精华内容
下载资源
问答
  • 书的购买链接书的勘误,优化,源代码资源概率密度函数是概率论中的核心概念之一,用于描述连续型随机变量所服从的概率分布。在机器学习中,我们经常对样本向量x的概率分布进行建模,往往是连...

    5bc156ca520df0d6a1e0bb2f933c3605.png

    原创声明:本文为 SIGAI 原创文章,仅供个人学习使用,未经允许,不能用于商业目的。

    其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造。

    • 书的购买链接
    • 书的勘误,优化,源代码资源

    概率密度函数是概率论中的核心概念之一,用于描述连续型随机变量所服从的概率分布。在机器学习中,我们经常对样本向量x的概率分布进行建模,往往是连续型随机变量。很多同学对于概率论中学习的这一抽象概念是模糊的。在今天的文章中,SIGAI将直观的解释概率密度函数的概念,帮你更深刻的理解它。

    从随机事件说起

    回忆我们在学习概率论时的经历,随机事件是第一个核心的概念,它定义为可能发生也可能不发生的事件,因此是否发生具有随机性。例如,抛一枚硬币,可能正面朝上,也可能反面朝上,正面朝上或者反面朝上都是随机事件。掷骰子,1到6这6种点数都可能朝上,每种点数朝上,都是随机事件。

    d48a22a9479b2ede40bc79fb9e3a2e8b.png

    与每个随机事件a关联的有一个概率值,它表示该事件发生的可能性:p(a)这个概率值必须在0到1之间,22即满足下面的不等式约束:

    0<= p(a)<=1

    另外,对于一次实验中所有可能出现的结果,即所有可能的随机事件,它们的概率之和必须为1:

    83ac9c754f7a5c0274342d08dedbec74.png

    这些随机事件不会同时发生,但必须有一件会发生。例如,对于抛硬币,不是正面朝上就是反面朝上,不会出现其他情况(这里假设硬币抛出去后不会立着),因此有:

    p(正面朝上)+p(反面朝上)=1

    很多时候,我们假设这些基本的随机事件发生的概率都是相等的,因此,如果有n个基本的随机事件,要使得它们发生的概率之和为1,则它们各自发生的概率都为:

    5487ef3f652dbc6de0c1ccf811ad9094.png

    对于抛硬币,正面朝上和反面朝上的概率各为1/2,对于掷骰子,每个点朝上的概率各为1/6。对于这种只有有限种可能的情况,我们通过枚举各种可能的情况,可以算出每个事件发生的概率。例如,如果我们要计算掷骰子出现1点或者2点的概率,只需要将这两点至少有一点出现的情况数,比上所有可能的情况数,就得到概率值:

    05e5d8bd04cb23133095d7a20482e67a.png

    上面的例子中,随机事件所有可能的情况只有有限种,而且可以用整数对这些随机事件进行编号,如

    然而,有有限就有无限,对于可能有无限种情况的随机事件,我们该如何计算它发生的概率?考虑一个简单的问题,有一个长度和高度都为1的正方形,如果我们随机的扔一个点到这个正方形里,这个点落在右上方也就是红色区域里的概率是多少?

    a6aab0afb72d68f3acee3e123010dd99.png

    你可能已经想到了,直接用红色三角形的面积,比上整个正方形的面积,应该就是这个概率:

    5ae869388676a4cfdaa60c04fb79d229.png

    在这里,随机点所落的位置坐标(x, y)的分量x和y都是[0, 1]区间内的实数,这有无限多种情况,不能再像之前那样把所有的情况全部列出来,统计出这些情况的数量,然后和总情况数相除得到概率值。而是使用了“面积”这一指标来计算。看来,对这种类型的随机事件,我们得借助于“长度”,“面积”,“体积”这样的积分值来计算。

    如果用集合来描述这些随机事件的话,第一种情况是有限集,我们可以给集合里的每个元素编号。第二种情况是无限集,元素的个数多到无法用整数下标来编号。

    整数集与实数集

    高中时我们学过集合的概念,并且知道整数集是z,实数集是R。对于有限集,可以统计集合中元素的数量即集合的基数(cardinal number,也称为集合的势cardinality)。对于无限集,元素的个数显然是无穷大,但是,都是无穷大,能不能分个三六九等呢?

