離散分布

退化分布

若r.v.??只取常數值c，即??,這時分布函數為：??

把這種分布稱為退化分布或者單點分布。

伯努利分布

在一次實驗中，事件A出現的概率為??,不出現的概率為??,若用??記事件A出現的次數，則??僅取值0或1，相應的概率分布為

這個分布稱為伯努利分布，也叫兩點分布。

from?IPython.core.pylabtools?import?figsize
import?numpy?as?np
import?scipy.stats?as?stats
from?matplotlib?import?pyplot?as?plt
import?warnings
warnings.filterwarnings("ignore")
%matplotlib?inline

X?=?np.arange(0,?2,1)
p?=?0.2?
pList?=?stats.bernoulli.pmf(X,?p)
plt.plot(X,?pList,?marker='o',linestyle='None')
plt.vlines(X,?0,?pList)
plt.xlabel('$k$')
plt.ylabel('$P(X?=?k)$')
plt.title('$P=%.2f$'?%?p)
plt.show()

二項分布

• N：實驗次數或潛在事件發生數的一個正整數

• P：在一次實驗中一種事件發生的概率

figsize(12.5,?4)
binomial?=?stats.binom
parameters?=?[(10,?.4),?(10,?.9)]

for?i?in?range(2):
????N,?p?=?parameters[i]
????_x?=?np.arange(N?+?1)
????plt.bar(_x?-?0.5,?binomial.pmf(_x,?N,?p),alpha=0.6,
????????????label="$N$:?{},?$p$:?{:.1f}"?.format(N,?p),
????????????linewidth=3)

plt.legend(loc="upper?left")
plt.xlim(0,?10.5)
plt.xlabel("$k$")
plt.ylabel("$P(X?=?k)$")
Text(0,?0.5,?'$P(X?=?k)$')

超幾何分布

對某批N 件產品進行不放回抽樣檢查,若這
批產品中有M件次品，現從整批產品中隨機抽出
n件產品，則在
這n件產品中出現的次品數x是隨機變量，它取值0，1, 2，..
n，其概率分布為超幾何分布.

#?超幾何分布?hypergeometric(ngood,?nbad,?nsample,?size=None)?好的總數、壞的總數、每次采樣數、試驗次數

s?=?np.random.hypergeometric(10,20,5,size=1000000)
p?=?sum(s>=4)/1000000.
fig?=?plt.figure(figsize=(8,6))
a1?=?fig.add_subplot(2,2,1)
a1.hist(s?,bins=20,color='b',alpha=0.3)
plt.show()

Poisson分布

若事件流具有平穩性、無后效性、普通性，則稱該事件流為泊松事件流(泊松流)。

• 平穩性:在任意時間區間內，事件發生k次(k≥0)的概率只依賴于區間長度而與區間端點無關.

• 無后效性:在不相重疊的時間段內，事件的發生是相互獨立的.

• 普通性:如果時間區間充分小，事件出現兩次或兩次以上的概率可忽略不計.

• λ為任意正數,被稱為Poisson分布的強度。λ越大，得到大值的概率越大；λ越小，得到小值的概率越大。

• k為任意非負整數，即k必須為0、1、2之類的值。

Poisson分布的重要性質是：它的期望值和方差值都等于它的參數??

figsize(12.5,?4)

lams?=?[1,5,10]
for?i?in?lams:
????plt.scatter(np.arange(20),stats.poisson.pmf(np.arange(20),?mu=i),s=100,label='lam={}'.format(i))
????plt.plot(np.arange(20),stats.poisson.pmf(np.arange(20),?mu=i))

plt.legend()
<matplotlib.legend.Legend?at?0x277b1ad2f28>

幾何分布

在事件A發生的概率為p的伯努利試驗中，若
以η記A首次出現時的試驗次數，則η為隨機變量，它可能取的
值為1，2，3，…其概率分布為幾何分布:

?η?

k?=?5??
p?=?0.6
X?=?np.arange(1,?k+1,1)
pList?=?stats.geom.pmf(X,p)
plt.vlines(X,?0,?pList,colors='r')
plt.xlabel('$k$')
plt.ylabel('$p\{X=k\}$')
plt.title('p=%.2f'?%?p)
plt.show()

帕斯卡分布

在伯努利試驗中，若以ζ記第r次成
功出現時的試驗次數，則ζ是隨機變量，取值r，r+l, .其概率
分布為帕斯卡分布:?ζ?

負二項分布

對巴斯卡分布，可以略加推廣，即去掉r是正整數的限制，這
便得到負二項分布
對于任意實數r>0，稱

??
為負二項分布。

可證??

fig,?ax?=?plt.subplots(1,?1)
n,?p?=?0.4,?0.4
mean,?var,?skew,?kurt?=?stats.nbinom.stats(n,?p,?moments='mvsk')
x?=?np.arange(stats.nbinom.ppf(0.01,?n,?p),
??????????????stats.nbinom.ppf(0.99,?n,?p))
ax.plot(x,?stats.nbinom.pmf(x,?n,?p),?'bo',?ms=8,?label='nbinom?pmf')
ax.vlines(x,?0,?stats.nbinom.pmf(x,?n,?p),?colors='b',?lw=5,?alpha=0.5)
rv?=?stats.nbinom(n,?p)
ax.vlines(x,?0,?rv.pmf(x),?colors='k',?linestyles='-',?lw=1,
????????label='frozen?pmf')
ax.legend(loc='best',?frameon=False)
plt.show()

