作者:xxw9485
時間:2018/3/20
來源:https://www.jianshu.com/p/8a0479f55b21
統計分佈
本文用Python統計模擬的方法,介紹四種常用的統計分佈,包括離散分佈:二項分佈和泊松分佈,以及連續分佈:指數分佈和正態分佈,最後查看人羣的身高和體重數據所符合的分佈。
隨機數
計算機發明後,便產生了一種全新的解決問題的方式:使用計算機對現實世界進行統計模擬,該方法又稱爲“蒙特卡洛方法(Monte Carlo method)”。使用統計模擬,首先要產生隨機數,在Python中,numpy.random模塊提供了豐富的隨機數生成函數。
# 輸入
# 生成0到1之間的任意隨機數
print(np.random.random(size=5)) # size表示生成隨機數的個數
# 生成一定範圍內的隨機整數
print(np.random.randint(1, 10, size=5)) # 生成5個1到9之間的隨機整數
# 輸出
[0.11356695 0.84883682 0.38954706 0.71768169 0.08362056]
[8 7 7 3 8]
計算機生成的隨機數其實是僞隨機數,是由一定的方法計算出來的,因此我們可以按下面方法指定隨機數生成的種子,這樣的好處是以後重複計算時,能保證得到相同的模擬結果。
np.random.seed(123)
在NumPy中,不僅可以生成上述簡單的隨機數,還可以按照一定的統計分佈生成相應的隨機數。這裏列舉了二項分佈、泊松分佈、指數分佈和正態分佈各自對應的隨機數生成函數,接下來我們分別研究這四種類型的統計分佈。
np.random.binomial()
np.random.poisson()
np.random.exponential()
np.random.normal()
二項分佈
二項分佈是n個獨立的是/非試驗中成功的次數的概率分佈,其中每次試驗的成功概率爲p。這是一個離散分佈,所以使用概率質量函數(PMF)來表示k次成功的概率:
最常見的二項分佈就是投硬幣問題了,投n次硬幣,正面朝上次數就滿足該分佈。下面我們使用計算機模擬的方法,產生10000個符合(n,p)的二項分佈隨機數,相當於進行10000次實驗,每次實驗投擲了n枚硬幣,正面朝上的硬幣數就是所產生的隨機數。同時使用直方圖函數繪製出二項分佈的PMF圖。
def plot_binomial(n,p):
'''繪製二項分佈的概率質量函數'''
sample = np.random.binomial(n,p,size=10000) # 產生10000個符合二項分佈的隨機數
bins = np.arange(n+2)
plt.hist(sample, bins=bins, align='left', density=True, rwidth=0.1) # 繪製直方圖
#設置標題和座標
plt.title('Binomial PMF with n={}, p={}'.format(n,p))
plt.xlabel('number of successes')
plt.ylabel('probability')
plot_binomial(10, 0.5)
plt.show()
投10枚硬幣,如果正面或反面朝上的概率相同,即p=0.5, 那麼出現正面次數的分佈符合上圖所示的二項分佈。該分佈左右對稱,最有可能的情況是正面出現5次。
但如果這是一枚作假的硬幣呢?比如正面朝上的概率p=0.2,或者是p=0.8,又會怎樣呢?我們依然可以做出該情況下的PMF圖。
fig = plt.figure(figsize=(12,4.5)) #設置畫布大小
p1 = fig.add_subplot(121) # 添加第一個子圖
plot_binomial(10, 0.2)
p2 = fig.add_subplot(122) # 添加第二個子圖
plot_binomial(10, 0.8)
plt.show()
這時的分佈不再對稱了,正如我們所料,當概率p=0.2時,正面最有可能出現2次;而當p=0.8時,正面最有可能出現8次。
泊松分佈
泊松分佈用於描述單位時間內隨機事件發生次數的概率分佈,它也是離散分佈,其概率質量函數爲:
比如你在等公交車,假設這些公交車的到來是獨立且隨機的(當然這不是現實),前後車之間沒有關係,那麼在1小時中到來的公交車數量就符合泊松分佈。同樣使用統計模擬的方法繪製該泊松分佈,這裏假設每小時平均來6輛車(即上述公式中lambda=6)。
lamb = 6
sample = np.random.poisson(lamb, size=10000) # 生成10000個符合泊松分佈的隨機數
bins = np.arange(20)
plt.hist(sample, bins=bins, align='left', rwidth=0.1, density=True) # 繪製直方圖
# 設置標題和座標軸
plt.title('Poisson PMF (lambda=6)')
plt.xlabel('number of arrivals')
plt.ylabel('probability')
plt.show()
指數分佈
指數分佈用以描述獨立隨機事件發生的時間間隔,這是一個連續分佈,所以用質量密度函數表示:
比如上面等公交車的例子,兩輛車到來的時間間隔,就符合指數分佈。假設平均間隔爲10分鐘(即1/lambda=10),那麼從上次發車開始,你等車的時間就滿足下圖所示的指數分佈。
tau = 10
sample = np.random.exponential(tau, size=10000) # 產生10000個滿足指數分佈的隨機數