    回忆微积分中的极限,对于下面的极限:

    1f4bd9e3776004b3b26c67ff90b4454c.png

    虽然当x趋向于正无穷的时候,x和exp(x)都是无穷大,但它们是有级别的,在exp(x)面前,x是小巫见老巫。

    同样的,对于整数集和实数集,也是有级别大小的。任意两个整数之间,如1与2之间,都密密麻麻的分布着无穷多个实数,而且,只要两个实数不相等,不管它们之间有多靠近,如0.0000001和0.0000002,在它们之间还有无穷多个实数。在数轴上,整数是离散的,而实数则是连续的,密密麻麻的布满整个数轴。因此,实数集的元素个数显然比整数要高一个级别。

    随机变量

    变量是我们再熟悉不过的概念,它是指一个变化的量,可以取各种不同的值。随机变量可以看做是关联了概率值的变量,即变量取每个值有一定的概率。例如,你买彩票,最后的中奖金额x就是一个随机变量,它的取值有3种情况,以0.9的概率中0元,0.09的概率中100元,0.01的概率中1000元。变量的取值来自一个集合,可以是有限集,也可以是无限集。对于无限集,可以是离散的,也可以是连续的,前者对应于整数集,后者对应于实数集。

    离散型随机变量

    随机变量是取值有多种可能并且取每个值都有一个概率的变量。它分为离散型和连续型两种,离散型随机变量的取值为有限个或者无限可列个(整数集是典型的无限可列),连续型随机变量的取值为无限不可列个(实数集是典型的无限不可列)。

    描述离散型随机变量的概率分布的工具是概率分布表,它由随机变量取每个值的概率p(x = xi )= pi依次排列组成。它满足:

    2068c4373b854631cbcb111a243bddb3.png

    下面是一个概率分布表的例子:

    表2.2 一个随机变量的概率分布表

    aa2a0d4335613d2e4b2a06d6e99660cf.png

    如果我们把前面例子中掷骰子的点数x看做是随机变量,则其取值为1-6之间的整数,取每个值的概率为1/6,这是典型的离散型随机变量。

    连续型随机变量

    把分布表推广到无限情况,就可以得到连续型随机变量的概率密度函数。此时,随机变量取每个具体的值的概率为0,但在落在每一点处的概率是有相对大小的,描述这个概念的,就是概率密度函数。你可以把这个想象成一个实心物体,在每一点处质量为0,但是有密度,即有相对质量大小。

    以上面在正方形内随机扔一个点的问题为例,此时,落点的坐标(x, y)就是连续型随机变量,落到任意一点(x, y)的概率值为0。因为这一个点的数量为1,而整个正方形内的点数为无穷大,二者之比值为0:

    f2e47e6bd44074bc910020e801066716.png

    这实际上是均匀分布,即落在任何一点处的概率值相等。对于有些问题,落在各个不同的点处的概率是不相等的,就像一个实心物体,有些点处的密度大,有些点处的密度小,由此引入了概率密度函数的概念。

    一个函数如果满足如下条件,则可以称为概率密度函数:

    1c4d433c7f726e56ce3ba959b331a555.png

    这可以看做是离散型随机变量的推广,积分值为1对应于取各个值的概率之和为1。分布函数是概率密度函数的变上限积分,它定义为:

    c14bb9d5fd573baf54c2adaddc7d90e0.png

    显然这个函数是增函数,而且其最大值为1。分布函数的意义是随机变量的概率。注意,连续型随机变量取某一个值的概率为0,但是其取值落在某一个区间的值可以不为0:

    191dfe9bacfc1fbb8fa491c650f37d94.png

    虽然连续型随机变量取一个值的概率为0,但取各个不通过的值的概率还是有相对大小的,这个相对大小就是概率密度函数。这就好比一个物体,在任意一点处的质量为0,但在这一点有密度值,密度值衡量了在各点处的质量的相对大小。

    从这个角度,我们可以将概率密度函数解释为随机变量落在一个区间内的概率与这个区间大小的比值在区间大小趋向于0时的极限:

    012b2651c0d534e47153df37b9d0391c.png

    这个过程如下图所示:

    4c4d25c952f531489f9c9c7aa79c608a.png

    还是以上面的正方形为例,如果要计算随机点(x, y)都落在区间[0, 0.5]内的概率,可以这样计算:

    938e3638e6d460a551bd280de92a3853.png

    这个面积,就是积分值,对应于分布函数。最常见的连续型概率分布是正态分布,也称为高斯分布。它的概率密度函数为:

    30320547d225352651723f5f5e3f2e1e.png

    其中μ

    分别为均值和方差。现实世界中的很多数据,例如人的身高、体重、寿命等都近似服从正态分布。另外一种常用的分布是均匀分布,如果随机变量x服从区间[a,b]内的均匀分布,则其概率密度函数为:

    231464f59e1f4f84842169e28a9f0aca.png

    在程序设计和机器学习中,这两种分布是最为常见的。

    展开全文
  • 本文主要介绍概率密度函数和累积密度函数的概念。一、离散型的概率密度函数与累积密度函数对于一个离散型的随机变量 ,它可能服从我们已知的一些理论分布,也可能服从某个未知的乱七八糟的分布。这时候,我们有一种...

