用Python实战验证独立随机变量的期望与方差可加性
概率论课本上那些抽象的数学公式总是让人望而生畏,尤其是当涉及到期望和方差的性质时。作为数据科学学习者,我们常常被要求死记硬背"独立随机变量之和的期望等于期望之和"、"独立随机变量之和的方差等于方差之和"这样的定理。但有没有更直观的方式来理解这些性质?今天我们就用Python的NumPy和Matplotlib库,通过生成大量随机样本,用代码和可视化来验证这些重要定理。
1. 环境准备与基础概念
在开始实验之前,我们需要确保工作环境配置正确。推荐使用Jupyter Notebook或Google Colab这类交互式环境,它们特别适合数据探索和可视化工作。
首先安装必要的Python库(如果尚未安装):
bash复制pip install numpy matplotlib
然后导入我们将使用的主要模块:
python复制import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
期望和方差的基础定义:
- 期望(均值):随机变量取值的加权平均,权重为对应概率
- 方差:随机变量取值与期望之差的平方的期望,衡量数据的离散程度
对于离散随机变量X:
- 期望:E[X] = ΣxᵢP(X=xᵢ)
- 方差:Var(X) = E[(X-E[X])²] = E[X²] - E[X]²
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 设计验证实验
我们将通过以下步骤验证期望和方差的可加性:
- 选择两种不同的概率分布作为独立随机变量
- 分别生成大量样本数据
- 计算各分布的样本均值和方差
- 计算两分布之和的样本均值和方差
- 比较理论值与实际计算值
2.1 选择概率分布
为了全面验证,我们选择三种常见分布组合:
| 组合编号 | 分布A类型 | 分布B类型 | 特点 |
|---|---|---|---|
| 1 | 二项分布 | 泊松分布 | 离散+离散 |
| 2 | 正态分布 | 均匀分布 | 连续+连续 |
| 3 | 指数分布 | 几何分布 | 连续+离散 |
