精华内容
下载资源
问答
  • 联合分布

    千次阅读 2013-12-10 16:40:31
    联合分布[编辑] 维基百科,自由的百科全书 (重定向自联合概率分布) 在概率论中, 对两个随机变量X和Y,其联合分布是同时对于X和Y的概率分布. 目录  [隐藏]  1 离散随机变量的联合分布...

    联合分布[编辑]

    维基百科,自由的百科全书
    (重定向自联合概率分布

    概率论中, 对两个随机变量XY,其联合分布是同时对于XY概率分布.

    离散随机变量的联合分布[编辑]

    离散随机变量而言,联合分布概率密度函数为Pr(X = x & Y = y),即

    P(X=x\;\mathrm{and}\;Y=y)\;=\;P(Y=y|X=x)P(X=x)= P(X=x|Y=y)P(Y=y).\;

    因为是概率分布函数,所以必须有

    \sum_x \sum_y P(X=x\ \mathrm{and}\ Y=y) = 1.\;

    连续随机变量的联合分布[编辑]

    类似地,对连续随机变量而言,联合分布概率密度函数fX,Y(xy),其中fY|X(y|x)和fX|Y(x|y)分别代表X = xY条件分布以及Y = yX的条件分布;fX(x)和fY(y)分别代表XY边缘分布

    同样地,因为是概率分布函数,所以必须有

    \int_x \int_y f_{X,Y}(x,y) \; dy \; dx= 1.

    独立变量的联合分布[编辑]

    对于两相互独立的事件P( X)P(Y),任意xy而言有离散随机变量\ P(X = x \ \mathrm{and} \ Y = y ) = P( X = x) \cdot P( Y = y),或者有连续随机变量\ p_{X,Y}(x,y) = p_X(x) \cdot p_Y(y)

    多元联合分布[编辑]

    2元联合分布可以推广到任意多元的情况X1, ..., Xn

    f_{X_1, \ldots, X_n}(x_1, \ldots, x_n) = f_{X_n | X_1, \ldots, X_{n-1}}( x_n | x_1, \ldots, x_{n-1}) f_{X_1, \ldots, X_{n-1}}( x_1, \ldots, x_{n-1} ) .
    展开全文
  • 利用Copula函数构建联合分布函数,计算两个随机变量的联合分布,并得出其相关值。
  • 在概率论中,对两个随机变量X和Y,其联合分布是同时对于X和Y的概率分布(关于概率分布的理论请参考:点这里)。 乍一看:“同时对于X和Y的概率分布”,感觉很懵,不懂是啥意思。没关系,我们带着这个疑问,继续往下...

    在概率论中,对两个随机变量XY,其联合分布是同时对于XY的概率分布(关于概率分布的理论请参考:点这里)。

    乍一看:“同时对于XY的概率分布”,感觉很懵,不懂是啥意思。没关系,我们带着这个疑问,继续往下看:

    联合分布可以划分为两种,一种是关于离散随机变量的联合分布,另一种是关于连续随机变量的

    1)离散随机变量的联合分布:

      对离散随机变量而言,联合分布概率函数为P(X = x & Y = y),即

          P(X=x\;\mathrm{and}\;Y=y)\;=\;P(Y=y|X=x)P(X=x)= P(X=x|Y=y)P(Y=y).\;
    仔细看看这个公式,其实就是X和Y同时发生的一个概率函数,那么它的(联合)分布函数是怎样的呢?在上一篇我们说到,分布函数就是概率函数的累加嘛。类似的,联合分布函数:
                     

    可能光看公式很难理解,我们结合一个例子来看看

    连续抛五次硬币,设:X: 最后两次出现反面的次数,可以取值0,1,2;Y: 投掷为正面的总数,可以取值0,1,2,3,4,5;

    把这两个随机变量的联合分布一一列出来给大家看看:

    那么F(1,2)=p11+p12,F(2,3)=p11+p12+p13+p23,

    这样表示的话,你该明白了吧。

    就本质上来说,离散联合分布依然概率值的累加,但是这个概率值已经变成两个事件同时发生的概率值了
    2)连续随机变量的联合分布:
    设X和Y的联合概率密度函数为f(x,y),那么X和Y的联合分布函数为:

    未完待续。。。

    转载于:https://www.cnblogs.com/hahaxzy9500/p/9456540.html

    展开全文
  • 概率论 联合分布

    千次阅读 2018-12-06 21:26:54
    谢谢!   我之前一直专注于单一的...联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。 对于联合分布来说,最核心的...

