精华内容
下载资源
问答
  • 二维正态分布采样置信椭圆绘制-Python
    千次阅读
    2021-03-16 10:56:27

    二维正态分布采样后,绘制置信椭圆

    假设二维正态分布表示为:
    [ x 1 x 2 ] ∼ N ( [ μ 1 μ 2 ] , [ Σ 11 Σ 12 Σ 21 Σ 22 ] ) \left[\begin{array}{c} x_1 \\ x_2 \end{array}\right] \sim \mathcal{N}\left( \left[\begin{array}{c} \mu_1 \\ \mu_2 \end{array}\right], \left[\begin{array}{cc} \Sigma_{11} & \Sigma_{12}\\ \Sigma_{21} & \Sigma_{22} \end{array}\right] \right) [x1x2]N([μ1μ2],[Σ11Σ21Σ12Σ22])
    下图为两个二维高斯分布采样后的置信椭圆
    N ( [ 4 0 ] , [ 1.0 0.9 0.9 0.5 ] ) \mathcal{N}\left( \left[\begin{array}{c} 4 \\ 0 \end{array}\right], \left[\begin{array}{cc} 1.0 & 0.9\\ 0.9 & 0.5 \end{array}\right] \right) N([40],[1.00.90.90.5])

    N ( [ 5 2 ] , [ 1.0 0.0 0.0 1.0 ] ) \mathcal{N}\left( \left[\begin{array}{c} 5 \\ 2 \end{array}\right], \left[\begin{array}{cc} 1.0 & 0.0\\ 0.0 & 1.0 \end{array}\right] \right) N([52],[1.00.00.01.0])
    每个二维高斯分布采样100个数据点,图片为:
    在这里插入图片描述

    代码如下:

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    
    import numpy as np
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    
    def make_ellipses(mean, cov, ax, confidence=5.991, alpha=0.3, color="blue", eigv=False, arrow_color_list=None):
        """
        多元正态分布
        mean: 均值
        cov: 协方差矩阵
        ax: 画布的Axes对象
        confidence: 置信椭圆置信率 # 置信区间, 95%: 5.991  99%: 9.21  90%: 4.605 
        alpha: 椭圆透明度
        eigv: 是否画特征向量
        arrow_color_list: 箭头颜色列表
        """
        lambda_, v = np.linalg.eig(cov)    # 计算特征值lambda_和特征向量v
        # print "lambda: ", lambda_
        # print "v: ", v
        # print "v[0, 0]: ", v[0, 0]
    
        sqrt_lambda = np.sqrt(np.abs(lambda_))    # 存在负的特征值, 无法开方,取绝对值
    
        s = confidence
        width = 2 * np.sqrt(s) * sqrt_lambda[0]    # 计算椭圆的两倍长轴
        height = 2 * np.sqrt(s) * sqrt_lambda[1]   # 计算椭圆的两倍短轴
        angle = np.rad2deg(np.arccos(v[0, 0]))    # 计算椭圆的旋转角度
        ell = mpl.patches.Ellipse(xy=mean, width=width, height=height, angle=angle, color=color)    # 绘制椭圆
    
        ax.add_artist(ell)
        ell.set_alpha(alpha)
        # 是否画出特征向量
        if eigv:
            # print "type(v): ", type(v)
            if arrow_color_list is None:
                arrow_color_list = [color for i in range(v.shape[0])]
            for i in range(v.shape[0]):
                v_i = v[:, i]
                scale_variable = np.sqrt(s) * sqrt_lambda[i]
                # 绘制箭头
                """
                ax.arrow(x, y, dx, dy,    # (x, y)为箭头起始坐标,(dx, dy)为偏移量
                         width,    # 箭头尾部线段宽度
                         length_includes_head,    # 长度是否包含箭头
                         head_width,    # 箭头宽度
                         head_length,    # 箭头长度
                         color,    # 箭头颜色
                         )
                """
                ax.arrow(mean[0], mean[1], scale_variable*v_i[0], scale_variable * v_i[1], 
                         width=0.05, 
                         length_includes_head=True, 
                         head_width=0.2, 
                         head_length=0.3,
                         color=arrow_color_list[i])
                # ax.annotate("", 
                #             xy=(mean[0] + lambda_[i] * v_i[0], mean[1] + lambda_[i] * v_i[1]),
                #             xytext=(mean[0], mean[1]),
                #             arrowprops=dict(arrowstyle="->", color=arrow_color_list[i]))
    
    
        # v, w = np.linalg.eigh(cov)
        # print "v: ", v
    
        # # angle = np.rad2deg(np.arccos(w))
        # u = w[0] / np.linalg.norm(w[0])
        # angle = np.arctan2(u[1], u[0])
        # angle = 180 * angle / np.pi
        # s = 5.991   # 置信区间, 95%: 5.991  99%: 9.21  90%: 4.605 
        # v = 2.0 * np.sqrt(s) * np.sqrt(v)
        # ell = mpl.patches.Ellipse(xy=mean, width=v[0], height=v[1], angle=180 + angle, color="red")
        # ell.set_clip_box(ax.bbox)
        # ell.set_alpha(0.5)
        # ax.add_artist(ell)
    
    def plot_2D_gaussian_sampling(mean, cov, ax, data_num=100, confidence=5.991, color="blue", alpha=0.3, eigv=False):
        """
        mean: 均值
        cov: 协方差矩阵
        ax: Axes对象
        confidence: 置信椭圆的置信率
        data_num: 散点采样数量
        color: 颜色
        alpha: 透明度
        eigv: 是否画特征向量的箭头
        """
        if isinstance(mean, list) and len(mean) > 2:
            print "多元正态分布,多于2维"
            mean = mean[:2]
            cov_temp = []
            for i in range(2):
                cov_temp.append(cov[i][:2])
            cov = cov_temp
        elif isinstance(mean, np.ndarray) and mean.shape[0] > 2:
            mean = mean[:2]
            cov = cov[:2, :2]
        data = np.random.multivariate_normal(mean, cov, 100)
        x, y = data.T
        plt.scatter(x, y, s=10, c=color)
        make_ellipses(mean, cov, ax, confidence=confidence, color=color, alpha=alpha, eigv=eigv)
    
    
    def main():
        # plt.figure("Multivariable Gaussian Distribution")
        plt.rcParams["figure.figsize"] = (8.0, 8.0)
        fig, ax = plt.subplots()
        ax.set_xlabel("x")
        ax.set_ylabel("y")
        print "ax:", ax
    
        mean = [4, 0]
        cov = [[1, 0.9], 
               [0.9, 0.5]]
        
        plot_2D_gaussian_sampling(mean=mean, cov=cov, ax=ax, eigv=True, color="r")
    
        mean1 = [5, 2]
        cov1 = [[1, 0],
               [0, 1]]
        plot_2D_gaussian_sampling(mean=mean1, cov=cov1, ax=ax, eigv=True)
    
        plt.savefig("./get_pickle_data/pic/gaussian_covariance_matrix.png")
        plt.show()
    
    
    
    if __name__ == "__main__":
        main()
    
    
    
    更多相关内容
  • clc close all D=5;% deltaD = 1/100D+0.1; delta_theta = 3pi/180; sigma_mz = (deltaD^2+(D^2*delta_... mesh(x,y,G) title('二维正态分布的概率密度函数') xlabel('X') ylabel('Y') 不能运行出图,求助各位大神
  • 概率论与数理统计(3):二维随机变量及其分布 文章目录概率论与数理统计(3):二维随机变量及其分布一.多维随机变量定义:二.二维随机变量及其分布函数1.联合分布函数①定义②性质(1)F(x,y)F(x,y)F(x,y)对x和y都是单调不...

