R与F分布(1) 概率密度函数

本文详细介绍了F分布的概念、性质以及在方差分析、协方差分析和回归分析中的应用,通过图表展示了F分布的不同特性。
部署运行你感兴趣的模型镜像
F分布: F分布是以统计学家R.A.Fisher姓氏的第一个字母命名的.
F分布的用途:用于方差分析、协方差分析和回归分析等。
(一)F分布定义
设X、Y为两个独立的随机变量,X服从自由度为m的卡方分布,Y服从自由度为n的卡方分布,这2 个独立的卡方分布被各自的自由度除以后的比率这一统计量的分布即F=(x/m)/(y/n)服从自由度为(m,n)的F-分布, 上式F服从第一自由度为m,第二自由度为n的F分布

(二)F分布的性质
  1、它是一种非对称分布;

  2、它有两个自由度,即n -1和m-1,相应的分布记为F( n –1, m-1), n –1通常称为分子自由度, m-1通常称为分母自由度;

  3、F分布是一个以自由度n –1和m-1为参数的分布族,不同的自由度决定了F 分布的形状。
其概率密度函数为:[img]http://upload.wikimedia.org/math/8/3/1/8314e1dcc7cb3033a2ca641d5dbfee22.png[/img]
其中d1和d2为正整数,B是Beta函数(beta function)


set.seed(1000)
x<-seq(0,5,length.out=1000)
y<-df(x,1,1,0)

plot(x,y,col="red",xlim=c(0,5),ylim=c(0,1),type='l',
xaxs="i", yaxs="i",ylab='density',xlab='',
main="The F Density Distribution")

lines(x,df(x,1,1,2),col="green")
lines(x,df(x,2,2,2),col="blue")
lines(x,df(x,2,4,4),col="orange")

legend("topright",legend=paste("df1=",c(1,1,2,2),"df2=",c(1,1,2,4)," ncp=", c(0,2,2,4)), lwd=1, col=c("red", "green","blue","orange"))


结果如下:

[img]http://dl2.iteye.com/upload/attachment/0103/4486/d7d2cb87-3b62-3d1d-9474-ca4348353867.png[/img]