    作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

     

    我之前一直专注于单一的随机变量及其概率分布。我们自然的会想将以前的结论推广到多个随机变量。联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。

    对于联合分布来说,最核心的依然是概率测度这一概念。 

     

    离散随机变量的联合分布

    我们先从离散的情况出发,了解多个随机变量并存的含义。

    之前说,一个随机变量是从样本空间到实数的映射。然而,所谓的映射是人为创造的。从一个样本空间,可以同时产生多个映射。比如,我们的实验是连续三次投硬币,样本空间为

     

     

    h为正面,t为反面。在同一样本空间上,我们可以定义多个随机变量,比如:

    • : 投掷为正面的总数,可以取值0,1,2,3
    • : 最后一次出现负面的总数,可以取值0,1
    • : 将正面记为10,负面记为5,第一次与第三次取值的差,可以有5, -5, 0

    这三个随机变量可以看作一个有三个分量的矢量。所以定义在同一样本空间的多随机变量,是一个从样本空间到矢量的映射。 

    (从这个角度上说,单一随机变量是一个从样本空间到一个有一个分量的矢量的映射)

     

    如果样本空间中每个结果出现的概率相等。而样本空间中共有8个结果,那么个每个结果的出现的概率都是1/8。据此,我们可以计算联合概率,比如

     

     

     

     

     

    对于,我们寻找样本空间中满足这两个取值的所有元素。这些元素构成一个样本空间的子集,该子集的概率就是的联合概率。称为联合概率质量函数(joint PMF, joint probability mass function)。联合概率可以看做两个事件同时发生时的概率,事件A为,事件B为,即。

    找到所有可能取值组合的概率,就找到了这两个随机变量的联合分布:

          对应子集
    0 0 0  
    1 0 1/8 tth
    2 0 2/8 thh, hth
    3 0 1/8 hhh
    0 1 1/8 ttt
    1 1 2/8 htt, tht
    2 1 1/8 hht
    3 1  0  

     联合分布

    联合分布描述了所有可能的取值情况。因此,联合概率密度函数的累积和为1。

     

    连续随机变量的联合分布

    我们知道,单个连续随机变量的概率是变量在某个区间(某段线的“长度”)取值的概率。做类似的推广,多个连续随机变量的概率,是这多个随机变量在多维区间的概率。比如两个随机变量,我们需要表达一个二维区间的概率,比如。这个二维区间可以有一个类似于一个小补丁的“面积”。二维区间对应的概率是一个体积。

     

    在单变量情况下,概率是一个“面积”,是由区间的“长度”和密度函数(一条曲线)围成的。这里的“体积”是二维区间的“面积”和密度函数(一个曲面)围成的。我们可以使用联合概率密度函数(joint PDF, joint probability density function)来表达多随机变量的分布。对于双变量的联合分布来说,它等于无穷小块的概率,除以无穷小块的面积。

    用微积分的语言来说,就是

     

     

    就是描述X和Y的联合分布的联合概率密度函数。

     

    联合概率密度函数描述了所有可能取值的情况,因此有

     

     

     

    实例

    下面是两个连续随机变量的联合PDF:

     

     

    通过积分,计算X在0到0.5,而Y在0到1的概率:

     

     

     

    我们之间也说到,单个随机变量的概率对应线段到概率密度曲线之间的面积。而两个随机变量的概率对应小块到概率密度面之间的体积。

    我们可以绘制的分布图形,即一个二维的平面。图中的颜色标记了f(x, y)值的大小。如下: 