    概率论与数理统计(3):二维随机变量及其分布

    一.多维随机变量

    定义:

    ​ 若 X 1 ( ω ) , X 2 ( ω ) , . . . X n ( ω ) X_1(\omega),X_2(\omega),...X_n(\omega) X1(ω),X2(ω),...Xn(ω)是样本空间 Ω \Omega Ω={ ω \omega ω}上的随机变量,则( X 1 ( ω ) , X 2 ( ω ) , . . . X n ( ω ) X_1(\omega),X_2(\omega),...X_n(\omega) X1(ω),X2(ω),...Xn(ω))构成 Ω \Omega Ω上的n维随机变量,简记为:
    X = ( X 1 , X 2 , . . . X n ) X=(X_1,X_2,...X_n) X=(X1,X2,...Xn)

    二.二维随机变量及其分布函数

    ​ 设E是一个随机试验,S={e}为其样本空间,设 X = X ( e ) X=X(e) X=X(e) Y = Y ( e ) Y=Y(e) Y=Y(e)是定义在S上的随机变量,由它们构成的一个向量 ( X , Y ) (X,Y) (X,Y)叫做二维随机变量(或二位随机向量)

    1.联合分布函数

    ①定义

    ​ 设 ( X , Y ) (X,Y) (X,Y)为二维随机变量, x , y x,y x,y为任意实数,称二元函数 F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\left\{X\leq x,Y\leq y\right\} F(x,y)=P{Xx,Yy} ( X , Y ) (X,Y) (X,Y)的分布函数,or X X X Y Y Y联合分布函数

    F ( x , y ) \\F(x,y) F(x,y)表示事件 { X ≤ x } \left\{X\leq x\right\} {Xx} { Y ≤ y } \left\{Y\leq y\right\} {Yy}同时发生的概率(其实就是把 P { ( X ⩽ x ) ⋂ ( Y ⩽ y ) } P\{(X\leqslant x)\bigcap(Y\leqslant y)\} P{(Xx)(Yy)}记成了 P { X ≤ x , Y ≤ y } P\left\{X\leq x,Y\leq y\right\} P{Xx,Yy})

    ​ 为什么要研究联合分布呢?因为二位随机变量(X,Y)的性质不仅分别与X和Y有关,也与X与Y之间的相互关系有关,所以单独逐个研究X与Y是不够的,还需要将 ( X , Y ) (X,Y) (X,Y)作为整体进行研究

    ②性质

    (1) F ( x , y ) F(x,y) F(x,y)对x和y都是单调不减的,即:

    ​ (Ⅰ)固定 x x x,当 y 1 < y 2 y_1<y_2 y1<y2时, F ( x , y 1 ) ⩽ F ( x , y 2 ) F(x,y_1)\leqslant F(x,y_2) F(x,y1)F(x,y2)

    ​ (Ⅱ)固定 y y y,当 x 1 < x 2 x_1<x_2 x1<x2时, F ( x 1 , y ) ⩽ F ( x 2 , y ) F(x_1,y)\leqslant F(x_2,y) F(x1,y)F(x2,y)

    (2)连续性

    F ( x , y ) F(x,y) F(x,y)关于 x x x右连续,即 F ( x , y ) = F ( x + 0 , y ) F(x,y)=F(x+0,y) F(x,y)=F(x+0,y)

    F ( x , y ) F(x,y) F(x,y)关于 y y y右连续,即 F ( x , y ) = F ( x , y + 0 ) F(x,y)=F(x,y+0) F(x,y)=F(x,y+0)

    (3)

    ​ 随机变量 ( X , Y ) (X,Y) (X,Y)落在矩形区域 ( x 1 , x 2 ] × ( y 1 , y 2 ] (x_1,x_2]×(y_1,y_2] (x1,x2]×(y1,y2]内的概率为
    P { x 1 < X ≤ x 2 , y 1 < Y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\left\{x_1<X\leq x_2,y_1<Y\leq y_2\right\}\\=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1) P{x1<Xx2,y1<Yy2}=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)

    解释

    ​ 若将二维随机变量(X,Y)看成平面上的随机点的坐标,那么 F ( x , y ) F(x,y) F(x,y) ( x , y ) (x,y) (x,y)处的函数值就是随机点 ( X , Y ) (X,Y) (X,Y)落在以点 ( x , y ) (x,y) (x,y)为顶点而位于该点左下方的无穷矩形域内的概率,如图紫色区域,设 A ( x , y ) A(x,y) A(x,y)

    image-20210603202735718

    image-20210603203348658

    (4)

    0 ⩽ F ( x , y ) ⩽ 1 , 且 F ( − ∞ , y ) = F ( x , − ∞ ) = F ( − ∞ , − ∞ ) = 0 , F ( + ∞ , + ∞ ) = 1 0\leqslant F(x,y) \leqslant 1,且F(-\infty,y)=F(x,-\infty)=F(-\infty,-\infty)=0,\quad F(+\infty,+\infty)=1 0F(x,y)1,F(,y)=F(x,)=F(,)=0,F(+,+)=1

    几何解释

    ​ 如(3)中图所示,无穷矩形的右面边界向左无限平移 ( x → − ∞ ) (x→-∞) (x),则“随机点(X,Y)落在这个矩形内”这一事件趋于不可能事件,所以其概率趋于0,即有 F ( − ∞ , y ) = 0 F(-∞,y)=0 F(y)=0

    ​ 当 x → ∞ , y → ∞ x→∞,y→∞ xy时,图中无穷矩形扩展到全平面,随机点(X,Y)落在其中这一事件趋于必然事件,故其概率趋于1,即 F ( + ∞ , + ∞ ) = 1 F(+∞,+∞)=1 F(+,+)=1

    三.二维离散型随机变量

    1.联合分布列

    ①定义

    ​ 如果二维随机变量 ( X , Y ) (X,Y) (X,Y)的所有可能取值是有限个或可数个,称(X,Y)为二维离散型随机变量, P { X = x i , Y = y i } = p i j , i , j = 1 , 2 , . . . P\{X=x_i,Y=y_i\}=p_{ij},\quad i,j=1,2,... P{X=xi,Y=yi}=pij,i,j=1,2,...称为 ( X , Y ) (X,Y) (X,Y)的分布列,or X X X Y Y Y的联合分布列(也可用表格表示)

    ②性质

    (1) p i j ⩾ 0 , i , j = 1 , 2 , . . . p_{ij}\geqslant0,\quad i,j=1,2,... pij0,i,j=1,2,...

    (2) ∑ i = 1 ∞ ∑ j = 1 ∞ p i j = 1 \sum\limits^{\infty}_{i=1}\sum\limits^\infty_{j=1}p_{ij}=1 i=1j=1pij=1

    2.分布函数

    F ( x , y ) = P { X ≤ x , Y ≤ y } = ∑ x i ≤ x ∑ y j ≤ y P { X = x i , Y = y j } = ∑ x i ≤ x ∑ y j ≤ y p i j F(x,y)=P\{X\leq x,Y\leq y\}=\sum_{x_i\leq x}\sum_{y_j\leq y}P\{X=x_i,Y=y_j\}=\sum_{x_i\leq x}\sum_{y_j\leq y}p_{ij} F(x,y)=P{Xx,Yy}=xixyjyP{X=xi,Y=yj}=xixyjypij

    3.边缘分布列

    ( X , Y ) (X,Y) (X,Y)是二维离散型随机变量,分布列为
    P { X = x i , Y = y i } = p i j , i , j = 1 , 2 , . . . P\{X=x_i,Y=y_i\}=p_{ij},\quad i,j=1,2,... P{X=xi,Y=yi}=pij,i,j=1,2,...
    (1)关于 X X X的边缘分布列为
    P { X = x i } = ∑ j p i j = p i . , i = 1 , 2 , . . . P\{X=x_i\}=\sum_jp_{ij}=p_{i.},\quad i=1,2,... P{X=xi}=jpij=pi.,i=1,2,...
    (2)关于 Y Y Y的边缘分布列为
    P { Y = y j } = ∑ i p i j = p . j , j = 1 , 2 , . . . P\{Y=y_j\}=\sum_ip_{ij}=p_{.j},\quad j=1,2,... P{Y=yj}=ipij=p.j,j=1,2,...

