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 (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 使得 ,则称 为这个分布的α分位数。若 的反函数存在,则有
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,若 使得 ,则称 为这个分布的上α分位数。 若 的反函数存在,则有
例4.2 设 ,若 满足条件 ,则称 为标准正态分布的上α分位数。试计算几个常用的 的值,并画出 的示意图.
计算得到几个常用的 的值见下表, 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:
若级数 绝对收敛,则称级数 的和为随机变量X的数学期望,记为 ,即
定义4.4:设X是一个随机变量,若 存在,则称 为X的方差,记为D(X)或Var(X),即:
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