連續分布

均勻分布

若a,b為有限數，由下列密度函數定義的分布
稱為[a, b].上均勻分布:

?或?

plt.plot(np.linspace(-4,4,100),stats.uniform.pdf(np.linspace(-4,4,100)))
plt.fill_between(np.linspace(-4,4,100),stats.uniform.pdf(np.linspace(-4,4,100)),alpha=0.15)
plt.plot(np.linspace(-4,4,100),stats.uniform.cdf(np.linspace(-4,4,100)))
plt.text(x=-1.5,y=0.7,s="pdf(uniform)",rotation=65,alpha=0.75,weight="bold",color="b")
plt.text(x=-0.4,y=0.5,s="cdf",rotation=55,alpha=0.75,weight="bold",color="r")
Text(-0.4,?0.5,?'cdf')

正態分布

一個正態分布用X～N(μ,1/τ)表示，它帶有兩個參數：均值μ和精準度τ。這里用1/τ代替了σ2,主要是因為這樣能簡化數據分析。記住：τ越小，分布越寬(即我們越不能確定)；τ越大，分布越窄(即我們越能確定)。不管怎么樣，τ永遠為正數。

一個服從N(μ,1/τ)的隨機變量的概率密度函數如下：

#?展示正態分布的不同密度函數
figsize(12.5,?4)

nor?=?stats.norm
x?=?np.linspace(-8,?7,?150)
mu?=?(-2,?0,?3)
tau?=?(.7,?1,?2.8)

parameters?=?zip(mu,?tau)

for?_mu,?_tau?in?parameters:
????plt.plot(x,?nor.pdf(x,?_mu,?scale=1./_tau),
?????????????label="$\mu?=?{},\;\\tau?=?{:.1f}$".format(_mu,?_tau))
????plt.fill_between(x,?nor.pdf(x,?_mu,?scale=1./_tau),alpha=.33)

plt.legend(loc="upper?right")
<matplotlib.legend.Legend?at?0x277b3db7748>

指數分布

指數可以取任意非負值，包括非整數

對指定的參數λ，指數型隨機變量的期望值為λ的逆??????????????????????????????

a?=?np.linspace(0,?4,?100)
expo?=?stats.expon
lambda_?=?[0.2,0.5,?1]

for?l?in?lambda_:
????plt.plot(a,?expo.pdf(a,?scale=1./l),?lw=3,?label="$\lambda?=?{:.1f}$".format(l))
????plt.fill_between(a,?expo.pdf(a,?scale=1./l),alpha=.33)

plt.legend()
plt.ylabel("PDF?at?$z$")
plt.xlabel("$z$")
plt.ylim(0,1.2)
(0.0,?1.2)

gamma?=?stats.gamma

fig,?ax?=?plt.subplots(1,?1)
a?=?1.99
mean,?var,?skew,?kurt?=?gamma.stats(a,?moments='mvsk')
x?=?np.linspace(gamma.ppf(0.01,?a),
????????????????gamma.ppf(0.99,?a),?100)
ax.plot(x,?gamma.pdf(x,?a),
???????'r-',?lw=5,?alpha=0.6,?label='gamma?pdf')
rv?=?gamma(a)
ax.plot(x,?rv.pdf(x),?'k-',?lw=2,?label='frozen?pdf')
r?=?gamma.rvs(a,?size=1000)
ax.hist(r,?density=True,?histtype='stepfilled',?alpha=0.2)
ax.legend(loc='best',?frameon=False)
plt.show()

Gamma分布

指數分布解決的問題是“要等到一個隨機事件發生，需要經歷多久時間”，伽瑪分布解決的問題是“要等到n個隨機事件都發生，需要經歷多久時間”。所以，伽瑪分布可以看作是n個指數分布的獨立隨機變量的加總。

figsize(12.5,?5)
parameters?=?[(1,?0.5),?(9,?2),?(3,?0.5),?(7,?0.5)]
x?=?np.linspace(0.001?,20,?150)
for?alpha,?beta?in?parameters:
????y?=?gamma.pdf(x,?alpha,?scale=1./beta)
????lines?=?plt.plot(x,?y,?label?=?"({:.1f},{:.1f})".format(alpha,beta),?lw?=?3)
????plt.fill_between(x,?0,?y,?alpha?=?0.2,?color?=?lines[0].get_color())
????plt.autoscale(tight=True)

plt.legend(title=r"$\alpha,?\beta$?-?parameters")
<matplotlib.legend.Legend?at?0x277b3c247b8>

Beta分布

Beta分布的密度函數為：??

figsize(12.5,?4)

datas?=?np.linspace(0,?1,?200)
plt.fill_between(datas,stats.beta.pdf(datas,?a=5,?b=10),hatch="+")
plt.fill_between(datas,stats.beta.pdf(datas,?a=100,?b=20),hatch="//")
plt.fill_between(datas,stats.beta.pdf(datas,?a=20,?b=60),hatch="*")
<matplotlib.collections.PolyCollection?at?0x277b4184710>

總結

以上是生活随笔為你收集整理的超几何分布_常见概率分布的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。