    可以看到,f(x, y)随X增大而增大,在X值确定时,f(x, y)不随Y变化。

    # By Vamei


    from mpl_toolkits.mplot3d import Axes3D
    from matplotlib import cm
    from matplotlib.ticker import LinearLocator, FormatStrFormatter
    import matplotlib.pyplot as plt
    import numpy as np


    fig = plt.figure()
    ax = fig.gca(projection='3d')
    X = np.arange(0, 1, 0.05)
    Y = np.arange(0, 1, 0.05)
    X, Y = np.meshgrid(X, Y)
    Z = 2*X
    surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm,
            linewidth=0, antialiased=False)
    ax.set_zlim(0.0, 2.5)


    ax.zaxis.set_major_locator(LinearLocator(10))
    ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))


    ax.set_xlabel("X")
    ax.set_ylabel("Y")
    ax.set_zlabel("f(x,y)")
    fig.colorbar(surf, shrink=0.5, aspect=5)


    plt.show()

     

    边缘概率

    联合分布包含了多个随机变量的分布信息。我们当然可以从联合分布中,提取出任意一个单一随机变量的分布,也就是所谓的边缘分布(marginal distribution)。

    对于离散随机变量,可以获得边缘概率质量函数(marginal pmf):

     

     

     

     

    在求X的单一边缘分布时, 我们累加了相同x值、不同y值时的多个联合概率,从而获得该x值的的总体概率,即边缘概率。

     

    连续随机变量X的边缘密度函数(marginal pdf, marginal probability density function)可以定义为

     

     

    是联合密度函数对Y的积分。通过积分,我们将不同Y取值时的联合概率加在一起,就获得纯粹的单一X的分布状况。

    类似的,Y的边缘密度函数为

     

     

     

    取离散随机分布的例子,即掷三次硬币

      0 1 2 3 p(y)
    0 0 1/8 2/8 1/8 1/2
    1 1/8 2/8 1/8 0 1/2
    p(x) 1/8 3/8 3/8 1/8  

    边缘概率是对各行和列的累加。最后一列p(y)是Y的分布,Y有1/2的概率取0,1/2的概率取1。最后一行p(x)是X的分布。

     

    取连续随机分布的例子,即下面的连续分布:

     

     

    可以得到:

     

     

     

     

     

    条件分布

    我们之前基于事件介绍了条件概率,即如果事件B发生,那么事件A发生的概率。相同的概念可以引申到随机变量。随机变量取某个值,这可以看做一个事件。我们想知道,随机变量Y取值y,另一个随机变量X为x的概率。

     

    事件的条件概率类似,假设,在的条件下,随机变量X取值为x的概率定义为: 

     

     

    即同时发生的概率,除以Y取值为y的的概率。

     

    以掷三次硬币为例。条件为Y值取值0,即最后一次投掷为正面时。此时,X取值为2有两种可能,即前两次为ht和th。由于前两次投掷有四种组合,所以概率为0.5。

    我们可以通过条件概率的公式计算并验证:

     

     

     

    如果说概率是分一个总和为1的大饼,如果大饼分八块,每块就是1/8。假设半个饼上撒胡椒,另半个饼上撒辣椒。那么在胡椒饼(相当于我们的条件)上选取一块的概率,就是1/4。此时,也就是用原来的概率除以胡椒饼所占的比重。

     

    对于连续随机变量,假设,给定Y=y,随机变量X的条件分布为:

     

     

     

    独立随机变量

    正如事件之间可以相互独立一样,随机变量之间也可以相互独立。当X独立于Y时,我们可以相像,Y的取值,将不影响X的概率。也就是说

     

     

    这意味着,当且仅当

     

     

    时,X和Y相互独立。

    可以验证,连续投掷三次硬币的例子中,X和Y并不独立,比如

     

     

     

     

     

     

    因此,

     

     

    X和Y并不独立。

    对于连续随机变量来说,当且仅当

     

     

    时,X和Y相互独立。

    对于分布

     

     

    使用之前获得的边际分布,可以验证

     

     

    因此,对于该分布来说,X和Y相互独立。

     

    总结

    通过联合分布,我们将单随机变量的分布拓展到多随机变量的分布。同样的,在单随机变量中引入的条件概率,也可以使用到多随机变量。我们还探讨了随机变量的独立性。

    欢迎继续阅读“数据科学”系列文章 

    展开全文
  • 联合分布的半监督主题模型
  • 基于Copula研究联合分布函数的性质,梁冯珍,史道济,本文借助Copula讨论了联合分布与边缘分布之间的关系.对于给定的联合分布, 可惟一确定边缘分布.但对于给定的边缘分布,若随机变量相互
  • 概率论之联合分布

    2019-10-08 10:51:31
    联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。 多个随机变量并存 离散随机变量的联合分布 我们先从离散...