    注:(1)边缘分布列具有一维分布列的性质

    (2)联合分布列唯一决定边缘分布列

    从分布函数角度理解边缘分布列:

    ( X , Y ) (X,Y) (X,Y)作为整体,具有分布函数 F ( x , y ) F(x,y) F(x,y),而 X X X Y Y Y都是随机变量,各自也有分布函数,分别记为 F X ( x ) , F Y ( y ) F_X(x),F_Y(y) FX(x),FY(y),依次为二维随机变量 ( X , Y ) (X,Y) (X,Y)关于 X X X和关于 Y Y Y边缘分布函数,边缘分布函数可以由 ( X , Y ) (X,Y) (X,Y)的分布函数 F ( x , y ) F(x,y) F(x,y)确定

    F X ( x ) = P { X ⩽ x } = P { X ⩽ x , Y < ∞ } = F ( x , ∞ ) F_X(x)=P\{X\leqslant x\}=P\{X\leqslant x,Y< \infty\}=F(x,\infty) FX(x)=P{Xx}=P{Xx,Y<}=F(x,),即 F X ( x ) = F ( x , ∞ ) = ∑ x i ⩽ x ∑ j = 1 ∞ p i j F_X(x)=F(x,\infty)=\sum\limits_{x_i\leqslant x}\sum\limits_{j=1}^{\infty}p_{ij} FX(x)=F(x,)=xixj=1pij

    所以关于 X X X的边缘分布列也可以写为
    P { X = x i } = ∑ j = 1 ∞ p i j = p i . , i = 1 , 2 , . . . P\{X=x_i\}=\sum_{j=1}^{\infty}p_{ij}=p_{i.},\quad i=1,2,... P{X=xi}=j=1pij=pi.,i=1,2,...
    Y Y Y同理

    四.二维连续型随机变量

    1.联合概率密度

    ①定义

    ​ 如果对于 ( X , Y ) (X,Y) (X,Y)的分布函数 F ( x , y ) F(x,y) F(x,y),若存在非负函数 f ( x , y ) f(x,y) f(x,y),对于任意实数 x , y , x,y, x,y,有:
    F ( x , y ) = ∫ − ∞ x ∫ − ∞ y f ( u , v ) d u d v F(x,y)=\int^x_{-\infty}\int^y_{-\infty}f(u,v)dudv F(x,y)=xyf(u,v)dudv
    则称 ( X , Y ) (X,Y) (X,Y)为二维连续型随机变量,函数 f ( x , y ) f(x,y) f(x,y)称为 ( X , Y ) (X,Y) (X,Y)的概率密度,或称 X 与 Y X与Y XY的联合概率密度

    ②性质

    ​ (1) f ( x , y ) ≥ 0 f(x,y)\geq 0 f(x,y)0

    ​ (2) ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 = F ( + ∞ , + ∞ ) \int^{+\infty}_{-\infty}\int^{+\infty}_{-\infty}f(x,y)dxdy=1=F(+\infty,+\infty) ++f(x,y)dxdy=1=F(+,+)

    ​ (3)设G是xOy面上一区域,点 ( X , Y ) \\(X,Y) (X,Y)落入G内的概率为
    P { ( X , Y ) ∈ G } = ∬ ( x , y ) ∈ G f ( x , y ) d x d y P\{(X,Y)∈G\}=\iint\limits_{(x,y)∈G}f(x,y)dxdy P{(X,Y)G}=(x,y)Gf(x,y)dxdy

    2.边缘概率密度

    ​ 关于X的边缘概率密度: f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y \\f_X(x)=\int^{+\infty}_{-\infty}f(x,y)dy fX(x)=+f(x,y)dy
    ​ 关于Y的边缘概率密度: f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x \\f_Y(y)=\int^{+\infty}_{-\infty}f(x,y)dx fY(y)=+f(x,y)dx

    从分布函数角度理解:

    F X ( x ) = F ( x , + ∞ ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( x , y ) d y ] d x F_X(x)=F(x,+\infty)=\int^x_{-\infty}[\int^{+\infty}_{-\infty}f(x,y)dy]dx FX(x)=F(x,+)=x[+f(x,y)dy]dx

    易看出,X的概率密度为中括号里的表达式,即: f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y \\f_X(x)=\int^{+\infty}_{-\infty}f(x,y)dy fX(x)=+f(x,y)dy

    3.均匀分布

    ​ 设G是平面上的有界区域,其面积为SG,若二维随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度为
    f ( x , y ) = { 1 S G , ( x , y ) ∈ G 0 , o t h e r w i s e f(x,y)=\left\{ \begin{array}{lr} \frac{1}{S_G}, \qquad (x,y)∈G \\ 0,\quad \qquad otherwise\\ \end{array} \right. f(x,y)={SG1,(x,y)G0,otherwise
    则称 ( X , Y ) (X,Y) (X,Y)在G上服从均匀分布

    ​ 设 G ′ G' G是区域 G G G上的任一子区域,面积为 S G ′ S_{G'} SG,则 P { ( X , Y ) ∈ G ′ } = S G ′ S G P\{(X,Y)∈G'\}=\frac{S_{G'}}{S_G} P{(X,Y)G}=SGSG

    4.正态分布

    (也叫高斯分布)

    image-20210505151607594

    用python生成二维正态分布的概率密度示意图如图所示:

    二维正态分布概率密度图

    五.条件分布

    ​ 对于两个事件,可以讨论它们的条件概率;对于两个随机变量,则可以讨论它们的条件分布

    1.离散型随机变量

    随机变量 X X X在条件 Y = y j Y=y_j Y=yj下的条件分布列:
    P { X = x i ∣ Y = y j } = P { X = x i , Y = y j } P { Y = y j } , i = 1 , 2 , . . . P\{X=x_i|Y=y_j\}=\frac{P\{X=x_i,Y=y_j\}}{P\{Y=y_j\}},\quad i=1,2,... P{X=xiY=yj}=P{Y=yj}P{X=xi,Y=yj},i=1,2,...
    随机变量 Y Y Y在条件 X = x i X=x_i X=xi下的条件分布列:
    P { Y = y j ∣ X = x i } = P { X = x i , Y = y j } P { X = x i } , j = 1 , 2 , . . . P\{Y=y_j|X=x_i\}=\frac{P\{X=x_i,Y=y_j\}}{P\{X=x_i\}},\quad j=1,2,... P{Y=yjX=xi}=P{X=xi}P{X=xi,Y=yj},j=1,2,...
    条件分布列也是分布列,满足分布列的性质

    2.连续型随机变量

    (1)在 Y = y Y=y Y=y条件下,

    X X X的条件概率密度
    f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y{(y)}} fXY(xy)=fY(y)f(x,y)
    X X X的条件分布函数
    F X ∣ Y ( x ∣ y ) = ∫ − ∞ x f X ∣ Y ( u ∣ y ) d u F_{X|Y}(x|y)=\int^x_{-\infty}f_{X|Y}(u|y)du FXY(xy)=xfXY(uy)du
    (2)在 X = x X=x X=x条件下,

    Y Y Y的条件概率密度
    f Y ∣ X ( y ∣ x ) = f ( x , y ) f X ( x ) f_{Y|X}(y|x)=\frac{f(x,y)}{f_X{(x)}} fYX(yx)=fX(x)f(x,y)
    Y Y Y的条件分布函数
    F Y ∣ X ( y ∣ x ) = ∫ − ∞ y f Y ∣ X ( v ∣ x ) d v F_{Y|X}(y|x)=\int^y_{-\infty}f_{Y|X}(v|x)dv FYX(yx)=yfYX(vx)dv

