精华内容
下载资源
问答
  • 概率统计3.4 二维随机变量函数的分布
  • 做实验计算联合熵需要使用概率密度。 函数accumarray不是太行,方阵中很多的0浪费内存,我可没有几百G的内存ε=(´ο`*)))唉。 Matlab代码实现 function tong1joint = calmi(u1, u2, wind_size) x = [u1, u2]; //%...

    数学公式什么的没有。

    做实验计算联合熵需要使用概率密度。

    函数accumarray不是太行,方阵中很多的0浪费内存,我可没有几百G的内存ε=(´ο`*)))唉。

    Matlab代码实现

    function tong1joint = calmi(u1, u2, wind_size)
    x = [u1, u2];   //% x是2个列向量组成的矩阵
    n = wind_size; // % 列向量长度
    xmax = max(x(:,1));
    tongwidth = xmax;
    tong1 = zeros(2,tongwidth);	// % 这算是桶吧
    for i = 1:n
       if x(i,2) == 1
           tong1(1,x(i,1)) = tong1(1,x(i,1)) +1;
       else
           tong1(2,x(i,1)) = tong1(2,x(i,1)) +1;
       end
    end
    tong1pmf = tong1/n;  													 //% u1和u2的联合概率密度
    tong1joint = (tong1pmf(:))'*log2((tong1pmf(:))+eps);   // % 联合熵
    

    实例

    没有实例。

    展开全文
  • 本文档通过MATLAB来绘制二维随机变量(X,Y)的联合概率密度函数。其中X服从标准正态分布,Y服从均匀分布。 【例题】已知随机变量X与Y相互独立,X~N(0,1);Y在区间[0,2]上服从均匀分布。: (1)二维随机变量(X,Y)的...

    本文档通过MATLAB来绘制二维随机变量(X,Y)的联合概率密度函数。
    第一种类型,X服从标准正态分布,Y服从均匀分布。
    【例题】已知随机变量X与Y相互独立,X~N(0,1);Y在区间[0,2]上服从均匀分布。求:
    (1)二维随机变量(X,Y)的联合概率密度。
    (2)概率P(X ≥ \geq Y)
    解答:
    (1)随机变量X的概率密度为
    f X ( x ) = 1 2 π e − x 2 2 − ∞ < x < ∞ f_{X} (x)=\frac{1}{\sqrt{2\pi} } e^{-\frac{x^2}{2} } -\infty <x<\infty fX(x)=2π 1e2x2<x<
    随机变量Y的概率密度为
    f Y ( y ) = { 1 2 , y = ( 0 , 2 ) 0 , y = 其 它 f_{Y} (y)=\begin{cases} & \frac{1}{2}, y= (0,2)\\ & 0 , y=其它 \end{cases} fY(y)={21,y=(0,2)0,y=
    因为X与Y相互独立,所以二维随机变量(X,Y)的联合概率密度为:
    f ( x , y ) = { 1 2 2 π e − x 2 2 , x = − ∞ < x < ∞ , 0 ≤ y ≤ 2 0 , 其 它 f(x,y)=\begin{cases} & \frac{1}{2\sqrt{2\pi } }e^{-\frac{x^2}{2} }, x=-\infty <x<\infty ,0\le y\le 2 \\ & 0, 其它 \end{cases} f(x,y)={22π 1e2x2,x=<x<,0y20,
    此二维随机变量的联合概率密度函数用MATLAB来绘制,其代码如下
    x=-10:0.1:10;
    y=0:0.1:1;
    z=ones(length(y),1)(exp(-x.^2)/2)/(2sqrt(2*pi));
    mesh(x,y,z)
    输出图像为
    在这里插入图片描述
    (2)概率P(X ≥ \geq Y)就是随机点(X,Y)落在平面区域X ≥ \geq Y内的概率。
    在这里插入图片描述

