随机向量
来源:互联网 发布:淘宝首页放淘客链接 编辑:程序博客网 时间:2024/04/29 10:43
联合分布
- 随机向量
- 随机向量的函数
- 联合分布:
- 离散型:
pij , - 连续型: 密度函数
p(x,y) ,分布函数F(x,y)=P(X≤x,Y≤y)
- 离散型:
- 非负性、次可加性、归一性
p(x,y)=∂2F(x,y)∂x∂y p((X,Y)∈D)=∬Dp(x,y)dxdy
边缘分布
- 边缘分布:联合分布的分量
- 联合分布决定边缘分布,由联合分布积分得到
三项分布
二维正态分布
- 概率密度
p(x,y)=12πσ1σ21−ρ2−−−−−√e−12(1−ρ2)[(1−μ1)/σ1)2−2ρ(x−μ1)(x−μ2)/σ1σ2+(x−μ2/σ2)2] - 边缘密度是一维正态密度
pX(x)∼N(μ1,σ21),pY(y)∼N(μ2,σ22) - 二维正态分布X和Y相互独立的充要条件是
ρ=0 X+Y∼N(2μ,2σ2)
独立性
充要条件:
p(x,y)=pX(x)pY(y) P(X=xi,Y=yi)=P(X=xi)P(Y=yi)
函数的分布
Z=X+Y 的分布pZ(z)=∫∞−∞p(x,z−x)dx Z=X/Y 的分布pZ(z)=∫∞−∞|y|p(zy,y)dy - 可作变量替换的一般函数的分布
x=x(u,v),y=y(u,v) ,有q(u,v)=p[x(u,v),y(u,v)]∣∣∣∂(x,y)∂(u,v)∣∣∣ X,Y 相互独立,则E(XY)=E(X)E(Y),D(X)=D(X)+D(Y) E[f(x,y)]=∬f(x,y)p(x,y)dxdy
协方差
- 协方差:
cov(X,Y)=E(X−E(X)(Y−E(Y)) |cov(X,Y)|2≤var(X)⋅var(Y) - 相关系数:
ρ=cov(X,Y)var(X)−−−−−−√var(Y)−−−−−−√ X,Y 独立则系数为0 ,X,Y 线性相关则系数为±1
n 维分布
- 分布函数,密度函数,边缘分布,独立性,多项分布,
- 密度公式
p((X1,⋯,Xn)∈D)=∬Dp(x1,⋯,xn)dx1⋯dxn - 独立的充要条件:联合密度等于各个密度之积。
- 期望,协方差矩阵,相关阵(相关系数的矩阵),
n 维正态分布,随机变量的函数 - 函数分布公式
F(y)=∬A(y)p(x1,⋯,xn)dx1⋯dxn - 均值公式
E[f(x1,⋯,xn)]=∬f(x1,⋯,xn)p(x1,⋯,xn)dx1⋯dxn
次序统计量
X(k) 的分布FX(k)(x)=P[X(k)≤x]=n!(k−1)!(n−k)!∫F(x)0uk−1(1−u)n−kdu
-X(1),⋯,X(n) 的联合分布q(x1,⋯,xn)={n!∏ni=1p(xi),x1<⋯<xn0,else (X(1),X(n)) 的联合密度为q1(u1,u2)={n(n−1)(F(u2)−F(u1))n−2p(u1)p(u2),u1<u20,else 极差
ξ=X(n)−X(1) 的分布P(ξ≤x)=n∫∞−∞(F(x+u)−F(u))n−1p(u)du,x>0
条件分布
离散
连续
条件期望
离散
连续
定理(权期望公式,条件期望与期望的关系):
离散类似
0 0
- 随机向量
- 随机向量
- GSL随机向量
- 概率论-随机向量及其分布
- 随机返回一个指定向量的垂直向量
- matlab如何生成多维随机向量
- 校内互测 C. 向量 (乱搞+随机+数论)
- 漫步数理统计二十一——变换:随机向量
- Matlab对向量或者矩阵进行随机排列
- Matlab随机生成元素和为K的向量
- 向量
- 向量
- 向量
- 向量
- 向量
- 向量
- 向量
- 向量
- Linux 系统下安装jdk
- CentOS6.4_x64安装Oracle11g R2
- Npc行为-让我们的游戏世界更真实
- OpenCV2:Mat属性type,depth,step
- 一个C++的内存池和内存管理的实现(四)
- 随机向量
- sql 的密码md5加密
- 黑马程序员——Java基础知识
- 前端(JS)开发者的新起点:2015
- iOS开发之通知机制
- Leetcode -- Two Sum
- MSM-AOSP_LED呼吸灯适配(泛泰IM-A910)
- Drag Object与Lag Position,Window Drag Tilt
- (KMP 1.3)hdu 2087 剪花布条(求文本串中有几个模式串)