    我之前一直专注于单一的随机变量及其概率分布。现在开始考虑多个随机变量的情况。联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。

     

    多个随机变量并存

    离散随机变量的联合分布

    我们先从离散的情况出发,了解多个随机变量并存的含义。

    之前说,一个随机变量是从样本空间到实数的映射。然而,所谓的映射是人为创造的。从一个样本空间,可以同时产生多个映射。比如,我们的实验是连续三次投硬币,样本空间为

    Ω={hhh,hht,hth,thh,htt,tht,tth,ttt}

    h为正面,t为反面。在同一样本空间上,我们可以定义多个随机变量,比如:

    • X: 投掷为正面的总数,可以取值0,1,2,3
    • Y: 最后一次出现负面的总数,可以取值0,1
    • Z: 将正面记为10,负面记为5,第一次与第三次取值的差,可以有5, -5, 0

    这三个随机变量可以看作一个有三个分量的矢量。所以定义在同一样本空间的多随机变量,是一个从样本空间到矢量的映射。 

    (从这个角度上说,单一随机变量是一个从样本空间到一个有一个分量的矢量的映射)

    如果样本空间Ω中每个结果出现的概率相等。而样本空间中共有8个结果,那么个每个结果的出现的概率都是1/8。据此,我们可以计算联合概率,比如

    P(X=0,Y=1)=P({ttt})=1/8

    P(X=1,Y=1)=P({htt,tht})=2/8

    对于X=x,Y=y,我们寻找样本空间中满足这两个取值的所有元素。这些元素构成一个样本空间的子集,该子集的概率就是P(X=x,Y=y)的联合概率。p(x,y)=P(X=x,Y=y)称为联合概率质量函数(joint PMF, joint probability mass function)。联合概率可以看做两个事件同时发生时的概率,事件A为X=x,事件B为Y=y,即P(AB)

    找到所有可能取值组合的概率,就找到了这两个随机变量的联合分布:

    X Y P(X,Y) 对应子集
    0 0 0 Φ
    1 0 1/8 tth
    2 0 2/8 thh, hth
    3 0 1/8 hhh
    0 1 1/8 ttt
    1 1 2/8 htt, tht
    2 1 1/8 hht
    3 1  0 Φ

     联合分布

    联合分布描述了所有可能的取值情况。因此,联合概率密度函数的累积和为1。

     

    连续随机变量的联合分布

    连续随机变量的概率是变量在某个区间取值的概率。为了表示多个连续随机变量的联合分布,我们需要表达随机变量在两个区间的概率,即P(aXb,cYd)

     

    正如单随机变量的情况,我们可以更方便的使用联合概率密度函数(joint PDF, joint probability density function),即

    P(aXb,cYd)=badcf(x,y)dxdy

    f(x,y)就是描述X和Y的联合分布的联合概率密度函数。

     

    联合概率密度函数描述了所有可能取值的情况,因此有

    +f(x,y)dxdy=1

     

    实例

    下面是两个连续随机变量的联合PDF:

    f(x,y)={2x0forfor0x,y1else

    通过积分,计算X在0到0.5,而Y在0到1的概率:

    P(0X0.5,0Y1)=0.50102xdxdy=0.25

     

    我们可以绘制f(x,y)的分布图形,即一个二维的平面。图中的颜色标记了f(x, y)值的大小。如下: 

