正态分布，二维正态分布，卡方分布，学生t分布——概率分布学习 python
2024-05-11 10:05:47
目录
基本概念
概率密度函数(PDF: Probability Density Function)
累积分布函数(CDF: Cumulative Distribution Function)
核密度估计（(kernel density estimation）
1.正态分布
概率密度函数（pdf）
正态分布累积分布函数(CDF）
正态分布核密度估计（kde）
正态分布四则运算
二维正态分布（逐渐补充）
马氏距离
2.卡方分布
概率密度函数（pdf）：
卡方分布表：
卡方分布相关计算
生成卡方分布随机数
3.学生t分布
概率密度函数（pdf）：
基本概念
概率密度函数(PDF: Probability Density Function)
连续随机变量的概率分布特性。
累积分布函数(CDF: Cumulative Distribution Function)
在x点左侧事件发生的总和。
CDF特性：
①因为累计分布函数是计算x点左侧的点的数量，所以累计分布函数CDF是单调递增的。
②所有的CDF中，在x趋近-∞时，CDF趋近于0，当x趋近+∞时，CDF趋近于1。
③对于给定的数据集，CDF是唯一的
核密度估计（(kernel density estimation）
核密度估计(kernel density estimation，KDE)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，通过核密度估计图可以比较直观的看出数据样本本身的分布特征。
scipy中的stats.gaussian_kde可以计算高斯核函数的密度函数，而且提供了直接计算区间的累计密度函数，integrate_box_1d（low=-np.Inf, high=x）。
1.正态分布
表示为：，其中期望为μ，方差为
。
概率密度函数（pdf）
python画图效果及代码（包含随机数生成）：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.mlab as mlab
import matplotlib.cm as cm
import math
import scipy.stats as stats
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号################################ 正态分布 ###########################
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))return pdf
np.random.seed(0) ## 定义一个随机数种子
result = np.random.normal(loc=10, scale=16, size=1000) # 均值为10,标准差为16
## ！！！强调，以上参数中scale为标准差（方差的根号），不是方差，
# 设定 x,y 轴，载入刚才的正态分布函数
x = np.arange(min(result), max(result), 0.1)
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
plt.hist(result, bins=20, rwidth=0.8, density=True) ## 柱状图
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
plt.show()正态分布累积分布函数(CDF）
################################ 累积分布函数cdf ###########################
#计算正态概率密度函数在x处的值
def norm_dist_prob(theta):y = stats.norm.pdf(theta, loc=np.mean(data), scale=np.std(data))return y#计算正态分布累积概率值
def norm_dist_cdf(theta):y = stats.norm.cdf(theta,loc=np.mean(data), scale=np.std(data))return y
## 数据生成
data = np.random.normal(loc=0.0, scale=10, size=1000)x = np.linspace(stats.norm.ppf(0.01,loc=np.mean(data), scale=np.std(data)),stats.norm.ppf(0.99,loc=np.mean(data), scale=np.std(data)), len(data)) #linspace() 函数返回指定间隔内均匀间隔数字的 ndarray。y1=norm_dist_prob(x)
y2=norm_dist_cdf(x)
plt.plot(x, y1,'g', label='pdf')
plt.plot(x, y2,'r', label='cdf1')
#或
sns.kdeplot(data,cumulative=True, label='cdf2')
plt.legend()正态分布核密度估计（kde）
################################ 核密度估计 ###########################
## 数据生成
data = np.random.normal(loc=0.0, scale=10, size=1000)
## 本程序是根据数据进行概率密度估计
density = stats.gaussian_kde(data) #, bw_method=None, weights=[i[4] for i in data1]
density.covariance_factor = lambda : .25 # lambda : .25
density._compute_covariance()
density.set_bandwidth(bw_method='silverman') ## 调用set_bandwidth 后计算的新带宽用于估计密度的后续评估。可选‘scott’, ‘silverman’
xs = np.linspace(min(data), max(data), 200)
fig, ax = plt.subplots()
ax.plot(xs, density(xs), 'r')
ax.fill_between(xs, density(xs), color="r", alpha=0.1)
ax.hist(data, bins=30, rwidth=0.96, density =True, alpha=0.6,color = 'steelblue', edgecolor = 'w', label = 'dimensional histogram statistic ')## 或者用seaborn
fig, ax = plt.subplots()
sns.distplot(data, hist=True, kde=True, rug=True, bins=20, ax=ax)
# 通过hist和kde参数调节是否显示直方图及核密度估计(默认hist,kde均为True)
# bins：int或list，控制直方图的划分
# rug：控制是否生成观测数值的小细条
# ax = sns.distplot(x, rug=True, rug_kws={"color": "g"},
# ... kde_kws={"color": "k", "lw": 3, "label": "KDE"},
# ... hist_kws={"histtype": "step", "linewidth": 3,
# ... "alpha": 1, "color": "g"})fig, ax = plt.subplots()正态分布四则运算
两个相互独立的正态分布分别满足
