随机变量

随机变量的定义域是基本事件的全体，本质是一种函数(映射关系)。

"取值随机会而定" "是实验结果的函数"

随机事件 → 静态(常量)

随机变量 → 动态(变量)

离散型

常见的离散型随机变量：两点分布、二项分布、泊松分布

（分布律）设 为离散型随机变量，

			...		...
			...		...

&

离散型-04.png

伯努利分布（Bernoulli Distribution）

也叫做两点分布、零一分布，即事件的结果只有两个值，且事件之间相互独立，适合于实验结果只有两种可能的单词试验，例如抛硬币，质检等。

记做 ，或，读作服从参数为P的伯努利分布

设抛一枚不均匀的硬币，其正面朝上的概率为0.6，其概率分布图：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def bernoulli(p = 0.0):
    
    ber_dist = stats.bernoulli(p)
    x = [0,1]
    pmf = [ber_dist.pmf(x[0]),ber_dist.pmf(x[1])]
    x_name = ['0','1']
    plt.xticks(x,x_name)
    
    plt.ylabel('Probability')
    plt.title('PMF of bernoulli distribution')
    plt.bar(x,pmf)
    plt.show()


bernoulli(p=0.4)

伯努利分布.png

二项分布 （Binomial Distribution）

重复n次的伯努利试验，在每次实验中只有两种可能的结果，且事件之间相互独立。

记做 ，或，读作服从参数为n和p的二项分布

• ，

设抛一枚不均匀的硬币20次，其中正面朝上的概率为0.6，其概率分布图：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def binom(n,p):
    binom_dis = stats.binom(n,p)
    x = np.arange(binom_dis.ppf(0.01),binom_dis.ppf(0.99))
    print(x)
    fig,ax = plt.subplots(1,1)
    ax.plot(x, binom_dis.pmf(x), 'bo',ms=5, label='binom pmf')
    ax.vlines(x, 0, binom_dis.pmf(x), colors='b',lw=5, alpha=0.5)
    ax.legend(loc='best', frameon=False)
    plt.ylabel('Probability')
    plt.title('PMF of binomial distribution(n={}, p={})'.format(n, p))
    plt.show()

binom(20,0.6)

二项分布.png

泊松分布（Poisson Distribution）

描述单位时间内随机事件发生的次数，满足一下条件：

1. 在任意两个相等长度的区间上，事件发生的概率相等
2. 事件在某一区间上是否发生与事件在其他区间上是否发生所独立

记做，或，读作服从参数为的泊松分布

• ，

设某路口发生事故的比率是每天2次，那么此处一天内发生k次事故的概率是多少？

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def poisson(mu):
    poisson_dis=stats.poisson(mu)
    x = np.arange(poisson_dis.ppf(0.001),poisson_dis.ppf(0.999))
    fig,ax = plt.subplots(1,1)
    ax.plot(x,poisson_dis.pmf(x),'bo',ms=5,label='poisson pmf')
    ax.vlines(x,0,poisson_dis.pmf(x),colors='b',lw=5,alpha=0.5)
    ax.legend(loc='best', frameon=False)
    plt.ylabel('Probability')
    plt.title('PMF of poisson distribution(mu={})'.format(mu))
    plt.show()
    
poisson(mu=2)

泊松分布.png

连续型

常见的连续型随机变量：均匀分布、指数分布、正态分布

非离散型是一个范围，设随机变量的分布函数为，如果存在非负函数，使，则称为连续型随机变量，称为的概率密度函数。

性质：

1. 
2. 
3. 对于 ，
4. 若在点是连续的，则
5. 改变在个别点出的函数值不影响
6. 对于，

提到概率分布时，离散型→分布律，连续型→概率密度

均匀分布 (Uniform Distribution)

连续型随机变量具有如下的概率密度函数，则称服从[a,b]上的均匀分布

记做

• ,

指数分布 (Exponential Distribution)

相比于泊松分布表示单位时间内随机事件的平均发生次数，指数分布可用来表示独立事件发生的时间间隔。

记做

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def exponential(loc, scale):
    
    exp_dis = stats.expon(loc,scale)
    x = np.linspace(exp_dis.ppf(0.0001), exp_dis.ppf(0.9999), 100)
    
    pdf = exp_dis.pdf(x)
    
    cdf = exp_dis.cdf(x)
    
    plt.figure(1)
    plt.subplot(211)
    plt.plot(x, pdf, 'b-',  label='pdf')
    plt.ylabel('Probability')
    plt.title(r'PDF/CDF of exponential distribution')  
    plt.legend(loc='best', frameon=False)
   
    plt.subplot(212)
    plt.plot(x, cdf, 'r-', label='cdf')
    plt.ylabel('Probability')
    plt.legend(loc='best', frameon=False)

    plt.show()


exponential(loc=0, scale=2)

指数分布.png

正态分布 (Normal Distribution)

最重要的来啦，之前提到的中心极限定理，当样本量足够大时，样本均值的分布会趋于正态分布。

记做

如果公式中的 ，就叫做标准正态分布！

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

def normal_dis(mu=0, sigma=1):

    norm_dis = stats.norm(mu, sigma) 
    # 在区间[-15, 15]上均匀的取100个点
    x = np.linspace(-15, 15, 100)  

    # 计算该分布在x中个点的概率密度分布函数值(PDF)
    pdf = norm_dis.pdf(x)

    # 计算该分布在x中个点的累计分布函数值(CDF)
    cdf = norm_dis.cdf(x)

    
    plt.figure(1)
    plt.subplot(211)
    plt.plot(x, pdf, 'b-',  label='pdf')
    plt.ylabel('Probability')
    plt.title(r'PDF/CDF of normal distribution')
    plt.text(-5.0, .12, r'$\mu={},\ \sigma={}$'.format(mu, sigma))  
    plt.legend(loc='best', frameon=False)

    plt.subplot(212)
    plt.plot(x, cdf, 'r-', label='cdf')
    plt.ylabel('Probability')
    plt.legend(loc='best', frameon=False)

    plt.show()

normal_dis(mu=5, sigma=3)

正态分布.png

随机变量及其分布的知识点简单复习到这里~

参考来源：
网易云课堂《概率论与数理统计》
https://docs.scipy.org/doc/scipy/reference/stats.html
https://www.cnblogs.com/Belter/p/7545343.html