Одномерные случайные величины: плотности, квантили и вычисление моментов
Содержание курса
Моделирование выборки через numpy.random.default_rng
Теоретические моменты описывают математическую модель. Чтобы посмотреть, как эта модель ведёт себя на практике при конечном числе наблюдений, генерируют выборку псевдослучайных чисел.
В современном NumPy для этого создают генератор через np.random.default_rng(seed). Фиксация параметра seed гарантирует, что при повторном запуске код выдаст ту же самую последовательность чисел. Для экспоненциального закона метод rng.exponential принимает параметр масштаба scale, который обратно пропорционален интенсивности: .
Сгенерируем выборки разного объёма для и сравним выборочные среднее и дисперсию с теоретическими и :
import numpy as np
rate = 2.0
scale = 1.0 / rate
seed = 42
rng = np.random.default_rng(seed)
for size in [50, 1000, 100000]:
sample = rng.exponential(scale=scale, size=size)
s_mean = float(np.mean(sample))
s_var = float(np.var(sample))
print(f"N = {size:6d} | Выборочное среднее: {s_mean:.4f} | Выборочная дисперсия: {s_var:.4f}")
Вывод программы:
N = 50 | Выборочное среднее: 0.4179 | Выборочная дисперсия: 0.1265
N = 1000 | Выборочное среднее: 0.5100 | Выборочная дисперсия: 0.2625
N = 100000 | Выборочное среднее: 0.5016 | Выборочная дисперсия: 0.2523
При малом объёме выборки выборочные оценки заметно отклоняются от теоретических значений: среднее составило , а дисперсия — . При увеличении размера до эмпирические характеристики подходят ближе к теоретическим параметрам распределения.
Обратите внимание: случайные колебания не означают строго монотонного улучшения на каждом шаге. На конкретном запуске выборка из 100 элементов может случайно оказаться ближе к математическому ожиданию, чем выборка из 200 элементов. Но при общем росте разброс выборочных средних закономерно сужается.
