概率与期望2

概率密度函数与累积分布函数详解

概率密度函数(PDF)
(1)f(x)>=0
(2)+f(x)dx=1
(3)P(a<x<=b)=baf(x)dx

累积分布函数(CDF)
F(x)=xf(t)dt

数学期望(连续型)
E(x)=xp(x)dx
(绝对收敛)

讲一个无关紧要的东西:

Maximum-minimums identity :

max{x1,x2,,xn}=i=1nxii<jmin{xi,xj}+i<j<kmin{xi,xj,xk}+(1)n+1min{x1,x2,,xn}

min{x1,x2,,xn}=i=1nxii<jmax{xi,xj}+i<j<kmax{xi,xj,xk}+(1)n+1max{x1,x2,,xn}

现在才搞懂pollard rho的原理QAQ
真的是什么都不会,感觉周围大爷好强,自己好弱QAQ

或许前路永夜,即便如此我也要前进,因为星光即使微弱也会为我照亮前路。——《四月》

概率密度函数是描述连续随机变量在某个取值点附近可能性的函数,设连续随机变量X有概率分布函数F(x),则F(x)的导数f(x)=F’(x)称为X的概率密度函数,简称为密度函数[^1]。 期望是对随机变量取值的平均水平的一种度量。对于离散随机变量,若随机变量 \(X\) 取值为 \(x_1,x_2,\cdots,x_n\),对应的概率为 \(P(X = x_1),P(X = x_2),\cdots,P(X = x_n)\),则期望 \(E(X)=\sum_{i = 1}^{n}x_iP(X = x_i)\);对于连续随机变量 \(X\),若其概率密度函数为 \(f(x)\),则期望 \(E(X)=\int_{-\infty}^{\infty}xf(x)dx\)。 概率密度函数期望关系紧密,期望是通过概率密度函数来计算的。对于连续随机变量,期望概率密度函数变量值乘积在整个取值区间上的积分。概率密度函数完整地描述了随机变量的概率分布情况,而期望则是基于这个分布所得到的一个代表随机变量平均取值的数值。例如在正态分布中,其概率密度函数为 \(f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x - \mu)^2}{2\sigma^2}}\) ,其中 \(\mu\) 就是该正态分布的期望,体现了数据的中心位置。 在实际应用中,概率密度函数和期望都有广泛用途。比如在统计学里,正态分布是重要的连续型概率分布,许多自然现象都可用它描述,MATLAB等数学计算软件提供了大量内置函数用于正态分布的计算和仿真,可通过概率密度函数计算期望等统计量,还能进行模拟实验验证理论计算[^2]。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 定义正态分布的参数 mu = 0 # 期望 sigma = 1 # 标准差 # 生成 x 值 x = np.linspace(-5, 5, 1000) # 计算概率密度函数值 pdf = norm.pdf(x, mu, sigma) # 计算期望(理论值) expected_value = mu # 绘制概率密度函数图像 plt.plot(x, pdf, label='PDF') plt.axvline(x=expected_value, color='r', linestyle='--', label='Expected Value') plt.title('Normal Distribution PDF and Expected Value') plt.xlabel('x') plt.ylabel('Probability Density') plt.legend() plt.show() print(f"Expected Value: {expected_value}") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值