    8b599381198f973a49666bec86841e1f.png

    本文主要介绍概率密度函数和累积密度函数的概念。

    一、离散型的概率密度函数与累积密度函数

    对于一个离散型的随机变量

    ,它可能服从我们已知的一些理论分布,也可能服从某个未知的乱七八糟的分布。这时候,我们有一种稳(cu)健(bao)的方式去描述它的分布情况,那就是概率密度函数
    和累积分布函数

    ……(1)

    ……(2)

    下面我们说说这两个函数的关系。假设一个分布有若干个可能的观测值{

    },那么
    如刚刚所言,就是随机变量小于等于
    的概率,它可以表示成:

    ……(3)

    特别地,当

    ,有:

    ……(4)

    举一个例子说明这个关系。假设一个分布只有{

    },
    就是随机变量不大于
    的概率。既然分布里面不大于
    的只可能是
    ,那这个概率自然可以写成
    ,也就是
    了。

    同理,要求某个

    的概率密度函数,也可以由某两个累积密度函数相减得到。例如上例里面,
    就等于
    ,具体写成严谨的表达方式有些麻烦,就不写了 。

    二、连续型概率密度函数与累积密度函数

    对离散型随机变量,它的任何一个观测值,我们基本上都可以轻易算出它的概率,进而得到整个分布的概率密度函数和累积密度函数。但我们的随机变量不再是离散型的,而是连续型的,就再也无法算出某个观测值出现的概率了。譬如说,

    是一个在
    区间均匀分布的随机变量,
    的概率就没办法算出来(测度论咱们先不涉及)。

    幸运的是,我们至少还是知道各个观测值对应概率的比例的。就像上面的例子,各个观测值对应概率比例都是一样的,均匀分布嘛。那可不可以在连续区间上方画一条曲线,曲线在某点的高度代表着这个点作为观测值出现的概率呢?根据这个想法,我们引入了连续型的概率密度函数

    ba07290a617c4028fbc163e45ec41975.png
    每个点对应的高度就是其概率密度,也就是被观测到的可能性

    概率密度函数帮助我们解决连续型随机变量遇到的分析困难。对于一个分布于区间

    上的连续随机变量,我们可以构造一个概率密度函数
    来描述该变量的分布情况。 注意,只是相对大小,不是绝对大小,例如
    并不是说
    被观测到的概率是

    那问题来了,既然

    衡量的是
    相对大小,那我给
    随意乘一个非零常数
    ,让它变成
    ,并且当做新的概率密度函数,是不是不会有影响呢?

    为了方便分析,我们参考式子(4),给了

    一个限制:

    ……(5)

    其中 记

    为该分布的可行域。这样限制下来,每个分布对应的概率密度函数就是唯一的了。

    类比离散型随机变量的累积密度函数,参考式子(3),我们也很容易猜到连续型随机变量的累积密度函数会定义为:

    ……(6),

    也就是该随机变量不大于

    的概率。
    展开全文
  • 均匀分布墨文昱:均匀分布​zhuanlan.zhihu.com离散随机变量的均匀分布:假设 X 有 k 个取值:x1, x2, ..., xk 则均匀分布的概率密度函数为: 连续随机变量的均匀分布:假设 X 在 [a, b] 上均匀分布,则其概率密度...

    均匀分布

    墨文昱:均匀分布zhuanlan.zhihu.com
    17eb53843e5a8c9f254e6fb5bd4a7caf.png
    • 离散随机变量的均匀分布:假设 X 有 k 个取值:x1, x2, ..., xk 则均匀分布的概率密度函数为:

    ca3d2c7f4282d83f9bda990889c95c6a.png
    • 连续随机变量的均匀分布:假设 X 在 [a, b] 上均匀分布,则其概率密度函数为:

    0fa13319e71cb5b22b4f53d3e6790a08.png

    伯努利分布

    伯努利分布:参数为 p∈[0,1],设随机变量 X ∈ {0,1},则概率分布函数为:

    f7743988a0a8f7f6de90280c5fcb0dfe.png

    期望为p,方差为p(1-p)