    六.随机变量的独立性

    ​ 随机变量的独立性可借助事件的独立性引出

    ​ 设 X , Y X,Y X,Y为两个随机变量,对于任意的实数 x , y , “ X ⩽ x " x,y,“X\leqslant x" x,y,Xx" “ Y ⩽ y " “Y\leqslant y" Yy"为两个事件,根据事件的独立性定义, “ X ⩽ x " , “ Y ⩽ y " “X\leqslant x",“Y\leqslant y" Xx",Yy"相互独立,相当于式
    P { X ⩽ x , Y ⩽ y } = P { X ⩽ x } P { Y ⩽ y } P\{X\leqslant x,Y\leqslant y\}=P\{X \leqslant x\}P\{Y \leqslant y\} P{Xx,Yy}=P{Xx}P{Yy}
    成立,或写为
    F ( x , y ) = F X ( x ) F Y ( y ) F(x,y)=F_X(x)F_Y(y) F(x,y)=FX(x)FY(y)

    1.定义

    X ⩽ x X\leqslant x Xx“和“ Y ⩽ y Y\leqslant y Yy”相互独立
       ⟺    P { X ≤ x , Y ≤ y } = P { X ≤ x } ⋅ P { Y ≤ y }    ⟺    F ( x , y ) = F X ( x ) ⋅ F Y ( y ) \iff P\{X\leq x,Y\leq y\}=P\{X\leq x\}\cdot P\{Y\leq y\} \iff F(x,y)=F_X(x)\cdot F_Y(y) P{Xx,Yy}=P{Xx}P{Yy}F(x,y)=FX(x)FY(y)

    2.判断方法

    (1)联合分布函数=边缘分布函数的乘积

    F ( x , y ) = F X ( x ) ⋅ F Y ( y ) F(x,y)=F_X(x)\cdot F_Y(y) F(x,y)=FX(x)FY(y)

    (2)离散型:联合分布列=边缘分布列的乘积

    P { X = x i , Y = y j } = P { X = x i } ⋅ P { Y = y j } P\{X=x_i,Y=y_j\}=P\{X=x_i\}\cdot P\{Y=y_j\} P{X=xi,Y=yj}=P{X=xi}P{Y=yj}

    (3)连续型:联合概率密度=边缘概率密度的乘积

    f ( x , y ) = f X ( x ) ⋅ f Y ( y ) f(x,y)=f_X(x)\cdot f_Y(y) f(x,y)=fX(x)fY(y)

    3.定理

    ​ 设随机变量 X X X Y Y Y相互独立, g ( x ) , h ( y ) g(x),h(y) g(x),h(y)是连续函数,则随机变量函数 g ( x ) , h ( y ) g(x),h(y) g(x),h(y)也相互独立

    七.二维随机变量函数的分布

    1.离散型随机变量函数的分布: Z = X + Y Z=X+Y Z=X+Y

    ​ 设 X , Y X,Y X,Y是离散型随机变量,则随机变量 Z = X + Y Z=X+Y Z=X+Y的分布列为
    P { X + Y = m } = ∑ i P { X = i , Y = m − i } P\{X+Y=m\}=\sum_{i}P\{X=i,Y=m-i\} P{X+Y=m}=iP{X=i,Y=mi}
    ​ 若 X , Y X,Y X,Y相互独立,则
    P { X + Y = m } = ∑ i P { X = i } P { Y = m − i } P\{X+Y=m\}=\sum_{i}P\{X=i\}P\{Y=m-i\} P{X+Y=m}=iP{X=i}P{Y=mi}

    证明:

    ​ 事件 X + Y = m X+Y=m X+Y=m是互不相容事件 A k = { X = k , Y = m − k } A_k=\{X=k,Y=m-k\} Ak={X=k,Y=mk}的和事件,而 P ( A k ) = P { X = k , Y = m − k } P(A_k)=P\{X=k,Y=m-k\} P(Ak)=P{X=k,Y=mk},由此可得
    P { X + Y = m } = ∑ P ( A k ) = ∑ k + l = m P { X = k , Y = l } P\{X+Y=m\}=\sum P(A_k)=\sum_{k+l=m}P\{X=k,Y=l\} P{X+Y=m}=P(Ak)=k+l=mP{X=k,Y=l}

    一些结论

    ​ ①若 X , Y X,Y X,Y相互独立, X ∼ P ( λ 1 ) , Y ∼ P ( λ 2 ) X\sim P(\lambda_1),Y\sim P(\lambda_2) XP(λ1),YP(λ2),则 X + Y ∼ P ( λ 1 + λ 2 ) X+Y\sim P(\lambda_1+\lambda_2) X+YP(λ1+λ2)

    ​ 两个相互独立的泊松变量之和仍是一个泊松变量,且其参数等于相应的随机变量分布参数的和

    ​ ②若 X 1 , X 2 X_1,X_2 X1,X2相互独立, X 1 ∼ B ( n 1 , p ) , X 2 ∼ B ( n 2 , p ) X_1\sim B(n_1,p),X_2\sim B(n_2,p) X1B(n1,p),X2B(n2,p),则 X = X 1 + X 2 ∼ B ( n 1 + n 2 , p ) X=X_1+X_2\sim B(n_1+n_2,p) X=X1+X2B(n1+n2,p)

    2. max ⁡ { X , Y } \max\{X,Y\} max{X,Y} min ⁡ { X , Y } \min\{X,Y\} min{X,Y}的分布

    ​ 设 X , Y X,Y X,Y相互独立,分布函数分别为 F X ( x ) F_X(x) FX(x) F Y ( y ) F_Y(y) FY(y),则:

    Z = max ⁡ { X , Y } Z=\max\{X,Y\} Z=max{X,Y}的分布函数为:
    F max ⁡ ( z ) = F X ( z ) ⋅ F Y ( z ) F_{\max}(z)=F_X(z)\cdot F_Y(z) Fmax(z)=FX(z)FY(z)

    ​ 证明:
    F m a x ( z ) = P { Z ⩽ z } = P { m a x { X , Y } ⩽ z } F_{max}(z)=P\{Z\leqslant z\}=P\{max\{X,Y\}\leqslant z\} Fmax(z)=P{Zz}=P{max{X,Y}z}
    ​ 又因为 Z ⩽ z Z\leqslant z Zz 等价于 X , Y X,Y X,Y ⩽ z \leqslant z z,所以
    F m a x ( z ) = P { X ⩽ z , Y ⩽ z } = P { X ⩽ z } P { Y ⩽ z } = F X ( z ) ⋅ F Y ( z ) F_{max}(z)=P\{X\leqslant z,Y\leqslant z\}=P\{X\leqslant z\}P\{Y\leqslant z\}=F_X(z)\cdot F_Y(z) Fmax(z)=P{Xz,Yz}=P{Xz}P{Yz}=FX(z)FY(z)

    Z = min ⁡ { X , Y } Z=\min\{X,Y\} Z=min{X,Y}的分布函数为:
    F min ⁡ ( z ) = 1 − [ 1 − F X ( z ) ] ⋅ [ 1 − F Y ( z ) ] F_{\min}(z)=1-[1-F_X(z)]\cdot[1-F_Y(z)] Fmin(z)=1[1FX(z)][1FY(z)]

