算2Phi(1)-1
p2=2*norm.cdf(2)-1			#计算2Phi(2)-1
p3=2*norm.cdf(3)-1			#计算2Phi(3)-1
print('P(mu-sigma<X<mu+sigma)=%.4f'%p1)
print('P(mu-2sigma<X<mu+2sigma)=%.4f'%p2)
print('P(mu-3sigma<X<mu+3sigma)=%.4f'%p3)

程序的第2~4行计算的是标准正态分布的分布函数在1、2、3处的值 Φ ( 1 ) \Phi(1) Φ(1) Φ ( 2 ) \Phi(2) Φ(2) Φ ( 3 ) \Phi(3) Φ(3)的值,故调用norm(第1行导入)的cdf函数并使用loc和scale参数的默认值0和1。程序运行输出:

P(mu-sigma<X<mu+sigma)=0.6827
P(mu-2sigma<X<mu+2sigma)=0.9545
P(mu-3sigma<X<mu+3sigma)=0.9973

由此可见,服从参数为 μ \mu μ σ 2 \sigma^2 σ2的正态分布的随机变量 X X X其值落在区间 ( μ − 3 σ , μ + 3 σ ) (\mu-3\sigma, \mu+3\sigma) (μ3σ,μ+3σ)内几乎是肯定的事。这就是所谓的“3 σ \sigma σ法则”,其几何意义如图2-15所示。
在这里插入图片描述
例2 某企业准备通过招聘考试招收职工,根据考试分数,从高分到低分分别录取正式职工280人,临时工20人。报考的人数是1657,考试满分是400分。已知考试成绩 X X X~ N ( 166 , σ 2 ) N(166, \sigma^2) N(166,σ2),其中 σ 2 \sigma^2 σ2未知。此外,360分以上的高分考生31人。设某考生得256分,问他能否被录取?能否被聘为正式工?
:由于考试成绩 X X X~ N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2),其中 μ = 166 \mu=166 μ=166 σ 2 \sigma^2 σ2未知。设 X X X的分布函数为 F ( x ) F(x) F(x)。按题意有 P ( X ≥ 360 ) = 31 / 1657 P(X\geq 360)=31/1657 P(X360)=31/1657,即 P ( X ≤ 360 ) = 1 − P ( X ≥ 360 ) = 1 − 31 / 1657 = 1626 / 1657 P(X\leq 360)=1-P(X\geq 360)=1-31/1657=1626/1657 P(X360)=1P(X360)=131/1657=1626/1657。利用标准化
1626 1657 = P ( X ≤ 360 ) = F ( 360 ) = Φ ( 360 − 166 σ ) = Φ ( 194 σ ) . \frac{1626}{1657}=P(X\leq 360)=F(360)=\Phi\left(\frac{360-166}{\sigma}\right)=\Phi\left(\frac{194}{\sigma}\right). 16571626=P(X360)=F(360)=Φ(σ360166)=Φ(σ194).
σ = 194 / Φ − 1 ( 1626 1657 ) \sigma=194/\Phi^{-1}\left(\frac{1626}{1657}\right) σ=194/Φ1(16571626)。记 X X X的残存函数 S ( x ) = 1 − F ( x ) S(x)=1-F(x) S(x)=1F(x),设录取员工的最低分数为 x 1 x_1 x1,则按题意有 S ( x 1 ) = 1 − F ( x 1 ) = P ( X ≥ x 1 ) = 300 / 1657 S(x_1)=1-F(x_1)=P(X\geq x_1)=300/1657 S(x1)=1F(x1)=P(Xx1)=300/1657,于是 x 1 = S − 1 ( 300 1657 ) x_1=S^{-1}\left(\frac{300}{1657}\right) x1=S1(1657300)。相仿地,设录取的正式员工的最低分数为 x 2 x_2 x2,则 x 2 = S − 1 ( 280 1657 ) x_2=S^{-1}\left(\frac{280}{1657}\right) x2=S1(1657280)。分别比较考生成绩与 x 1 x_1 x1 x 2 x_2 x2的大小,即可判断他是否能被录取为临时工,或正式工。下列代码完成本例计算。

from scipy.stats import norm            #导入norm
mu=166                                  #mu=166
scor=256                                #考生成绩scor
q1=31/1657                              #高分概率q1
q2=300/1657                             #录取概率q2
q3=280/1657                             #录取为正式员工概率q3
x=norm.isf(q=q1)                        #x=Phi^(-1)(1-q1)
sigma=(360-mu)/x                        #计算sigma
x1=norm.isf(q=q2, loc=166, scale=sigma) #x1=F^(-1)(1-q2)为最低录取分数
x2=norm.isf(q=q3, loc=166, scale=sigma) #x2=F^(-1)(1-q3)正式员工最低分数
print('x1<=scor is %s'%(x1<=scor))      #比较x1与scor
print('x2<=scor is %s'%(x2<=scor))      #比较x2与scor

程序代码逐句均有注释,读者不难理解。此处着重强调第7行、第9行和第10行调用残余函数的反函数isf,分别传递 q 1 q_1 q1 q 2 q_2 q2 q 3 q_3 q3计算 Φ − 1 ( 1 − q 1 ) \Phi^{-1}(1-q_1) Φ1(1q1) F − 1 ( 1 − q 2 ) F^{-1}(1-q_2) F1(1q2) F − 1 ( 1 − q 3 ) F^{-1}(1-q_3) F1(1q3)。运行程序2.14,输出:

x1<=scor is True
x2<=scor is True

这意味着该考生不但能被录取,还能成为正式工。
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》

这篇关于概率统计Python计算:连续型随机变量分布(norm)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1097643

相关文章

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py