    二项分布

    独立重复地进行 n 次试验中,成功 x 次的概率:

    102622db179dadcc238966755164c1e5.png

    期望为np,方差为np(1-p)

    高斯分布

    我们在做模型训练的之后,随机变量取值范围是实数,大多数情况下都假设变量服从高斯分布,原因:

    • 随机变量大多数情况下有若干个因素组合而成,中心极限定理表明,多个独立随机变量的和近似正态分布
    • 在具有相同方差的所有可能的概率分布中,正态分布的熵最大(即不确定性最大);熵大带来的信息量多

    典型的一维正态分布的概率密度函数为 :

    f304ca3928aa2e688721ea5c5c12af78.png

    拉普拉斯分布

    概率密度函数:

    db718783b6ebcc337fff17adcb87526a.png

    期望为u,方差为

    拉普拉斯分布比高斯分布更加尖锐和狭窄,在正则化中通常会利用该性质

    泊松分布

    假设已知事件在单位时间(或者单位面积)内发生的平均次数为λ,则泊松分布描述了:事件在单位时间(或者单位面积)内发生的具体次数为 k 的概率。 概率密度函数:

    期望:λ,方差为:λ

    展开全文
  • 边缘分布律和边缘概率密度的计算公式(数1理解、数3掌握;重点)3.二维正态分布的概率密度和边缘分布(数1了解、数3掌握)三、第3章考研必做习题第3章习题:1、2、3、6、9、10、13、14、15、16、17、18、20第二节 边缘...
    一、第3章知识结构

    2cde9abe6ed9f865775f6ff163d2bd7b.png

    二、第3章第2节 主要内容及考研要求

    1.边缘分布函数的定义(数1理解、数3掌握)

    2.边缘分布律和边缘概率密度的计算公式(数1理解、数3掌握;重点)

    3.二维正态分布的概率密度和边缘分布(数1了解、数3掌握)

    三、第3章考研必做习题

    第3章习题:1、2、3、6、9、10、13、14、15、16、17、18、20

    第二节 边缘分布

    一、边缘分布函数

    二、离散型随机变量的边缘分布律

    三、连续型随机变量的边缘分布

    四、常见的两个二维分布

    一、边缘分布函数

    ad3b6b9043b4e7dad5c1706c7eec776d.png

    定义1 设(X,Y)为二维随机变量,其分布函为F(x,y)                         

    32ef1e68037df8d4cbe66f0dfda63259.png

    [] 边缘分布函数可以由X与Y的联合分布函F(x,y)唯一确定:

    2f00272427978e71a8bd3c34aefe91a7.png

    二 、 离散型随机变量的边缘分布律

    281d06d275b36586bdb11fa917d6c29c.png

    离散型随机变量的边缘分布律列表

    7bbf62e333e4070204ceb08186b75f23.png

    6037ee1b0300dc40633b7e060a780385.png

    b443f007552c2c51e39d350bc18dfb67.png

    联合分布律是二维离散型随机变量的“根本”, 是解决一切概率问题的前提.这里可将联合分布律看成一个数表, 称之为联合分布矩阵.

    已知联合分布律, 对联合分布矩阵行加列加可得关于随机变量X或Y的边缘分布律; 并非只有联合分布律已知才能求边缘分布律, 某些情况下. 在随机试验下根据随机变量的具体含义可以直接求出随机变量的边缘分布律.三、  连续型随机变量的边缘概率密度设(X,Y) 概率密度为f (x, y),则

    151a29b07fecbea8346583e088a78b05.png

    由此知,X是连续型随机变量,且其概率密度为

    47137c576c28a2db47a95cdb89f102be.png

    同理,Y也是连续型随机变量,其概率密度为

    385c581a333a88ef04080ee61ca12ec6.png

    它们分别称为(X,Y)关于X和关于Y的边缘概率密度.

    四、常见的两个二维分布1.均匀分布:设G为一面积为A平面有界区域,若 (X,Y)具有概率密度

    3d3957202490e1966b5178179835970f.png

    则称(X,Y)在域G上服从均匀分布.