    第二种类型:X与Y均服从正态分布,且不独立。
    【例题】设二维随机变量(X,Y)的联合概率密度函数为
    f ( x , y ) = 5 96 π e − 25 32 [ ( x − 1 ) 2 9 + ( x − 1 ) ( y − 2 ) 10 + ( y − 2 ) 2 16 ] f\left ( x,y \right ) =\frac{5}{96\pi }e ^{-\frac{25}{32}\left [ \frac{\left ( x-1\right )^{2} }{9} +\frac{\left ( x-1 \right )\left ( y-2 \right ) }{10}+\frac{\left ( y-2 \right )^2 }{16} \right ] } f(x,y)=96π5e3225[9(x1)2+10(x1)(y2)+16(y2)2]
    (1)例用MATLAB画出联合密度函数图
    (2)求随机变量函数Z=X/3-Y/4的数学期望和方差
    【解答】
    (1)根据二维随机变量(X,Y)服从二维正态分布的概率函数
    f ( x , y ) = 1 2 π σ x σ y 1 − r 2 e − 1 2 ( 1 − r 2 ) [ ( x − μ x ) 2 σ x 2 + 2 r ( x − μ x ) ( y − μ y ) σ x σ y + ( y − μ y ) 2 σ y 2 ] f\left ( x,y \right ) =\frac{1}{2\pi\sigma _{x}\sigma _{y}\sqrt{1-r^2} }e ^{-\frac{1}{2\left ( 1-r^2 \right ) }\left [ \frac{\left ( x-\mu _{x} \right )^{2} }{\sigma _{x}^2 } +\frac{2r\left ( x-\mu _{x} \right )\left ( y-\mu _{y} \right ) }{\sigma _{x} \sigma _{y} } +\frac{\left ( y-\mu _{y} \right )^2 }{\sigma _{y}^{2} } \right ] } f(x,y)=2πσxσy1r2 1e2(1r2)1[σx2(xμx)2+σxσy2r(xμx)(yμy)+σy2(yμy)2]
    记作:
    ( X , Y ) ∼ N ( μ X , μ Y , σ X 2 , σ Y 2 , r ) \left ( X,Y \right ) \sim N\left ( \mu _{X} ,\mu _{Y} ,\sigma _{X}^2,\sigma _{Y}^2,r \right ) (X,Y)N(μX,μY,σX2,σY2,r)r的绝对值小于1.
    可知, E ( X ) = 1 , E ( Y ) = 2 , D ( X ) = 9 , D ( Y ) = 16 , R ( X , Y ) = r = − 3 5 E\left ( X \right ) =1,E\left ( Y \right ) =2,D\left ( X \right ) =9,D\left ( Y \right ) =16,R(X,Y)=r=-\frac{3}{5} E(X)=1,E(Y)=2,D(X)=9,D(Y)=16,R(X,Y)=r=53
    程序代码为:
    clc;
    clear;
    x=-4:0.1:6;
    y=-3:0.1:7;
    [X,Y]=meshgrid(x,y);
    Z=5exp(-25((X-1).2+(X-1).*(Y-2)/10+(Y-2).2/16)/32)/(96*pi);
    mesh(X,Y,Z); %绘制三维网格图