plt.hist(sample, bins=80, alpha=0.7, density=True) #繪製直方圖
plt.margins(0.02)
# 根據公式繪製指數分佈的概率密度函數
lam = 1 / tau
x = np.arange(0,80,0.1)
y = lam * np.exp(- lam * x)
plt.plot(x,y,color='orange', lw=3)
#設置標題和座標軸
plt.title('Exponential distribution, 1/lambda=10')
plt.xlabel('time')
plt.ylabel('PDF')
plt.show()
正態分佈
正態分佈是一種很常用的統計分佈,可以描述現實世界的諸多事物,具備非常漂亮的性質,我們在下一講參數估計之中心極限定理時會詳細介紹。其概率密度函數爲:
以下繪製了均值爲0,標準差爲1的正態分佈的概率密度曲線,其形狀好似一口倒扣的鐘,因此也稱鐘形曲線。
def norm_pdf(x,mu,sigma):
'''正態分佈概率密度函數'''
pdf = np.exp(-((x - mu)**2) / (2* sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
mu = 0 # 均值爲0
sigma = 1 # 標準差爲1
# 用統計模擬繪製正態分佈的直方圖
sample = np.random.normal(mu, sigma, size=10000)
plt. hist(sample, bins=100, alpha=0.7, density=True)
# 根據正態分佈的公式繪製PDF曲線
x = np.arange(-5, 5, 0.01)
y = norm_pdf(x, mu, sigma)
plt.plot(x,y, color='orange', lw=3)
plt.show()
身高和體重的分佈
繼續上一講數據探索之描述性統計中使用的BRFSS數據集,我們查看其中的身高和體重數據,看看他們是不是滿足正態分佈。
首先導入數據,並編寫繪製PDF和CDF圖的函數 plot_pdf_cdf(),便於重複使用。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
import brfss
df = brfss.ReadBrfss()
height = df.height.dropna()
weight = df.weight.dropna()
def plot_pdf_cdf(data, xbins, xrange, xlabel):
'''繪製概率密度函數PDF和累積分佈函數CDF'''
fig = plt.figure(figsize=(16,5)) # 設置畫布尺寸
p1 = fig.add_subplot(121) # 添加第一個子圖
# 繪製正態分佈PDF曲線
std = data.std()
mean = data.mean()
x = np.arange(xrange[0], xrange[1], (xrange[1]-xrange[0])/100)
y = stats.norm.pdf(x, mean, std)
plt.plot(x,y, label='normal distribution')
# 繪製數據的直方圖
plt.hist(data, bins=xbins, range=xrange, rwidth=0.9,
alpha=0.5, density=True, label='observables')
# 圖片設置
plt.legend()
plt.xlabel(xlabel)
plt.title(xlabel +' PDF')
p2 = fig.add_subplot(122) #添加第二個子圖
# 繪製正態分佈CDF曲線
sample = np.random.normal(mean, std, size=10000)
plt.hist(sample, cumulative=True, bins=1000, range=xrange,
density=True, histtype='step', lw=2, label='normal distribution')
# 繪製數據的CDF曲線
plt.hist(data, cumulative=True, bins=1000, range=xrange,
density=True, histtype='step', lw=2, label='observables')
#圖片設置
plt.legend(loc='upper left')
plt.xlabel(xlabel)
plt.title( xlabel + ' CDF')
plt.show()
人羣的身高分佈比較符合正態分佈。
plot_pdf_cdf(data=height, xbins=21, xrange=(1.2, 2.2), xlabel='height')
但是體重分佈明顯右偏,與對稱的正態分佈存在一定的差異。
plot_pdf_cdf(data=weight, xbins=60, xrange=(0,300), xlabel='weight')
將體重數據取對數值後,其分佈就與正態分佈非常吻合。
log_weight = np.log(weight)
plot_pdf_cdf(data=log_weight, xbins=53, xrange=(3,6), xlabel='log weight')