# define the function ex
def ex(x):
    return x*f(x)

# compute the expected value of X
expected_value = integrate.quad(ex, 0, np.inf)[0]

# define the function ex2
def ex2(x):
    return x**2*f(x)

# compute the variance of X
variance = integrate.quad(ex2, 0, np.inf)[0] - expected_value**2

4. Standardnormalverteilung I.

Let Z\sim\mathcal{N}(0, 1).

** Anleitung: ** Berechnen Sie den Wert der normalen Standarddichte bei $ \ phi (3) $, dh $ c = 3 $.

stats.norm.pdf(3)

0.0044318484119380075

5. Standardnormalverteilung II

Let Z\sim\mathcal{N}(0, 1).

** Anleitung: ** P(|Z|\leq 1.64)Berechnung.

# compute the probability
stats.norm.cdf(1.64) - stats.norm.cdf(-1.64)

0.8989948330517925

6. Normalverteilung I.

Let Y\sim\mathcal{N}(5, 25).

** Anleitung: ** Berechnen Sie den 99% -Anteil einer bestimmten Verteilung, dh finden Sie $ y $ so, dass $ y $ $ \ Phi (\ frac {y-5} {5}) = 0,99 $ ist.

# compute the 99% quantile of a normal distribution with mu = 5 and sigma^2 = 25.
stats.norm.ppf(0.99, 5, np.sqrt(25))

16.631739370204205

7. Normalverteilung II

Let Y\sim\mathcal{N}(2, 12).

** Anleitung: ** Generieren Sie aus dieser Verteilung eine $ 10 $ Zufallszahl.

# generate 10 random numbers from the given distribution.
stats.norm.rvs(loc=2, scale=np.sqrt(12), size=10, random_state=12)

array([ 3.63847098, -0.36052849,  2.83983505, -3.89152106,  4.60896331,
       -3.31643067,  2.01776072,  1.58351913, -0.79546723, 11.9482742 ])

8. Chi-Quadrat-Verteilung I.

Let W\sim\chi^2_{10}.

** Anleitung: ** Zeichnen Sie die entsprechende Wahrscheinlichkeitsdichtefunktion. Geben Sie den Bereich der x-Werte für $ [0,25] $ an.

# plot the PDF of a chi^2 random variable with df = 10

x = np.arange(0, 25)
plt.plot(x, stats.chi2.pdf(x, df=10))
plt.show()

9. Chi-Quadrat-Verteilung II

Let X_1 and X_2 be two independent normally distributed random variables with \\mu=0 and \\sigma^2=15.

** Anleitung: ** Berechnen Sie $ P (X_1 ^ 2 + X_2 ^ 2> 10) $.

# compute the probability

stats.chi2.sf(10/15, df=2, loc=0, scale=1)

0.7165313105737892

10. Verteilung der Schüler I.

Let X\sim t_{10000} and Z\sim\mathcal{N}(0,1).

** Anleitung: ** Berechnen Sie den Anteil von 95% für beide Verteilungen. Hast du irgendwelche Entdeckungen?

# compute the 95% quantile of a t distribution with 10000 degrees of freedom
# qt(0.95, df = 10000)

print(stats.t.ppf(0.95, df = 10000))

# compute the 95% quantile of a standard normal distribution

print(stats.norm.ppf(0.95))

# both values are very close to each other. This is not surprising as for sufficient large degrees of freedom the t distribution can be approximated by the standard normal distribution.

1.6450060180692423
1.6448536269514722

11. Verteilung der Schüler II

Let X\sim t_1. Once the session has initialized you will see the plot of the corresponding probability density function (PDF).

** Anleitung: ** Generieren Sie aus dieser Verteilung eine $ 1000 $ Zufallszahl und weisen Sie sie der Variablen x </ tt> zu. Berechnen Sie den Stichprobenmittelwert von x </ tt>. Können Sie das Ergebnis erklären?

# generate 1000 random numbers from the given distribution. Assign them to the variable x.
x = stats.t.rvs(df = 1, size = 1000, random_state = 1)

# compute the sample mean of x.
np.mean(x)

# Although a t distribution with M = 1 is, as every other t distribution, symmetric around zero it actually has no expectation. This explains the highly non-zero value for the sample mean.

10.845661965991818

# plot the quantile function of the given distribution

dfn = 10
dfd = 4

x = np.linspace(stats.f.ppf(0.01, dfn, dfd),
                stats.f.ppf(0.99, dfn, dfd), 100)

plt.plot(stats.f.pdf(x = x, dfn = dfn, dfd = dfd))
plt.show()

# compute the probability by integration

dfn = 4
dfd = 5

x = np.linspace(stats.f.ppf(0.01, dfn, dfd),
                stats.f.ppf(0.99, dfn, dfd), 100)

def function(x):
    return stats.f.pdf(x = x, dfn = dfn, dfd = dfd)

integrate.quad(function, 1, 10)[0]

0.4723970230052129