    运行后三维网格图的图像为:
    在这里插入图片描述
    (2) c o v ( X , Y ) = R ( X , Y ) σ x σ y = − 36 5 cov\left ( X,Y \right ) =R\left ( X,Y \right ) \sigma _{x} \sigma _{y}=-\frac{36}{5} cov(X,Y)=R(X,Y)σxσy=536
    E ( Z ) = E ( X 3 − Y 4 ) = − 1 6 E\left ( Z \right ) =E\left ( \frac{X}{3}-\frac{Y}{4} \right ) =-\frac{1}{6} E(Z)=E(3X4Y)=61
    D ( Z ) = D ( X 3 − Y 4 ) = ( 1 3 ) 2 D ( X ) + ( − 1 4 2 D ( Y ) ) + 2 × 1 4 × ( − 1 4 ) = 16 5 D\left ( Z \right ) =D\left ( \frac{X}{3} -\frac{Y}{4} \right ) =\left ( \frac{1}{3} \right )^2D\left ( X \right ) +\left ( -\frac{1}{4}^2D\left ( Y \right ) \right ) +2\times \frac{1}{4}\times \left ( -\frac{1}{4} \right ) =\frac{16}{5} D(Z)=D(3X4Y)=(31)2D(X)+(412D(Y))+2×41×(41)=516
    第三种类型:X与Y均服从标准正态分布,且相互独立
    【例题】设随机变量X与Y相互独立,都服从标准正态分布N(0,1),求:
    (1)画出该二维随机变量的联合概率密度函数图像。
    (2)求出随机变量函数 Z = X 2 + Y 2 Z=X^{2} +Y^{2} Z=X2+Y2 的概率密度
    【解答】
    (1)相互独立的二维随机变量X与Y的联合概率密度函数为
    f ( x , y ) = f X ( x ) f Y ( y ) = 1 2 π e − x 2 + y 2 2 f\left ( x,y \right ) =f_X\left ( x \right ) f_Y\left ( y \right ) =\frac{1}{2\pi }e^{-\frac{x^2+y^2}{2} } f(x,y)=fX(x)fY(y)=2π1e2x2+y2
    绘制该函数用到的代码为:
    vx=-4:0.1:4;
    [X,Y]=meshgrid(vx);
    Z=exp(-(X.2+Y.2)/2)/(2*pi);
    mesh(X,Y,Z);
    绘制的联合概率密度图像为
    XY独立且服从标准正态分布
    (2)随机变量 Z = X 2 + Y 2 Z=X^{2} +Y^{2} Z=X2+Y2 的分布函数为
    F Z ( z ) = P ( Z ≤ z ) = P ( X 2 + Y 2 ≤ z ) = ∬ x 2 + y 2 ≤ z e − x 2 + y 2 2 d x d y = 1 − e z 2 F_{Z} \left ( z \right ) =P\left ( Z\le z \right ) =P\left ( X^2+Y^2\le z \right ) =\iint\limits_{x^2+y^2\le z}^{} e^{-\frac{x^2+y^2}{2} dxdy} =1-e^{\frac{z}{2} } FZ(z)=P(Zz)=P(X2+Y2z)=x2+y2ze2x2+y2dxdy=1e2z
    所以Z的分布函数为
    F Z ( z ) = { 1 − e − z 2 , z > 0 0 , z ≤ 0 F_{Z} \left ( z \right ) =\begin{cases} & 1-e^{-\frac{z}{2} }, { } z>0 \\ & 0,{ } z\le 0 \end{cases} FZ(z)={1e2z,z>00,z0
    例用matlab绘制图像为
    Z的分布函数
    程序代码为
    fplot(@(z)1-exp(-z/2),[0,10]);
    由Z的分布函数得Z的概率密度函数为
    f Z ( z ) = { 1 2 e − z 2 , z > 0 0 , z ≤ 0 f_{Z} \left ( z \right ) =\begin{cases} & \frac{1}{2}e^{-\frac{z}{2} }, { } z>0 \\ & 0,{ } z\le 0 \end{cases} fZ(z)={21e2z,z>00,z0
    例用Matlab绘制图像为
    Z的概率密度函数
    程序代码为 fplot(@(z)exp(-z/2)/2,[0,10]);
    此时,Z的随机变量函数服从的分布是自由度为2的 χ 2 \chi ^{2} χ2分布

    展开全文
  • 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 ...

    二维正态随机变量概率密度函数三维图的matlab实现

    1.二维正态随机变量

    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 ) = 1 2 π σ X σ Y 1 − r 2 ⋅ e x p { − 1 2 ( 1 − r 2 ) [ ( x − m X 2 ) σ X 2 − 2 r ( x − m X ) ( y − m Y ) σ X σ Y + ( y − m Y 2 ) σ Y 2 ] } p(x,y)=\frac{1}{2\pi \sigma _X\sigma _Y\sqrt{1-r^2}}\cdot exp\{ -\frac{1}{2(1-r^2)}[\frac{(x-m_X^2)}{\sigma_X ^2}-\frac{2r(x-m_X)(y-m_Y)}{\sigma_X\sigma_Y}+\frac{(y-m_Y^2)}{\sigma_Y^2}]\} p(x,y)=2πσXσY1r2 1exp{2(1r2)1[σX2(xmX2)σXσY2r(xmX)(ymY)+σY2(ymY2)]}

    变量含义
    σ X \sigma_X σX随机变量X的方差
    σ Y \sigma_Y σY随机变量Y的方差
    m X m_X mX随机变量X的方差
    m Y m_Y mY随机变量Y的方差
    r随机变量X、Y相关系数