    可以看到,f(x, y)随X增大而增大,在X值确定时,f(x, y)不随Y变化。

    复制代码
    # By Vamei
    
    from mpl_toolkits.mplot3d import Axes3D
    from matplotlib import cm
    from matplotlib.ticker import LinearLocator, FormatStrFormatter
    import matplotlib.pyplot as plt
    import numpy as np
    
    fig = plt.figure()
    ax = fig.gca(projection='3d')
    X = np.arange(0, 1, 0.05)
    Y = np.arange(0, 1, 0.05)
    X, Y = np.meshgrid(X, Y)
    Z = 2*X
    surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm,
            linewidth=0, antialiased=False)
    ax.set_zlim(0.0, 2.5)
    
    ax.zaxis.set_major_locator(LinearLocator(10))
    ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
    
    ax.set_xlabel("X")
    ax.set_ylabel("Y")
    ax.set_zlabel("f(x,y)")
    fig.colorbar(surf, shrink=0.5, aspect=5)
    
    plt.show()
    复制代码

     

    边缘概率

    联合分布包含了多个随机变量的分布信息。我们当然可以从联合分布中,提取出任意一个单一随机变量的分布,也就是所谓的边缘分布(marginal distribution)。

    对于离散随机变量,可以获得边缘概率质量函数(marginal pmf):

    pX(x)=allyp(x,y)

    pY(y)=allxp(x,y)

    在求X的单一边缘分布时, 我们累加了相同x值、不同y值时的多个联合概率,从而获得该x值的的总体概率,即边缘概率。

     

    连续随机变量X的边缘密度函数(marginal pdf, marginal probability density function)可以定义为

    fX(x)=+f(x,y)dy

    fX(x)是联合密度函数对Y的积分。通过积分,我们将不同Y取值时的联合概率加在一起,就获得纯粹的单一X的分布状况。

    类似的,Y的边缘密度函数为

    fY(y)=+f(x,y)dx

     

    取离散随机分布的例子,即掷三次硬币

      0 1 2 3 p(y)
    0 0 1/8 2/8 1/8 1/2
    1 1/8 2/8 1/8 0 1/2
    p(x) 1/8 3/8 3/8 1/8  

    边缘概率是对各行和列的累加。最后一列p(y)是Y的分布,Y有1/2的概率取0,1/2的概率取1。最后一行p(x)是X的分布。

     

    取连续随机分布的例子,即下面的连续分布:

    f(x,y)={2x0forfor0x,y1else

    可以得到:

    fX(x)=2x,0x1

    fY(y)=1,0y1

     

    条件分布

    我们之前基于事件介绍了条件概率,即如果事件B发生,那么事件A发生的概率。相同的概念可以引申到随机变量。随机变量取某个值,这可以看做一个事件。我们想知道,随机变量Y取值y,另一个随机变量X为x的概率。

     

    事件的条件概率类似,假设pY(y)0,在Y=y的条件下,随机变量X取值为x的概率定义为: 

    p(x|y)=p(x,y)pY(y)

    X=x,Y=y同时发生的概率,除以Y取值为y的的概率。

     

    以掷三次硬币为例。条件为Y值取值0,即最后一次投掷为正面时。此时,X取值为2有两种可能,即前两次为ht和th。由于前两次投掷有四种组合,所以概率为0.5。

    我们可以通过条件概率的公式计算并验证:

    p(2|0)=p(2,0)pY(0)=2/81/2=0.5

     

    如果说概率是分一个总和为1的大饼,如果大饼分八块,每块就是1/8。假设半个饼上撒胡椒,另半个饼上撒辣椒。那么在胡椒饼(相当于我们的条件)上选取一块的概率,就是1/4。此时,也就是用原来的概率除以胡椒饼所占的比重。

     

    对于连续随机变量,假设fY(y)0,给定Y=y,随机变量X的条件分布为:

    f(x|y)=f(x|Y=y)=f(x,y)fY(y)

     

    独立随机变量

    正如事件之间可以相互独立一样,随机变量之间也可以相互独立。当X独立于Y时,我们可以相像,Y的取值,将不影响X的概率。也就是说

    p(x|y)=pX(x)

    这意味着,当且仅当

    p(x,y)=pX(x)pY(y)