则：
二维正态分布（逐渐补充）
其生成及协方差椭圆的python实现如下：
################################ 二维正态分布 ###########################
from matplotlib.patches import Ellipse
def get_error_ellipse_parameters(cov, confidence=None, sigma=None):"""Returns parameters of an ellipse which contains a specifiedamount of normally-distributed 2D data, where the data ischaracterised by its covariance matrix.Parameters----------cov : array_likeInput covariance matrix of shape (2,2)confidence : floatFraction of data points within ellipse. 0 < confidence < 1.If confidence is not given, it is calculated according to sigma.sigma : floatLength of axes of the ellipse in standard deviations. If confidence is also given, sigma is ignored.Returns-------semi_major : floatLength of major semiaxis of ellipse.semi_minor : floatLength of minor semiaxis of ellipse.angle : floatRotation angle of ellipse in radian.confidence : floatFraction of data expected to lie within the ellipse.sigma : floatLength of major and minor semiaxes in standard deviations."""cov = np.array(cov)if(cov.shape != (2,2)):raise ValueError("The covariance matrix needs to be of shape (2,2)")if(confidence == None and sigma == None):raise RuntimeError("One of confidence and sigma is needed as input argument")if(confidence and sigma):print("Argument sigma is ignored as confidence is also provided!")if(confidence == None):if(sigma < 0):raise ValueError("Sigma needs to be positive")#scaling = np.square(sigma)scaling = sigmaconfidence = stats.chi2.cdf(scaling, 2)if(sigma == None):if(confidence > 1 or confidence < 0):raise ValueError("Ensure that confidence lies between 0 and 1")scaling = stats.chi2.ppf(confidence, 2)#sigma = np.sqrt(scaling)sigma = scalingeigenvalues, eigenvectors = np.linalg.eig(cov)maxindex = np.argmax(eigenvalues)vx, vy = eigenvectors[:, maxindex]angle = np.arctan2(vy, vx)semi_minor, semi_major = np.sqrt(np.sort(eigenvalues) * scaling)print("With sigma = {:.3f}, {:.1f}% of data points lie within ellipse.".format(sigma, confidence * 100))return semi_major, semi_minor, angle, confidence, sigmamu = [1,2]
cov = [[50,30],[30,50]] #sigma
# 随机数生成
z = stats.multivariate_normal(mu, cov)
data_points = z.rvs(size = 5000)fig, ax = plt.subplots()
plt.scatter(data_points[:,0], data_points[:,1], alpha = .5)# 画置信度椭圆
confidence = 0.95
semi_major, semi_minor, angle, confidence, sigma = get_error_ellipse_parameters(cov, confidence = confidence)
ax.add_patch(Ellipse(mu, 2*semi_major, 2*semi_minor, 180*angle/np.pi, facecolor = 'none', edgecolor = 'red', label = 'Confidence = {:.0f}% (sigma = {:.2f})'.format(confidence * 100, sigma)))
sigma = 1
semi_major, semi_minor, angle, confidence, sigma, = get_error_ellipse_parameters(cov, sigma = sigma)
ax.add_patch(Ellipse(mu, 2*semi_major, 2*semi_minor, 180*angle/np.pi, facecolor = 'none', edgecolor = 'yellow', label = 'Sigma = {:.0f} (confidence = {:.1f}%)'.format(sigma, confidence * 100)))
plt.legend()
plt.show()马氏距离
计算马氏距离（Mahalanobis Distance）。一维马氏距离定义为：
iv = [[1, 0.5, 0.5], [0.5, 1, 0.5], [0.5, 0.5, 1]]
md = distance.mahalanobis([1, 0, 0], [0, 1, 0], iv)
print(md)
# 或
p = np.array([1,1])
distr = np.array([2,2])
cov = [[1,0.2],[0.2,1]]
dis = distance.mahalanobis(p, distr, cov)