    2.Mtalab画联合概率密度三维图

    σ X = σ Y = 1 , m X = m Y = 5 , r = 0 \sigma_X=\sigma_Y=1,m_X=m_Y=5,r=0 σX=σY=1,mX=mY=5,r=0,画联合概率密度的三维曲面如下:

    • 三维视图

    在这里插入图片描述

    • X-Z视图:
      在这里插入图片描述
    • Y-Z视图:
      在这里插入图片描述
    • 任意视图(体验视觉冲击力)
      在这里插入图片描述

    3.matlab代码

    clc
    close all
    clearvars
    Dx=1;%方差
    Dy=1;%方差
    mx=5;
    my=5;
    r=0;
    x=0:0.05:10;
    y=0:0.05:10;
    [X,Y]=meshgrid(x,y);
    p2=(1/(2*pi*Dx*Dy*sqrt(1-r^2)))*exp((-1/(2*(1-r^2)))*((X-mx).^2/Dx^2)-(2*r*(X-mx).*(Y-my)/(Dx*Dy)+(Y-my).^2/Dy^2));
    mesh(X,Y,p2)
    title('随机变量X、Y的联合概率密度')
    xlabel('X')
    ylabel('Y')
    zlabel('联合概率密度')
    
    展开全文
  • 二维随机变量(向量) 设EEE是一个随机试验,它的样本空间是S=eS={e}S=e,设X=X(e)X=X(e)X=X(e)和Y=Y(e)Y=Y(e)Y=Y(e)是定义在SSS上的随机变量,由它们构成的一个向量(X,Y)(X,Y)(X,Y)叫做二维随机向量。 分布函数: ...

    二维随机变量(向量)

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

    分布函数:
    ( X , Y ) (X,Y) (X,Y)是二维随机变量,对于任意实数 x , y x,y x,y二元函数
    F ( x , y ) = P { ( X ≤ x ) ∩ ( Y ≤ y ) } = 记 为 P { X ≤ x , Y ≤ y } F(x,y)=P\{(X\le x)\cap(Y\le y)\}\overset{记为}{=}P\{X\le x,Y\le y\} F(x,y)=P{(Xx)(Yy)}=P{Xx,Yy}
    称为二维随机变量 ( X , Y ) (X,Y) (X,Y)的分布函数,或称为随机变量 X X X Y Y Y的联合分布函数

    性质:

    • F ( x , y ) F(x,y) F(x,y)是变量 x , y x,y x,y的不减函数
    • 0 ≤ F ( x , y ) ≤ 1 0\le F(x,y) \le 1 0F(x,y)1,且
      • 对于任意固定的 y , F ( − ∞ , y ) = 0 , y,F(-\infty,y)=0, y,F(,y)=0,
      • 对于任意固定的 x , F ( x , − ∞ ) = 0 , x,F(x,-\infty)=0, x,F(x,)=0,
      • F ( − ∞ , − ∞ ) = 0 , F ( ∞ , ∞ ) = 1 F(-\infty,-\infty)=0,F(\infty,\infty)=1 F(,)=0,F(,)=1
    • F ( x , y ) F(x,y) F(x,y)关于 x x x右连续,关于 y y y也右连续
      F ( x + 0 , y ) = F ( x , y ) , F ( x , y + 0 ) = F ( x , y ) F(x+0,y)=F(x,y),F(x,y+0)=F(x,y) F(x+0,y)=F(x,y),F(x,y+0)=F(x,y)
    • 对于任意 ( x 1 , y 1 ) , ( x 2 , y 2 ) , x 1 &lt; x 2 , y 1 &lt; y 2 (x_1,y_1),(x_2,y_2),x_1&lt;x_2,y_1&lt;y_2 (x1,y1),(x2,y2),x1<x2,y1<y2下述不等式成立
      F ( x 2 , y 2 ) − F ( x 2 , y 1 ) + F ( x 1 , y 1 ) − F ( x 1 , y 2 ) ≥ 0 F(x_2,y_2)-F(x_2,y_1)+F(x_1,y_1)-F(x_1,y_2) \ge 0 F(x2,y2)F(x2,y1)+F(x1,y1)F(x1,y2)0

    离散型随机变量

    定义:
    如果二维随机变量 ( X , Y ) (X,Y) (X,Y)全部可能取到的值是有限对或者可列无限多对,则称 ( X , Y ) (X,Y) (X,Y)是离散型随机变量。