    ​ 证明:
    F m i n ( z ) = P { Z ⩽ z } = P { m i n { X , Y } ⩽ z } = 1 − P { m i n { X , Y } > z } F_{min}(z)=P\{Z\leqslant z\}=P\{min\{X,Y\}\leqslant z\}=1-P\{min\{X,Y\}> z\} Fmin(z)=P{Zz}=P{min{X,Y}z}=1P{min{X,Y}>z}
    ​ 又因为 Z > z Z>z Z>z等价于 X , Y X,Y X,Y > z > z >z,所以
    F m a x ( z ) = 1 − P { X > z , Y > z } = 1 − P { X > z } P { Y > z } = 1 − [ 1 − P { X ⩽ z } ] [ 1 − P { Y ⩽ z } ] = 1 − [ 1 − F X ( z ) ] ⋅ [ 1 − F Y ( z ) ] F_{max}(z)=1-P\{X> z,Y> z\}=1-P\{X> z\}P\{Y> z\}\\=1-[1-P\{X\leqslant z\}][1-P\{Y\leqslant z\}]\\=1-[1-F_X(z)]\cdot[1-F_Y(z)] Fmax(z)=1P{X>z,Y>z}=1P{X>z}P{Y>z}=1[1P{Xz}][1P{Yz}]=1[1FX(z)][1FY(z)]

    推广

    ​ 设随机变量 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn相互独立,分布函数分别为 F X 1 ( x 1 ) F_{X_1}(x_1) FX1(x1) F X 2 ( x 2 ) , . . . , F X n ( x n ) F_{X_2}(x_2),...,F_{X_n}(x_n) FX2(x2),...,FXn(xn),则:

    max ⁡ { X 1 , X 2 , . . . , X n } \max\{X_1,X_2,...,X_n\} max{X1,X2,...,Xn}的分布函数为:
    F max ⁡ ( z ) = F X 1 ( z ) ⋅ F X 2 ( z ) . . . F X n ( z ) F_{\max}(z)=F_{X_1}(z)\cdot F_{X_2}(z)...F_{X_n}(z) Fmax(z)=FX1(z)FX2(z)...FXn(z)
    min ⁡ { X 1 , X 2 , . . . , X n } \min\{X_1,X_2,...,X_n\} min{X1,X2,...,Xn}的分布函数为:
    F min ⁡ ( z ) = 1 − [ 1 − F X 1 ( z ) ] ⋅ [ 1 − F X 2 ( z ) ] . . . [ 1 − F X n ( z ) ] F_{\min}(z)=1-[1-F_{X_1}(z)]\cdot [1-F_{X_2}(z)]...[1-F_{X_n}(z)] Fmin(z)=1[1FX1(z)][1FX2(z)]...[1FXn(z)]
    X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn相互独立,具有相同的分布函数 F ( z ) F(z) F(z),则
    F max ⁡ ( z ) = [ F ( z ) ] n , F min ⁡ ( z ) = 1 − [ 1 − F ( z ) ] n F_{\max}(z)=[F(z)]^n,\qquad F_{\min}(z)=1-[1-F(z)]^n Fmax(z)=[F(z)]nFmin(z)=1[1F(z)]n

    3.连续型随机变量函数的分布: Z = X + Y Z=X+Y Z=X+Y

    分布函数法:

    设二维连续型随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度为 f ( x , y ) f(x,y) f(x,y),求 Z = g ( X , Y ) Z=g(X,Y) Z=g(X,Y)的概率密度
    F Z ( z ) = P { Z ⩽ z } = P { g ( X , Y ) ⩽ z } = ∬ g ( x , y ) ⩽ z f ( x , y ) d x d y F_Z(z)=P\{Z\leqslant z\}=P\{g(X,Y)\leqslant z\}=\iint\limits_{g(x,y)\leqslant z}f(x,y)dxdy FZ(z)=P{Zz}=P{g(X,Y)z}=g(x,y)zf(x,y)dxdy
    f Z ( z ) = F Z ′ ( z ) f_Z(z)=F'_Z(z) fZ(z)=FZ(z)

    4.瑞利分布

    瑞利分布:当一个随机二维向量的两个分量呈独立的、有着相同的方差、均值为0的正态分布时,这个向量的模呈瑞利分布

    img

    展开全文
  • 概率论-二维随机变量及其分布

    千次阅读 2020-11-16 11:26:08
    分布函数pmf 定义 F(x,y)=P{X≤x,Y≤y}F(x,y) = P\{X\leq x,Y\leq y\}F(x,y)=P{X≤x,Y≤y}叫做X和Y的联合分布。 左图为定义域,右图为概率值: 性质 0≤F(x,y)≤10 \leq F(x,y) \leq 10≤F(x,y)≤1. F(x,y)F(x,y)F...

    定义

    分布函数

    定义

    F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y) = P\{X\leq x,Y\leq y\} F(x,y)=P{Xx,Yy}叫做X和Y的联合分布。
    左图为定义域,右图为概率值:
    左图为定义域,右图为概率值

    性质

    1. 0 ≤ F ( x , y ) ≤ 1 0 \leq F(x,y) \leq 1 0F(x,y)1.
    2. F ( x , y ) F(x,y) F(x,y)单调递增。
    3. F ( x , − ∞ ) = F ( − ∞ , y ) = F ( − ∞ , − ∞ ) = 0 F(x,-\infty) = F(-\infty,y) = F(-\infty,-\infty ) = 0 F(x,)=F(,y)=F(,)=0
    4. F ( + ∞ , + ∞ ) = 1 F(+\infty,+\infty ) = 1 F(+,+)=1
    5. F ( x , y ) 关 于 x 和 y 右 连 续 。 F(x,y)关于x和y右连续。 F(x,y)xy
    6. P { x 1 ‘ x ≤ x 2 , y 1 ‘ y ≤ y 2 } = F ( x 2 , y 2 ) − F ( x 2 , y 1 ) − F ( x 1 , y 2 ) + F ( x 1 , y 1 ) P\{x_1 \lq x \leq x2,y_1 \lq y \leq y_2\} = F(x_2,y_2) - F(x_2,y_1) - F(x_1,y_2) + F(x_1, y_1) P{x1xx2,y1yy2}=F(x2,y2)F(x2,y1)F(x1,y2)+F(x1,y1)

    二维离散型

    联合分布

    联合分布表,表中所有数相加为1.
    分布函数: F ( x , y ) = P { X ≤ x , Y ≤ y } = ∑ x i ≤ x ∑ y i ≤ y P i j F(x,y) = P\{X \leq x,Y\leq y\} = \sum_{x_i\leq x}\sum_{y_i \leq y}P_{ij} F(x,y)=P{Xx,Yy}=xixyiyPij
    联合分布可唯一确定边缘分布。
    边缘分布不能确定联合分布,除非X和Y相互独立。
    判断独立性: P ( X = 1 , Y = 2 ) = P ( X = 1 ) ∗ P ( Y = 2 ) P(X = 1,Y = 2) = P(X = 1)*P(Y = 2) P(X=1,Y=2)=P(X=1)P(Y=2)