# p: 一个点
# distr : 一个分布
# 计算分布的协方差矩阵
#cov = np.cov(distr, rowvar=False)
# 选取分布中各维度均值所在点
#avg_distri = np.average(distr, axis=0)
print(dis)2.卡方分布
卡方分布，也写作：分布。服从自由度为n的卡方分布，记作
，其均值为 n，方差为2n。
若n个相互独立的随机变量ξ₁，ξ₂，...,ξn ，均服从标准正态分布N(0,1），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution）。
直观说：如果 X1，X2，X3...X„是 n个具有标准正态分布的独立变量,那么其平方和，满足具有n个自由度的
分布。
概率密度函数（pdf）：
其中，是Gamma函数，n为自由度，一般情况
：
################################ 卡方分布 ###########################
for PDF in range(1,8):plt.plot(np.linspace(0,15,100),stats.chi2.pdf(np.linspace(0,15,100),df=PDF),label='k='+str(PDF))
plt.tick_params(axis="both",which="major",labelsize=18)
plt.axhline(y=0,color="black",linewidth=1.3,alpha=.7)
plt.legend()卡方分布表：
卡方分布相关计算
## 卡方分布相关计算
# 累积分布函数
x = stats.chi2.cdf(5.991, df=2)
# 百分比点函数（与cdf—百分位数相反）
a = stats.chi2.ppf(0.95, df=2)
print(x,a)生成卡方分布随机数
#生成随机数
r = stats.chi2.rvs(df=df, size=1000)3.学生t分布
Student's t-distribution，简称为t分布。
假设随机变量Z服从标准正态分布N(0,1)，另一随机变量V服从m自由度的分布，进一步假设Z和 V 彼此独立，则下列的数量t服从自由度为m的学生t分布:
概率密度函数（pdf）：
################################ t分布 ###########################
x = np.linspace( -3, 3, 100)
plt.plot(x, stats.t.pdf(x,1), label='df=1')
plt.plot(x, stats.t.pdf(x,2), label='df=20')
plt.plot(x, stats.t.pdf(x,100), label = 'df=100')
plt.plot( x[::5], stats.norm.pdf(x[::5]),'kx', label='normal')
## 累积分布函数cdf
y = stats.t.cdf(x,df=100, loc=0, scale=1)
plt.plot(x,y, label='cdf')
plt.legend()正态分布，二维正态分布，卡方分布，学生t分布——概率分布学习 python相关推荐
- 概率论笔记（六）一维正态分布/二维正态分布/多维正态分布
文章目录 一:一维正态分布 二:二维正态分布/多维正态分布 三:各向同性正态分布 一:一维正态分布 二:二维正态分布/多维正态分布 三:各向同性正态分布 各向同性的高斯分布(球形高斯分布)指的是各个方 ...
- PT_二维连续型随机变量(二维均匀分布@二维正态分布)
文章目录 PT@经典二维分布@二维均匀分布@二维正态分布 二维均匀分布 性质 例 正态分布小结 一维正态分布 二维正态分布 二维正态分布 二维正态概率密度 边缘密度函数
- 【概率论】5-10:二维正态分布(The Bivariate Normal Distributions)
title: [概率论]5-10:二维正态分布(The Bivariate Normal Distributions) categories: - Mathematic - Probability k ...
- matlab画二维正态等密度曲线,matlab:画二维正态分布密度函数图
首先,把二维正态分布密度函数的公式贴这里 这只图好大啊~~ 但是上面的那个是多维正态分布的密度函数的通式,那个n阶是对称正定方阵叫做协方差矩阵,其中的x,pi,u都是向量形式.虽然这个式子很酷,但是用 ...
- 一维正态分布、二维正态分布的matlab实现
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %本程序用于产生一维正态分布.二维正态分布 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ...
- 二维正态分布matlab程序,一维正态分布、二维正态分布的matlab实现
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %本程序用于产生一维正态分布.二维正态分布 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ...
- 一维、二维正态分布概率密度曲线的绘制
在MATLAB中使用 Y = normpdf(X,MU,SIGMA)函数求一维正态分布的概率密度,其中X为随机矢量,MU为期望,SIGMA为标准差 matlab代码如下: x=-8:0.1:8; y1 ...
- 证明二维正态分布中的参数ρ为相关系数
在二维正态分布中,参数 ρ\rhoρ 被定义为随机变量 X,YX,YX,Y 的相关系数,即 ρ=r(x,y)\rho=r(x,y)ρ=r(x,y).由 r(x,y)=Cov(x,y)Var[x]Var ...
- 二维正态分布的参数与概率密度图形
用 Microsoft Mathematics 绘制二维正态分布的概率密度图形,参数可以交互地调整. N(μ1, μ2; σ1, σ2, ρ) 下载 二维正态概率密度.gcw 然后点击重绘图形 μ1 ...
最新文章
- C语言初步学习（适合与学习过C++和java的童鞋）
- Liferay7 BPM门户开发之11: Activiti工作流程开发的一些统一规则和实现原理（完整版）...
- 生物什么时候学公式计算机,高考生物重要规律性关系及公式精华归纳，转走吧！...
- GDCM：rle转img文件的测试程序
- iOS录音后播放声音变小的解决方法
- WinForm picturebox控件绑定BitMAP
- Ubuntu14.04中踩过的坑
- JSP（二）：JSP页面组成部分
- Asp.Net删除文件夹后引起Session丢失的解决办法
- 管理大量定时任务，如果高效触发超时？
- 抢小米软件html版(简单有效)
- 视频转换器怎么用？迅捷视频转换器图文操作教程分享
- SNMP Trap调试记录
- 用Python基础做的游戏角色管理系统
- vue中使用leaflet加载地图影像并拾取坐标点
- 怎样快速提高计算机能力,如何提高算术能力?不借助计算机、笔、纸等工具,怎么能快速心算出多位数计算结果?如：489x85 如：128965-98542有什么口决及速算的方法的详细步骤?...
- 路由器什么牌子好？消灭卡顿畅快吃鸡
- 希尔伯特及其《几何学基础》电子版（英文PDF），
- batch批处理文件（一）——batch概念以及echo off
- python容器结构 —— list - 列表篇 看这一篇就够了！