github-chenhao
diff --git a/‎README.md‎
Lines changed: 3 additions & 2 deletions b/‎README.md‎
Lines changed: 3 additions & 2 deletions
diff --git a/‎notebook_python/Numpy+Matplotlib+random.ipynb‎
Lines changed: 22 additions & 99 deletions b/‎notebook_python/Numpy+Matplotlib+random.ipynb‎
Lines changed: 22 additions & 99 deletions
@@ -1,5 +1,5 @@
-# 《数理统计》课程代码
-该项目中主要包含上海对外经贸大学司继春《数理统计》课程的相关代码，主要包括讲义中的示意性代码以及Python、Julia语言的Jupyter Notebook。
+# 《数理统计》、《随机过程》课程代码
+该项目中主要包含上海对外经贸大学司继春《数理统计》课程以及《随机过程》的相关代码，主要包括讲义中的示意性代码以及Python、Julia语言的Jupyter Notebook。
 ## 讲义中代码
 讲义中的代码主要包含在以下地址中：[Code in Notes](https://github.com/sijichun/MathStatsCode/tree/master/code_in_notes)，其中Stata数据文件包含在以下地址中：[Datasets](https://github.com/sijichun/MathStatsCode/tree/master/code_in_notes/datasets)。
 ## Python Notebook
@@ -9,5 +9,6 @@
 * [大数定律与中心极限定律](https://github.com/sijichun/MathStatsCode/blob/master/notebook_python/LLN_CLT.ipynb)
 * [矩估计、极大似然估计与区间估计](https://github.com/sijichun/MathStatsCode/blob/master/notebook_python/estimation.ipynb)
 * [假设检验](https://github.com/sijichun/MathStatsCode/blob/master/notebook_python/Testing.ipynb)
+* [泊松过程](https://github.com/sijichun/MathStatsCode/blob/master/notebook_python/Poisson_Process.ipynb)
 ## Julia Notebook
 * [Julia介绍](https://github.com/sijichun/MathStatsCode/blob/master/notebook_julia/Julia.ipynb)
@@ -2,10 +2,7 @@
  "cells": [
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "# Python的安装\n",
     "由于我们会使用到一些Python的非标准库，比如NumPy, SciPy, Matplotlib等，在Windows系统上安装这些包比较繁琐，所以推荐直接安装Anaconda使用，下载地址：https://www.continuum.io/downloads 。对于Mac用户，可以安装Anaconda，也可以自行安装Python并使用pip安装所需要的包。Linux用户可以安装Anaconda，也可以使用apt-get, rpm等安装所需的包。\n",
@@ -19,9 +16,6 @@
    "cell_type": "code",
    "execution_count": 1,
    "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true,
     "scrolled": false
    },
    "outputs": [
@@ -51,22 +45,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "如果我们需要生成一个服从分布函数$F: R\\rightarrow [0,1]$的随机数，那么只要首先生成一个$(0,1)$的随机数$u$，并令$x=F^{-1}(u)$，那么新生成的$x$即服从$F$的分布。比如，指数分布的分布函数为$1-e^{-\\frac{1}{b}\\cdot x}$，其中b为一个参数，因而我们可以使用$x=-b\\cdot \\ln(u)$来生成服从指数分布的随机数。"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 2,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -94,22 +81,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "我们可以使用经验分布函数（Empirical distribution function）与理论的分布函数比较，来判断我们生成的随机数是否满足某一分布。经验分布函数的定义为：$\\hat{F}(x)=\\frac{1}{N}\\cdot \\sum_{i=1}^N 1\\{X_i \\leq x\\}$，也就是给定一个$x$，其经验分布函数的值为样本中小于等于$x$的比例，比如："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 3,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -205,10 +185,7 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "# 使用NumPy\n",
     "虽然Python自带了一些基本的数学函数以及列表、元组等数据结构，然而并没有对向量运算的天然支持，因而我们需要NumPy这个包来支持Python中的向量运算。https://docs.scipy.org/doc/numpy-dev/user/quickstart.html 提供了一个简单的教程。\n",
@@ -219,9 +196,6 @@
    "cell_type": "code",
    "execution_count": 4,
    "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true,
     "scrolled": true
    },
    "outputs": [
@@ -278,22 +252,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "下面展示如何使用NumPy操作矩阵："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 5,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -381,22 +348,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "此外，NumPy还支持很多常用函数的向量运算，比如："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 6,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -419,22 +379,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "最后，NumPy中的random模块也可以用来生成随机数："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 7,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -463,22 +416,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "使用NumPy，上面的指数分布的例子可以改写成如下更加简洁的方式："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 8,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "name": "stdout",
@@ -573,10 +519,7 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "# 使用matplotlib画图\n",
     "在Python中，可以方便的是用matplotlib画图。在使用前应该使用(sudo) pip install matplotlib进行安装，Python3可能需要使用pip3 install。matplotlib地址：http://matplotlib.org/2.0.0/index.html ，教程地址：http://www.labri.fr/perso/nrougier/teaching/matplotlib/ 。\n",
@@ -587,9 +530,6 @@
    "cell_type": "code",
    "execution_count": 9,
    "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true,
     "scrolled": false
    },
    "outputs": [
@@ -621,22 +561,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "除此之外，matplotlib的图类型非常多，比如常见的直方图："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 10,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "data": {
@@ -660,22 +593,15 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "以及散点图："
    ]
   },
   {
    "cell_type": "code",
    "execution_count": 11,
-   "metadata": {
-    "collapsed": false,
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "outputs": [
     {
      "data": {
@@ -701,10 +627,7 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {
-    "deletable": true,
-    "editable": true
-   },
+   "metadata": {},
    "source": [
     "可以参考matplotlib的官方网站以及教程，组合使用这些图形可以画出各种符合自己要求的图像。"
    ]
@@ -726,7 +649,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.5.1"
+   "version": "3.6.5"
   },
   "latex_envs": {
    "LaTeX_envs_menu_present": true,
@@ -747,5 +670,5 @@
   }
  },
  "nbformat": 4,
- "nbformat_minor": 0
+ "nbformat_minor": 1
 }