    联合分布律:
    设二维离散随机变量 ( X , Y ) (X,Y) (X,Y)所有可能取的值 ( x i , y j ) , i j = 1 , 2 , . . . , (x_i,y_j),ij=1,2,..., (xi,yj),ij=1,2,..., P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , . . . , P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,..., P{X=xi,Y=yj}=pij,i,j=1,2,...,则由概率定义有 p i j ≥ 0 , ∑ i = 1 ∞ ∑ j = 1 ∞ p i j = 1 p_{ij}\ge 0,\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}p_{ij}=1 pij0,i=1j=1pij=1
    ( x i , y j ) , i , j = 1 , 2 , . . . , (x_i,y_j),i,j=1,2,..., (xi,yj),i,j=1,2,..., P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , . . . , P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,..., P{X=xi,Y=yj}=pij,i,j=1,2,...,为二维离散型随机变量 ( X , Y ) (X,Y) (X,Y)的分布律或随机变量 X X X Y Y Y的联合分布律。

    连续型的二维随机变量及其联合概率密度:
    如果存在非负的函数 f ( x , y ) f(x,y) f(x,y)使对于任意 x , y x,y x,y
    F ( x , y ) = ∫ − ∞ y ∫ − ∞ x f ( μ , υ ) d μ d υ F(x,y)=\int_{-\infty}^{y}\int_{-\infty}^{x}f(\mu,\upsilon)d\mu d\upsilon F(x,y)=yxf(μ,υ)dμdυ
    则,称 ( X , Y ) (X,Y) (X,Y)是连续型的二维随机变量,函数 f ( x , y ) f(x,y) f(x,y)称为二维随机变量 ( X , Y ) (X,Y) (X,Y)的概率密度,或称随机变量 X X X Y Y Y的联合概率密度。

    性质:

    • f ( x , y ) ≥ 0 f(x,y)\ge0 f(x,y)0
    • ∫ − ∞ ∞ ∫ − ∞ ∞ f ( x , y ) d x d y = F ( ∞ , ∞ ) = 1 \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y)dx dy=F(\infty,\infty)=1 f(x,y)dxdy=F(,)=1
    • G G G x o y xoy xoy平面内的区域,点 ( X , Y ) (X,Y) (X,Y)落入 G G G内的概率为
      P { ( X , Y ) ∈ G } = ∫ ∫ G f ( x , y ) d x d y P\{(X,Y)\in G\}=\int\int_{G}f(x,y)dxdy P{(X,Y)G}=Gf(x,y)dxdy
    • f ( x , y ) f(x,y) f(x,y)在点 ( x , y ) (x,y) (x,y)连续,则有
      ∂ 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)

    n n n维随机向量(变量)

    定义:
    E E E是一个随机试验,它的样本空间是 S = { e } S=\{e\} S={e},设 X 1 = X 1 { e } , X 2 = X 2 { e } , . . . , X n = X n { e } X_1=X_1\{e\},X_2=X_2\{e\},...,X_n=X_n\{e\} X1=X1{e},X2=X2{e},...,Xn=Xn{e}是定义在 S S S上的随机变量,由它们构成一个 n n n维向量 ( X 1 , X 2 , . . . , X n ) (X_1,X_2,...,X_n) (X1,X2,...,Xn)称为 n n n维随机向量(变量)

    联合分布函数
    对于任意 n n n个实数 x 1 , x 2 , . . , x n , n x_1,x_2,..,x_n,n x1,x2,..,xn,n元函数
    F ( x 1 , x 2 , . . . , x n ) = P { X 1 ≤ x 1 , X 2 ≤ x 2 , . . . , X n ≤ x n } F(x_1,x_2,...,x_n)=P\{X_1\le x_1,X_2\le x_2,...,X_n\le x_n\} F(x1,x2,...,xn)=P{X1x1,X2x2,...,Xnxn}
    称为 n n n维随机变量的联合分布函数。
    ToBeContinued

    展开全文
  • 统计-二维随机变量

    千次阅读 2018-03-22 20:29:17
    二维随机变量
  • 3.1 二维随机变量 文章目录3.1 二维随机变量二维随机变量及其分布函数二维离散型随机变量二维连续型随机变量 二维随机变量及其分布函数 上一章里我们都是用一个随机变量XXX来表述概率的。但是在现实生活里影响事情...
  • 维随机变量及其概率分布

