Python统计学03——随机变量的概率分布

在Python中，可以使用概率论中的随机变量分布来进行统计计算。常见的离散型分布包括二项分布和泊松分布，连续性分布包括正态分布、均匀分布和指数分布等。这些分布可以用来计算概率、期望和方差等统计量。

对于正态分布，可以使用scipy.stats库中的norm模块进行计算。例如，可以使用norm.cdf函数计算小于某个值的概率，使用norm.ppf函数计算给定累积概率时的反函数值。代码示例如下：

from scipy.stats import norm

# 计算小于40的概率
p1 = norm.cdf(40, loc=50, scale=10)

# 计算30到40之间的概率
p2 = norm.cdf(40, loc=50, scale=10) - norm.cdf(30, loc=50, scale=10)

# 计算小于2.5的概率
p3 = norm.cdf(2.5, 0, 1)

# 计算-1.5到2之间的概率
p4 = norm.cdf(2) - norm.cdf(-1.5)

# 计算累计概率为0.025时的反函数值
q1 = norm.ppf(0.025, loc=0, scale=1)

# 计算累计概率为0.975时的反函数值
q2 = norm.ppf(0.975, 0, 1)

print(p1, p2, p3, p4, q1, q2)

对于计算随机变量的概率分布的均值和方差，可以使用numpy库进行计算。代码示例如下：

import numpy as np

# 假设有一个数据框df，其中包含了不合格品数和概率
mymean = sum(df['不合格品数'] * df['概率'])  # 计算均值
myvar = sum((df['不合格品数'] - mymean) ** 2 * df['概率'])  # 计算方差
mystd = np.sqrt(myvar)  # 计算标准差

print(mymean, myvar, mystd)

以上是关于Python统计学中随机变量的概率分布的一些基本操作和计算方法。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [Python统计学03——随机变量的概率分布](https://blog.csdn.net/weixin_46277779/article/details/126673517)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]