    边缘分布

    退化成只含一个变量的分布图

    二维连续型

    定义

    F ( x , y ) = P { X ≤ x , Y ≤ y } = ∫ − ∞ ∣ x ∫ − ∞ y f ( s , t ) d s d t F(x,y) = P\{X\leq x,Y\leq y\} = \int_{-\infty|}^{x}\int_{-\infty}^{y}f(s,t)ds dt F(x,y)=P{Xx,Yy}=xyf(s,t)dsdt
    f ( x , y ) f(x,y) f(x,y)叫做X和Y的联合密度函数。
    边缘分布函数: F X ( x ) = lim ⁡ y → + ∞ F ( x , y ) = ∫ − ∞ x [ ∫ − ∞ + ∞ f ( s , t ) d t ] d s F Y ( y ) = lim ⁡ x → + ∞ F ( x , y ) = ∫ − ∞ y [ ∫ − ∞ + ∞ f ( s , t ) d s ] d t F_X(x) = \lim_{y \to +\infty}F(x,y) = \int_{-\infty}^x[\int_{-\infty}^{+\infty}f(s,t)dt]ds\\ F_Y(y) = \lim_{x \to +\infty}F(x,y) = \int_{-\infty}^y[\int_{-\infty}^{+\infty}f(s,t)ds]dt FX(x)=y+limF(x,y)=x[+f(s,t)dt]dsFY(y)=x+limF(x,y)=y[+f(s,t)ds]dt
    边缘密度函数:对另一个变元求积分
    f X ( x ) = ∫ − ∞ + ∞ f ( x , t ) d t = ∫ − ∞ + ∞ f ( x , y ) d y f Y ( y ) = ∫ − ∞ + ∞ f ( s , y ) d s = ∫ − ∞ + ∞ f ( x , y ) d x f_X(x) =\int_{-\infty}^{+\infty}f(x,t)dt =\int_{-\infty}^{+\infty}f(x,y)dy\\ f_Y(y) =\int_{-\infty}^{+\infty}f(s,y)ds =\int_{-\infty}^{+\infty}f(x,y)dx fX(x)=+f(x,t)dt=+f(x,y)dyfY(y)=+f(s,y)ds=+f(x,y)dx
    若X和Y相互独立,则 f ( x , y ) = f X ( x ) ∗ f Y ( y ) f(x,y) = f_X(x) * f_Y(y) f(x,y)=fX(x)fY(y).

    性质

    1. f ( x , y ) ≥ 0 f(x,y) \geq 0 f(x,y)0.
    2. ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( s , t ) d s d t = 1 \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty}f(s,t)ds dt = 1 ++f(s,t)dsdt=1
    3. ∂ 2 F ( x , y ) ∂ x ∂ y = f ( x , y ) \frac{\partial^2F(x,y)}{\partial x\partial y} = f(x,y) xy2F(x,y)=f(x,y)
    4. G:XY平面上的一个区域, P ( X , Y ) ∈ G = ∬ G f ( x , y ) d x d y P{(X,Y)\in G} = \iint_G f(x,y)dxdy P(X,Y)G=Gf(x,y)dxdy

    补充

    1. X,Y的边缘分布都是均匀分布时,二维分布不一定是均匀分布。
      例 如 , f ( x , y ) = { 2 x + 2 y − 4 x y , 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1 0 , o t h e r w i s e 例如,f(x,y) = \left\{ \begin{aligned} &2x+2y-4xy,&0 \leq x \leq1,0\leq y \leq 1\\ &0,&otherwise \end{aligned} \right. f(x,y)={2x+2y4xy,0,0x1,0y1otherwise
    2. 二维正态分布的边缘分布也是正态分布,但两个变量的边缘分布是正态分布时,他们的分布不一定是正态分布。
    展开全文
  • 分析正态分布的艺术待解决的概率论题目概率论基本知识解题方法解法一 线性变换法解法 积分法功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你...

    待解决的概率论题目

    Alt
    来自《概率论与数理统计》荣腾中,第二版上的第四章A组习题11,我觉得这一题有一定难度。

    概率论基本知识

    1. ∫ − ∞ + ∞ e − x 2 d x = π (1) \int _{-\infty}^{+\infty}{e^{-x^2}dx}=\sqrt{\pi} \tag{1} +ex2dx=π (1)
    2. f ( x , y ) = 1 2 π σ X σ Y 1 − ρ 2 exp ⁡ ( − 1 2 ( 1 − ρ 2 ) [ ( x − μ X ) 2 σ X 2 − 2 ρ ( x − μ X ) ( y − μ Y ) σ X σ Y + ( y − μ Y ) 2 σ Y 2 ] ) f(x,y) = {\frac {1}{2\pi \sigma _{X}\sigma _{Y}{\sqrt {1-\rho ^{2}}}}}\exp \left(-{\frac {1}{2(1-\rho ^{2})}}\left[{\frac {(x-\mu _{X})^{2}}{\sigma _{X}^{2}}}-{\frac {2\rho (x-\mu _{X})(y-\mu _{Y})}{\sigma _{X}\sigma _{Y}}+{\frac {(y-\mu _{Y})^{2}}{\sigma _{Y}^{2}}}}\right]\right) f(x,y)=2πσXσY1ρ2 1exp(2(1ρ2)1[σX2(xμX)2σXσY2ρ(xμX)(yμY)+σY2(yμY)2])
    3. E ( a X + b ) = a E ( X ) + b (2) E(aX+b) = aE(X)+b \tag{2} E(aX+b)=aE(X)+b(2)
    4. E ( x ) = ∫ − ∞ + ∞ x f ( x ) d x (3) E(x) = \int _{-\infty}^{+\infty}xf(x)dx \tag{3} E(x)=+xf(x)dx(3)
      (1)式可以由夹挤定理和二重积分证明,也可以化为伽马函数 Γ ( x ) \Gamma{(x)} Γ(x)1进行计算,为了便于计算,这里给出一个广义的版本
      ∫ − ∞ + ∞ e − a ( x + b ) 2   d x = π a (4) \int _{-\infty }^{+\infty }e^{-a(x+b)^{2}}\,dx={\sqrt {\frac {\pi }{a}}} \tag{4} +ea(x+b)2dx=aπ (4)
      第2条是二元正态分布的概率密度函数,不得不说,课本上给出的这个形式让人有一种无法完成积分的感觉,这里稍微改变一下形式
      f ( x , y ) = 1 2 π σ X σ Y 1 − ρ 2 exp ⁡ [ − 1 2 ( 1 − ρ 2 ) ( y − μ Y σ Y − ρ x − μ X σ X ) 2 − ( x − μ X ) 2 2 σ X 2 ] f(x,y) = {\frac {1}{2\pi \sigma _{X}\sigma _{Y}{\sqrt {1-\rho ^{2}}}}}\exp \left[-{\frac {1}{2(1-\rho ^{2})}} \left( {\frac {y-\mu _{Y}}{\sigma _{Y}}}-\rho{\frac {x-\mu _{X}}{\sigma _{X}}}\right)^2 -{\frac {(x-\mu _{X})^{2}}{2\sigma _{X}^{2}}}\right] f(x,y)=2πσXσY1ρ2 1exp[2(1ρ2)1(σYyμYρσXxμX)22σX2(xμX)2]

    解题方法

    对于这种参数不是(0,1)的正态分布,不妨加强原题目,求解在一般情况下 ( μ , σ ) (\mu,\sigma) (μ,σ)的计算结果

    解法一 线性变换法

    题目已经给出了提示
    m a x ( X , Y ) = X + Y + ∣ X − Y ∣ 2 max(X,Y) = \frac{X+Y+|X-Y|}{2} max(X,Y)=2X+Y+XY
    E ( m a x ( X , Y ) ) = 1 2 E ( X ) + 1 2 E ( Y ) + 1 2 E ( ∣ X − Y ∣ ) = 1 2 μ X + 1 2 μ Y + 1 2 E ( ∣ X − Y ∣ ) E(max(X,Y)) = \frac{1}{2}E(X)+\frac{1}{2}E(Y) +\frac{1}{2}E(|X-Y|) = \frac{1}{2}\mu_{X}+\frac{1}{2}\mu_{Y}+\frac{1}{2}E(|X-Y|) E(max(X,Y))=21E(X)+21E(Y)+21E(XY)=21μX+21μY+21E(XY)

    这里引入一条可以由二重积分和特殊函数证明的引理
    正态分布的和或差仍然服从正态分布
    所以它的数学期望为 E ( X ± Y ) = E ( X ) ± E ( Y ) E(X\pm Y)=E(X)\pm E(Y) E(X±Y)=E(X)±E(Y)
    方差为 D ( X ± Y ) = D ( X ) + D ( Y ) ± 2 E [ ( X − E ( X ) ) ( Y − E ( Y ) ) ] = D ( X ) + D ( Y ) ± 2 ρ σ X σ Y D(X \pm Y)=D(X)+D(Y)\pm 2E\left[(X-E(X))(Y-E(Y))\right]=D(X)+D(Y)\pm 2\rho\sigma_{X}\sigma_{Y} D(X±Y)=D(X)+D(Y)±2E[(XE(X))(YE(Y))]=D(X)+D(Y)±2ρσXσY
    这两个式子都可以由数学期望和方差的性质推出