    千次阅读 2015-03-12 10:22:12
    1. 随机变量的概念 顾名思义,随机变量就是“其值随机会而定”的变量。随机变量的反面是“确定性变量”,即其值遵循某种严格的规律的变量,比如从北京到上海的距离。但是从绝对意义上讲,许多通常视为确定性变量的...
  • 使用多种方法实现二维离散随机变量概率分布的计算. 可以用于计算互信息等.
  • 08连续型二维随机变量.pptx
  • 二维随机变量期望的计算

    万次阅读 2016-11-02 11:21:38
    二维随机变量期望的计算@(概率论)设随机向量(X,Y)的概率密度f(x,y)满足f(x,y) = f(-x,y),且ρxy\rho_{xy}存在,则ρxy=?\rho_{xy} = ?分析:主要从EXY, EX,EY的关系求解。 因为根据定义:ρxy=cov(X,Y)DX√DX√\rho...
  • 概率论与数理统计习题,内容覆盖基础知识,全面概括随机变量内容
  • 二维随机变量1.二维随机变量的定义2.二维随机变量分布函数(联合分布函数)的定义3.分布函数F(x,y)的基本性质(4条)4.二维离散型随机变量1).定义2).二维离散型随机变量的分布律3).二维离散型随机变量的分布函数4).二...
  • 二维随机变量

    千次阅读 2019-05-24 17:48:03
    1.离散型 2.连续型 3.联合概率密度的性质 4.例题: 5.常用的分布 1.均匀分布 2.二维正态分布
  • 009 二维随机变量分布 min max 习题

    千次阅读 2017-11-29 07:04:39
    009 二维随机变量分布 min max 习题
  • 基于二维分布讨论了Sklar定理,介绍了由Sklar定理直接生成Copula函数的方法以及生成给定边际分布的联合分布函数的方法。
  • 概率论第4记:二维随机变量

    千次阅读 2019-01-04 20:45:47
    一般,如果X,Y是定义在样本空间S上的随机变量,那么(X,Y)称为二维随机变量(或称二维随机向量),类似可以定义n维随机变量。 定义:设二维随机变量(X,Y)所有可能的取值为(xi,yj),(i,j=1,2,3…);(X,Y)取(xi...
  • 概率论对于学习 NLP 方向的人,重要性不言而喻。于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础。 这是基础篇的第四篇知识点总结 知识点:二维离散型随机变量 ...
  • 这一章是上一章的深化,一个是一维空间,一个是多维空间。 联合分布函数 联合分布率 ...二维连续型随机变量 (X,Y)概率密度性质 (X,Y)在G上符合均匀分布 二维正态分布 在这里插入图片描述 ...
  • 1 二维随机变量 2 边缘分布 3 条件分布 4 相互独立的随机变量 5 两个随机变量的函数的分布
  • 利用联合分布函数求概率 缺点:只能矩形的概率
  • 概率论基础(6)连续型二维随机变量

    千次阅读 多人点赞 2019-06-19 23:16:00
    概率论对于学习 NLP 方向的人,重要性不言而喻。于是我打算从概率论基础篇开始复习,也... - 概率密度 边缘概率密度 条件概率密度 独立性 需要有二重积分相关知识 - Z = X + Y 分布 Z = XY 分布 Z = max{X, Y} 分布
  • 随机变量概率分布

    千次阅读 2016-10-24 17:25:36
    本文主要包含四个部分的内容:一维随机变量及其概率分布、二维随机变量及其概率分布、条件分布、随机变量的相互独立性。 1. 一维随机变量1.1 随机变量与分布函数- 分布函数: 设X是一个随机变量,记F(x)=P{X,x∈(−...
  • R语言:求二维随机变量数学期望

    千次阅读 2013-05-10 16:05:41
    想做一个二维变量数学期望实验, 查看若干资料终于找到方法 先看这篇文章熟悉一下R的函数 http://www.cyclismo.org/tutorial/R/tables.html 构造数据 通过下面的函数构造了,正态分布和泊松分布的两列数据 A > A (a...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 33,846
精华内容 13,538
关键字:

二维随机变量求概率