zoukankan      html  css  js  c++  java
  • S&P_07_多维随机变量,独立性

    1. 二维随机变量

     

    2. 边缘分布

      

    F(x,y)表示二维随机变量的分布函数。 

    P(X<=x} 表示二维随机变量中X的概率,其分布为边缘分布。(其中我们可以是Y变成一个必然事件,将y趋向于无穷大,这样就得到了单个X的随机变量函数)

    1. 多维随机变量

    在同一个随机试验中,往往同时涉及多个随机变量,例如考察某地区中学生的身体素 质情况,随机地选取一名学生,观察学生的身高 X,体重 Y 和肺活量 Z 等指标。随机 变量 X,Y,Z 来自同一样本空间,它们的取值可能相互影响。像这样同时考虑的多个随机变量,称为多元随机变量

      

    1.1 二维随机变量的分布及定义:

    1.2 下面我们主要讨论二维随机变量的性质,大多数二维随机变量的结果都很容易推广到 n 维的情况。

     

    考虑二元函数G(x,y)满足二维联合分布函数的前三个性质:单调,有界,右连续。但由于G(1,1)-G(1,-1)-G(-1,1)+G(-1,-1)<0,故G(x,y)不能作为二元随机变量的分布函数。

     1.3 二维离散型随机变量和二维连续型随机变量

     

    注:Pij是非负的,其次,所有取值的概率之后等于1。

    P{X=i,Y=j} = P(X,Y) = P(Xi)*P(Yj|Xi)

    X取值为等可能取值0~5:P(Xi)=1/6

    当X0=1/6,P(Yi|X0)=1/6

    当X1=1/6,P(Yi|X1)=1/5,Yi在0~5中等可能取值,但X已经等于1,而Y=X+i。

    ...   

    所以分布为

      

     

    X ~ F(x),X(随机变量)服从F(x)分布函数, 则,X,Y~F(x,y),即X,Y服从F(x,y)分布函数。

    X的密度函数 f(t), , 则,X,Y的密度函数为 f(x,y)

     

                                                                                                                                                                                                                       

    第一项减去第二项,第三项减去第四项:

     

       

    f(x,y)密度函数是对F(x,y)求两阶导数。f(x,y)‘’= 1/16(x^2*y +y^2)' = 1/8(x+y)

      

    d)小题求单个随机变量的函数,叫边缘分布

    1.4 边缘分布

     

     

    F(x,y)表示二维随机变量的分布函数。

    P(X<=x} 表示二维随机变量中X的概率,其分布为边缘分布。(其中我们可以是Y变成一个必然事件,将y趋向于无穷大,这样就得到了单个X的随机变量函数)

    • 离散型二维随机变量边缘分布

      

    • 连续型二维变量的边缘分布

     

       

      

     5. 常见的二维分布

     

    1)第一个是二维01分布

    2)均匀分布,其中面积D的每一点的概率是一样的,1/S(D)。例子:二维均匀分布转为几何分布求解,P=长方形与红线围成的区域/长方形。围成区域中两黄色正方形相同,三个三角形同等大小。

    3)两个一维正态分布,不能直接构成一个二维正态分布。

  • 相关阅读:
    对“一道有趣的题目”的解答
    在Debian中使用Notify
    Debian服务器安装详细流程
    Lighttpd1.4.20源码分析之插件系统(1)plugin结构体和插件接口
    Lighttpd1.4.20源码分析之etag.c(h) HTTP/1.1中的Etag域
    Lighttpd1.4.20源码分析之bitset.c(h) 位集合的使用
    伸展树
    GCC中的弱符号与强符号
    Lighttpd1.4.20源码分析之fdevent系统(3) 使用
    Lighttpd1.4.20源码分析之插件系统(3)PLUGIN_TO_SLOT宏
  • 原文地址:https://www.cnblogs.com/tlfox2006/p/9506338.html
Copyright © 2011-2022 走看看