    时,X和Y相互独立。

    可以验证,连续投掷三次硬币的例子中,X和Y并不独立,比如

    p(1,1)=2/8

    pX(1)=3/8

    pY(1)=1/2

    因此,

    p(1,1)pX(1)pY(1)

    X和Y并不独立。

    对于连续随机变量来说,当且仅当

    f(x,y)=fX(x)fY(y)

    时,X和Y相互独立。

    对于分布

    f(x,y)={2x0forfor0x,y1else

    使用之前获得的边际分布,可以验证

    f(x,y)=fX(x)fY(y)

    因此,对于该分布来说,X和Y相互独立。

     

    总结

    通过联合分布,我们将单随机变量的分布拓展到多随机变量的分布。同样的,在单随机变量中引入的条件概率,也可以使用到多随机变量。我们还探讨了随机变量的独立性。

    欢迎继续阅读“数据科学”系列文章 

    转载于:https://www.cnblogs.com/huzs/p/3742012.html

    展开全文
  • 水文分析中计算两变量联合分布的概率密度函数,是matlab与copula的结合
  • 基于自适应联合分布建模的图像超分辨率
  • 联合分布概率密度函数

    千次阅读 2020-01-13 14:55:18
    二维随机变量(X,Y)的分布函数,或称为随机变量X和Y的联合分布函数。 随机变量X和Y的联合分布函数是设(X,Y)是二维随机变量, 对于任意实数x,y,二元函数:F(x,y) = P{(X<=x) ∩ (Y<=y)} => P(X<=x, Y<...
  • 基于图和联合分布自适应的鲁棒稀疏编码表示
  • 同时探索了洪水联合分析的实际应用:一方面根据联合分布提出"等效水文情景"的概念,以更好地体现水文事件的不确定性和水文变量组合的概率等效性;另一方面论证联合重现期可作为单变量重现期的区间估计,为二元分析的洪水...
  • 岩坡稳定性分析问题是一个可靠性问题,结合由Hoek-Brown经验准则衍生的线性参数,采用概率密度函数联合分布法确定平面滑动岩坡的最终安全系数的概率分布,借助Matlab软件对该计算过程实现表达,并对岩坡安全系数的影响...
  • 一、二维随机变量 二、二维离散型随机变量 2.1、离散随机变量的联合概率分布律 2.2、联合分布律的性质 2.3、例
  • 概率论07 联合分布

    2014-10-11 15:11:01
    联合分布(joint distribution)描述了多个随机变量的概率分布,是对单一随机变量的自然拓展。联合分布的多个随机变量都定义在同一个样本空间中。  对于联合分布来说,最核心的依然是概率测度这一概念。  离散随机...
  • 摘要:本文主要介绍二维随机变量的联合分布律、边缘分布律和条件分布律之间的关系,并以矿山事故为例,强化对三者关系的认识。
  • 基于邻域LOG信号联合分布的简化参考图像质量评估模型
  • 基于联合分布最优深域自适应方法的机电传动系统故障诊断
  • 连续+离散变量的联合分布求解

    千次阅读 2020-03-18 09:41:00
    连续+离散变量的联合分布计算 在概率论中,联合分布的计算中(也就是一种函数的分布)有一类是比较特别的,即两个变量类型分别是:连续和离散的。 这类题目的求解就需要引入全概率公式 1. 全概率公式 先举个例子,...
  • 已知相关系数求解联合分布

    千次阅读 2016-11-05 15:57:11
    已知相关系数求解联合分布律@(概率论)设随机变量X与Y的分布律是: X 0 1 P 14\frac{1}{4} 34\frac{3}{4} Y 0 1 P 12\frac{1}{2} 12\frac{1}{2} 且相关系数是ρxy=3√3\rho_{xy} = \frac{\sqrt 3}{3}则(X,Y)...
  • (1)联合分布函数:   多个变量组成是联合分布的基础,比如F(x,y),对x,y的约束,通常二维的可以通过计算面积获得联合分布的概率 (2) 联合分布律和联合概率密度的区别 离散型的通过数据枚举的方式...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,964
精华内容 1,585
关键字:

联合分布