    利用性质计算差绝对值的数学期望
    令Z=X-Y,这里令E(Z)=02

    1 2 E ( ∣ Z ∣ ) = 1 2 ∫ − ∞ + ∞ ∣ z ∣ f ( z ) d z = ∫ 0 + ∞ z 2 π σ Z e x p ( − z 2 2 σ Z 2 ) d z = σ Z 2 π \frac{1}{2}E(|Z|)=\frac{1}{2}\int_{-\infty}^{+\infty}|z|f(z)dz=\int_{0}^{+\infty}\frac{z}{\sqrt{2\pi}\sigma_{Z}}exp \left(-\frac{z^2}{2\sigma_{Z}^2} \right)dz=\frac{\sigma_{Z}}{\sqrt{2\pi}} 21E(Z)=21+zf(z)dz=0+2π σZzexp(2σZ2z2)dz=2π σZ

    σ Z = σ X 2 + σ Y 2 − 2 ρ σ X σ Y \sigma _{Z}={\sqrt {\sigma _{X}^{2}+\sigma _{Y}^{2}-2\rho \sigma _{X}\sigma _{Y}}} σZ=σX2+σY22ρσXσY

    代入本题的数据可得
    E ( m a x ( X , Y ) ) = 2 + 1 − ρ π E(max(X,Y))=2+\sqrt{\frac{1-\rho}{\pi}} E(max(X,Y))=2+π1ρ

    解法二 积分法

    直接莽就完事了,强行积分
    E ( m a x ( x , y ) ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ m a x ( x , y ) f ( x , y ) d x d y E(max(x,y))=\int_{-\infty}^{+\infty}{\int_{-\infty}^{+\infty}{max(x,y)f(x,y)dxdy}} E(max(x,y))=++max(x,y)f(x,y)dxdy
    = ∫ ∫ x > y x f ( x , y ) d x d y + ∫ ∫ y > x y f ( x , y ) d x d y =\int{\int_{x>y}{xf(x,y)dxdy}}+\int{\int_{y>x}{yf(x,y)dxdy}} =x>yxf(x,y)dxdy+y>xyf(x,y)dxdy
    = ∫ ∫ x > y ( x − 2 + 2 ) f ( x , y ) d x d y + ∫ ∫ y > x ( y − 2 + 2 ) f ( x , y ) d x d y =\int{\int_{x>y}{(x-2+2)f(x,y)dxdy}}+\int{\int_{y>x}{(y-2+2)f(x,y)}dxdy} =x>y(x2+2)f(x,y)dxdy+y>x(y2+2)f(x,y)dxdy
    = 2 ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y + ∫ ∫ x > y ( x − 2 ) f ( x , y ) d x d y + ∫ ∫ y > x ( y − 2 ) f ( x , y ) d x d y =2\int_{-\infty}^{+\infty}{\int_{-\infty}^{+\infty}}f(x,y)dxdy+\int{\int_{x>y}{(x-2)f(x,y)dxdy}}+\int{\int_{y>x}{(y-2)f(x,y)dxdy}} =2++f(x,y)dxdy+x>y(x2)f(x,y)dxdy+y>x(y2)f(x,y)dxdy
    可以看出第一项等于2,第二三项 x x x y y y可以轮换,所以只计算一个即可,这里进行换元积分
    变 量 代 换 u = x − 2 , v = ( y − 2 ) − ρ ( x − 2 ) 1 − ρ 2 变量代换u=x-2,v=\frac{(y-2)-\rho{(x-2)}}{\sqrt{1-\rho^2}} u=x2,v=1ρ2 (y2)ρ(x2)
    则 J ( u , v ) = ∣ ∂ ( x , y ) ∂ ( u , v ) ∣ = 1 − ρ 2 则J{ \left( {u,v} \right) }=\left|\frac{{ \partial { \left( {x,y} \right) }}}{{ \partial { \left( {u,v} \right) }}} \right|=\sqrt{1-\rho^2} J(u,v)=(u,v)(x,y)=1ρ2
    2 ∫ ∫ x > y ( x − 2 ) f ( x , y ) d x d y = 1 π ∫ ∫ u > 1 + ρ 1 − ρ v u e x p ( − u 2 + v 2 2 ) d u d v 2\int{\int_{x>y}{(x-2)f(x,y)dxdy}}=\frac{1}{\pi}\int{\int_{u>\sqrt{\frac{1+\rho}{1-\rho}}v}{uexp(-\frac{u^2+v^2}{2})dudv}} 2x>y(x2)f(x,y)dxdy=π1u>1ρ1+ρ vuexp(2u2+v2)dudv
    = 1 π ∫ − ∞ + ∞ ∣ − e x p ( − u 2 + v 2 2 ) ∣ 1 + ρ 1 − ρ v + ∞ d v = ∫ − ∞ + ∞ e x p ( − 1 + ρ 1 − ρ v 2 + v 2 2 ) d v =\frac{1}{\pi}\int_{-\infty}^{+\infty}{\left| -exp(-\frac{u^2+v^2}{2})\right|_{\sqrt{\frac{1+\rho}{1-\rho}}v}^{+\infty}dv}=\int_{-\infty}^{+\infty}{exp(-\frac{\frac{1+\rho}{1-\rho}v^2+v^2}{2})}dv =π1+exp(2u2+v2)1ρ1+ρ v+dv=+exp(21ρ1+ρv2+v2)dv
    = 1 π ∫ − ∞ + ∞ e x p ( − v 2 1 − ρ ) d v = 1 π ( 1 − ρ ) π = 1 − ρ π =\frac{1}{\pi}\int_{-\infty}^{+\infty}{exp(-\frac{v^2}{1-\rho})}dv=\frac{1}{\pi}\sqrt{(1-\rho)\pi}=\sqrt{\frac{1-\rho}{\pi}} =π1+exp(1ρv2)dv=π1(1ρ)π =π1ρ
    所 以 E ( m a x ( x , y ) ) = 2 + 1 − ρ π 所以E(max(x,y))=2+\sqrt{\frac{1-\rho}{\pi}} E(max(x,y))=2+π1ρ

    总结

    • 概率论与数理统计课程一般不要求掌握这种带相关性的计算,最多也就是两个独立的正态分布求一些期望,这时没有相关系数 ρ \rho ρ直接积分就可以了,也可以利用独立变量正态分布可加性3来计算

    1. Gamma公式 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n1)!nN 通过欧拉积分,有
      Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=0tz1etdt. ↩︎

    2. 若E(Z)不等于0,需要用到erf(x)来计算这个积分,这样的积分并不是初等函数可以求解的 e r f ( x ) = 1 π ∫ − x x e − x 2 d x erf(x) = \frac{1}{\sqrt\pi}\int_{-x}^{x}e^{-x^2}dx erf(x)=π 1xxex2dx这里不展开讨论 ↩︎

    3. X ∼ N ( μ 1 , σ 1 2 ) , Y ∼ N ( μ 2 , σ 2 2 ) X\sim N(\mu_1,\sigma_{1}^2),Y\sim N(\mu_2,\sigma_{2}^2) XN(μ1,σ12),YN(μ2,σ22),且X,Y相互独立,那么
      a X + b Y + c ∼ N ( a μ 1 + b μ 2 + c , a 2 σ 1 2 + b 2 σ 2 2 ) aX+bY+c \sim N(a\mu_{1}+b\mu_{2}+c,a^2\sigma_{1}^2+b^2\sigma_{2}^2) aX+bY+cN(aμ1+bμ2+c,a2σ12+b2σ22) ↩︎