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

<think> 正态分布概率密度函数(PDF)的数学表达式为: \[ f(x) = \frac{1}{\sigma \sqrt{2\pi}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right) \] 其中: - \(\mu\) 是均值(决定分布的中心位置) - \(\sigma\) 是标准差(决定分布的宽度) - \(\pi\) 是圆周率(约3.14159) - \(\exp\) 是自然指数函数(e的幂次) ### Python实现正态分布PDF 我们可以使用两种方式实现: 1. 使用数学公式直接计算 2. 使用SciPy库的`norm.pdf`函数 #### 方法1:手动实现公式 ```python import numpy as np import matplotlib.pyplot as plt def normal_pdf(x, mu=0, sigma=1): """ 计算正态分布概率密度函数 参数: x: 输入值 mu: 均值, 默认为0 sigma: 标准差, 默认为1 返回: 概率密度值 """ coefficient = 1 / (sigma * np.sqrt(2 * np.pi)) exponent = - (x - mu) ** 2 / (2 * sigma ** 2) return coefficient * np.exp(exponent) # 生成数据点 x = np.linspace(-5, 5, 100) y = normal_pdf(x) # 绘图 plt.figure(figsize=(10, 6)) plt.plot(x, y, 'b-', linewidth=2) plt.title('Normal Distribution PDF ($\mu=0$, $\sigma=1$)') plt.xlabel('x') plt.ylabel('Probability Density') plt.grid(True) plt.show() ``` #### 方法2:使用SciPy库 ```python from scipy.stats import norm # 使用SciPy计算 y_scipy = norm.pdf(x, 0, 1) # 等同于 normal_pdf(x) # 验证两种方法是否一致 print("手动实现SciPy是否一致:", np.allclose(y, y_scipy)) ``` #### 代码说明: - `normal_pdf`函数实现了正态分布的数学公式 - `np.allclose`用于验证手动实现SciPy库结果是否接近(考虑浮点数误差) - 绘图展示标准正态分布(μ=0, σ=1)的钟形曲线特征 ### 正态分布PDF的性质 1. **对称性**:关于均值μ对称 2. **峰值位置**:最大值在 \(x = \mu\) 处,值为 \(\frac{1}{\sigma\sqrt{2\pi}}\) 3. **拐点位置**:在 \(x = \mu \pm \sigma\) 处 4. **渐进行为**:当 \(x \to \pm\infty\) 时,\(f(x) \to 0\) ### 应用场景 - 假设检验(如Z检验、t检验) - 置信区间计算 - 自然现象建模(如身高、测量误差) - 机器学习中的噪声建模 --- §§相关问题§§: 1. 如何用Python计算正态分布的累积概率(CDF)? 2. 正态分布的参数估计(如何从数据中估计μ和σ)? 3. 如何使用Python生成服从正态分布的随机数? 4. 多元正态分布概率密度函数如何定义?如何用Python实现? </think> ### 正态分布概率密度函数 (PDF) 正态分布(高斯分布)的概率密度函数是统计学中最核心的分布之一,其数学定义为: \[ f(x | \mu, \sigma^2) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x - \mu)^2}{2\sigma^2}} \] 其中: - \(\mu\):均值(分布的中心位置) - \(\sigma\):标准差(分布的离散程度) - \(\sigma^2\):方差 - \(\pi\):圆周率(≈3.14159) - \(e\):自然常数(≈2.71828) #### Python 实现代码 以下是三种实现方式: ##### 1. 使用数学公式直接计算 ```python import numpy as np import matplotlib.pyplot as plt def normal_pdf(x, mu=0, sigma=1): """计算正态分布概率密度函数""" coefficient = 1 / (sigma * np.sqrt(2 * np.pi)) exponent = -((x - mu) ** 2) / (2 * sigma ** 2) return coefficient * np.exp(exponent) # 生成数据点 x = np.linspace(-5, 5, 500) y = normal_pdf(x) # 可视化 plt.figure(figsize=(10, 6)) plt.plot(x, y, 'b-', linewidth=2) plt.title('Standard Normal Distribution PDF (μ=0, σ=1)') plt.xlabel('x') plt.ylabel('Probability Density') plt.grid(True) plt.show() ``` ##### 2. 使用 SciPy 库 ```python from scipy.stats import norm # 计算标准正态分布 (μ=0, σ=1) x = np.linspace(-5, 5, 500) y = norm.pdf(x) # 可视化(同上) ``` ##### 3. 计算不同参数的正态分布 ```python # 不同参数的PDF mu_params = [-1, 0, 2] sigma_params = [0.5, 1, 1.5] colors = ['r', 'g', 'b'] plt.figure(figsize=(12, 8)) for mu, sigma, color in zip(mu_params, sigma_params, colors): y = norm.pdf(x, mu, sigma) label = f'μ={mu}, σ={sigma}' plt.plot(x, y, color, linewidth=2, label=label) plt.title('Normal Distributions with Different Parameters') plt.xlabel('x') plt.ylabel('Probability Density') plt.legend() plt.grid(True) plt.show() ``` ### 关键特性说明 1. **钟形曲线**: - 对称分布,峰值位于均值 \(\mu\) - 标准差 \(\sigma\) 控制曲线的宽度 2. **参数影响**: ```python # 固定σ=1,改变μ plt.figure(figsize=(10, 6)) for mu in [-2, 0, 3]: plt.plot(x, norm.pdf(x, mu, 1), label=f'μ={mu}') # 固定μ=0,改变σ plt.figure(figsize=(10, 6)) for sigma in [0.7, 1, 2]: plt.plot(x, norm.pdf(x, 0, sigma), label=f'σ={sigma}') ``` 3. **3σ法则**: - 68.27% 数据在 \(\mu \pm \sigma\) 范围内 - 95.45% 数据在 \(\mu \pm 2\sigma\) 范围内 - 99.73% 数据在 \(\mu \pm 3\sigma\) 范围内 ### 应用场景 - 自然现象建模(身高、测试分数等) - 统计推断(假设检验、置信区间) - 机器学习(高斯朴素贝叶斯、高斯过程) - 金融(资产收益率建模) ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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