    展开全文
  • 首先我们有二维正态分布: X,Y∼BVN(μx,μy,σx2,σy2,ρxy)X,Y\sim \mathbf{BVN}(\mu_x,\mu_y,\sigma_x^2,\sigma_y^2,\rho_{xy})X,Y∼BVN(μx​,μy​,σx2​,σy2​,ρxy​) 取对数之后我们会得到二维对数正态...
  • 二维正态分布参数ρ\rhoρ的作用 我们知道,一个随机向量X=X=X=(X1,⋯ ,Xn)\left(X_{1}, \cdots, X_{n}\right)(X1​,⋯,Xn​)的分布FFF足以决定其任一分量XiX_{i}Xi​的(\left(\right.(边缘)分布FiF_{i}Fi​, 但反...
  • () 一维随机变量及其分布

    千次阅读 2020-03-23 22:54:46
    1.随机变量及其分布 随机变量:Ω为随机试验E的样本空间,若∀ω∈Ω,∃唯一确定的实数X(ω)与ω对应,称X = X(ω)为随机变量 随机变量X的范围本质上就是随机事件 分布函数:X为随机变量,P{X <= x} = F(x), -∞<...
  •   3、正态分布的概率密度函数及其图象     1)正态分布的概率密度函数及其图象     2)python绘制正态分布的概率密度函数图象   4、卡方分布的概率密度函数及其图象     1)卡方分布的概率密度函数...
  • + mu plt.subplot(142) plt.hist(s, 30, normed=True) np.random.seed(0) s = sigma * np.random.standard_normal(sampleNo ) + mu plt.subplot(143) plt.hist(s, 30, normed=True) # 二维正态分布 mu = np.array([...
  • 二维连续型随机变量定义性质例1二维均匀分布回顾二维均匀分布定义二维正态分布 定义 性质 例1 二维均匀分布 回顾 二维均匀分布定义 二维正态分布
  • 随机变量X服从一个数学期望为、标准方差为的高斯分布,记为: 则其概率密度函数为: 正态分布的期望值决定了其位置,其标准差决定了分布的幅度。因其曲线呈钟形,因此人们又经常称之为钟形曲线。我们通常所...
  • 二维正态随机变量是最常见的一种二维随机变量分布。其联合概率密度函数为: p(x,y)=12πσXσY1−r2⋅exp{−12(1−r2)[(x−mX2)σX2−2r(x−mX)(y−mY)σXσY+(y−mY2)σY2]} p(x,y)=\frac{1}{2\pi \sigma _X\sigma ...
  • 本文提出了一种基于几何直观面积的方法,以正态分布随机数的产生为例讨论了任意分布的随机数的产生方法。正文:一、平均分布随机数的产生大家都知道,随机数在各个方面都有很大的作用,在vc的环境下,为我们提供了...
  • 概率统计思维1、随机变量2、概率分布3、离散概率分布4、连续概率分布什么是随机变量随机变量是指随机事件的数量表现。例如,对于随机事件“明天是否下雨”,其结果是下雨或者不下雨,我们可以将下雨定义为1,不...
  • 数值分析Matlab二维正态(高斯)分布以及协方差矩阵主要是使用了matlab的mvnrnd产生随机的正态(高斯)分布二维矩阵,然后绘制出来。代码运行结果生成的正态分布实验数据如图:MATLAB代码:mu1 = [0 0]; sigma1 = [4 2...
  • 本节目录正态分布和相关定义一元正态分布的性质多元正态分布的性质正态分布和相关定义首先是一个重要的积分, 即泊松积分, 它在求有关正态分布的一些量时往往有强大的作用. 引理4.1.1 设 , , 则 注记 (1). 特别地, 令...
  • 连续型概率分布——正态分布二维

    万次阅读 多人点赞 2018-05-24 21:04:27
    1. 定义:设二维连续型随机变量(X,Y)的联合概率密度为 其中μ1,μ2,σ1,σ2,ρ均为常数,且σ1>0, σ2>0, |ρ|<1则称(X,Y)服从参数为μ1,μ2,σ1,σ2,ρ的二维正态分布。 记作(X,Y)~N...
  • Matlab二维正态分布可视化

    万次阅读 多人点赞 2019-04-22 13:11:44
     高维分布一直都是一个很抽象的概念,本人在学的时候很多概念不太能理解,于是使用了Matlab进行了可视化。并对均值、方差以及相关系数进行了调整。  图中x,y为两个变量的取值,z为出现的概率密度。 图1 三图...
  • 统计学:基本知识及随机变量分布规律 1、统计学基本知识:均值、方差、标准差 - 总体(Population) 抽样(Sample) 均值(mean) μ=∑i=1NxiN\mu = \frac{\sum_{i=1}^{N}{x_i}}{N}μ=N∑i=1N​xi...
  • 我们将随机实验E的所有可能结果组成的集合称为E的样本空间,记为S。样本空间的元素,即E的每个结果,称为样本点。 2. 频率和概率的关系 概率是一种现象的固有属性,比如百一枚均匀的硬币,随意抛掷的话正面出现...
  • 二维随机变量

    千次阅读 2021-04-04 12:09:56
    什么是二维随机变量? 设EEE是一个随机试验,它...二维随机变量分布函数的定义及性质 定义 设(X,Y)(X,Y)(X,Y)是二维随机变量,对于任意实数x,yx,yx,y,二元函数: ${F(x,y)=P{(X \le x) \cap (Y \le y)}}\stackrel
  • 二维随机变量 联合分布函数 定义 性质 边缘分布函数 联合密度 边缘密度 期望 方差
  • 维随机变量分布分布函数性质常见随机变量及其分布离散型分布律常见离散型随机变量及分布0-1分布二分布泊松分布连续型性质随机变量函数的概率分布 分布函数 随机变量:通俗说,随机变量就是一次随机试验产生的...
  • c++构建正态分布的随机数

    千次阅读 2017-09-20 20:56:27
    最近编程的时候遇到一个问题,需要用c++来产生一个满足正态分布的的随机数,用c++产生一个均匀分布的随机数很容易,但是满足正态分布还是有点懵逼的。然后就在网上搜一些资料,发现有三种方法可以产生正态分布的...
  • 随机变量及其分布之一维随机变量

    千次阅读 2020-04-09 00:17:13
    1.一维随机变量 ​ 首先需要介绍,分布函数和密度函数的概念,离散型和连续型都有分布函数,定义为: P(X≤k)=F(x) P(X\le k) = F(x) P(X≤k)=F(x) 称F(x)F(x)F(x)为分布函数,简写为dfdfdf。 对于连续型随机变量而...
  • 选自Medium作者:Farhad Malik机器之心编译参与:李诗萌、张倩我们从高中就开始学正态分布,现在做数据分析、机器学习还是离不开它,那你有没有想过正态分布有什么特别之处?为什么那么多关于数据科学和机器学习的...
  • 证明二维正态分布中的参数ρ为相关系数

    万次阅读 多人点赞 2020-04-28 18:43:03
    二维正态分布中,参数ρ\rhoρ被定义为随机变量X,YX,YX,Y的相关系数,即ρ=r(x,y)\rho=r(x,y)ρ=r(x,y)。由 r(x,y)=Cov(x,y)Var[x]Var[y]Cov(x,y)=E[XY]−E[X]E[Y] r(x,y)=\frac{Cov(x,y)}{\sqrt{Var[x]Var[y]}} \...
  • M=10;...%第分布的参数R = 0.2*normrnd(miu1,sigma1,M,N)+0.8*normrnd(miu2,sigma2,M,N);单点的概率全是0,那你取出来的随机数算什么?若干个随机数要满足统计分布,是要按区间统计的另外我...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,156
精华内容 5,262
关键字:

二维随机变量的正态分布