    例2  设(X,Y)在域

    78937e631ece42e41096a565988a71de.png

    上服从均匀分布,求其边缘概率密度.

    e77ddffadcb7e9d1be3096b2615e6bf9.png

    2. 二维正态分

    设二维随机变量(X,Y)具有概率密度

    6b676a4456afe8d67e79687487641bc4.png

    bcc4aeea4b8efcd4794809bcb80c4f29.png

    b4cb7ecd131487791556152b0530b43d.png

     求(X,Y)的边缘概率密度.

    ccf6d840b0f7e414661a572dbd104139.png

    即X和Y的边缘分布均为正态分布:

    c317f622bca8d2133405eb3175771a8f.png

    注意:二维均匀分布背景是平面上的几何概型;二维正态分布做题的主要思想是降维(通过性质化为一维).
    展开全文
  • 获取联合概率的方法:直方图估计【简单,但是它受制于箱子的数目,而且图像是离散的】帕曾窗方法:概率密度的估计【有很多的核密度,不知道选用哪一个更好,而且高维度会出现拖尾现象】非参数窗(NP)【精度高但是...
  • 通信-随机过程系列第2篇尽管随机...你看到它喷发的概率是多少?为何要引入随机变量在这些情况下,如果我们为随机实验的结果分配一个数字或一系列值,通常会更方便。例如,硬币的正面可以对应1,反面可以对应于0。...
  • 性质概率密度函数均匀分布的概率密度函数为: 在两个边界a和b处的 的值通常是不重要的,因为它们不改变任何 的积分值。 概率密度函数有时为0,有时为 。 在傅里叶分析的概念中,可以将 或 的值取为 ,因为这...
  • 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
  • 主要内容更多系列视频概率微课:第章(1) 随机变量的定义概率...第章(6) 泊松分布概率微课:第章(7) 分布函数定义概率微课:第章(8) 分布函数例题解析第章(9) 离散型随机变量分布函数的求法第章(10) 连...
  • 主要内容更多系列视频概率微课:第章(1) 随机变量的定义概率...第章(6) 泊松分布概率微课:第章(7) 分布函数定义概率微课:第章(8) 分布函数例题解析第章(9) 离散型随机变量分布函数的求法第章(10) 连...
  • (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 ...连续型的本质是需找到ke'y可以代表的概率密度函数   (3)边缘分布 ...
  • 2.x的边缘概率密度函数是联合概率密度函数在负无穷到正无穷上对y求积分。 y的边缘概率密度函数是联合概率密度函数在负无穷到正无穷上对x求积分。 利用第问中求得的边缘概率密度可以求到的: 条件概率密度:用...
  • 概率到贝叶斯滤波

    2021-01-12 12:32:37
    0 前言 1 概率基础概念拾遗 1.1 随机变量 1.1.1 定义 1.1.2 离散型随机变量 1.1.3 连续型随机变量 ...1.6.2 二维连续型随机变量的边缘概率密度函数 1.7 条件概率 1.7.1 二维离散型随机变量的条件概率质量.
  • 首先根据二维随机变量均匀分布可以直接得到联合概率密度函数,然后再根据公式可以得到X和Y的边缘密度函数,公式一会用图贴出来,但是此时问题来了,为什么X的密度函数是对dy求积分还有积分的上下限怎么确定?...
  • $已知二维随机向量的概率密度函数,求边缘概率密度函数$ 1. 设二维离散型随机向量(X,Y)的分布律为: 若X和Y相互独立。 (1)填写上表空白部分;(1)填写上表空白部分;(1)填写上表空白部分; (2)求U=...
  • 为了减小无线环境中的多径效应,要求...推导了在一般散射体模型中基站信号的到达角度和到达时延的联合概率密度函数、边缘概率密度函数,它适用于多种蜂窝型,重点研究高斯分布的散射体,最后仿真验证了推导的合理性。
  • 2.题目一、知识点概述二维随机变量及其联合分布二维离散型随机变量的分布二维连续性随机变量的密度常见二维随机变量的联合分布随机变量的独立性和相关性两个随机变量简单函数概率分布重要公式与结论 1.二维随机...
  • 分布函数概率密度函数边缘分布函数边缘概率密度函数相互独立性结论 一、随机变量的相互独立性 说明: 二维离散型随机变量 二维连续性随机变量 二维正态随机变量 例题 例1 例2 步骤: .求边缘分布密度,...
  • 概率统计2

    2019-10-19 10:03:06
    3.2.1边缘概率密度: 3.2.2二维正态分布 3.3条件分布 3.4相互独立的随机变量 3.5 两个随机变量的函数的分布 3.5.1 Z=X+Y的分布 4 随机变量的数学特征 4.1数学期望(均值) 4.2方差 4.3协方差及相关系数 4.4...
  • 在《概率机器人》第2章中,有这样一...实际上,表示的是Y=条件下的边缘概率密度函数,根据定义我们知道求Y=边缘概率密度只需要对x从负无穷到正无穷对x进行积分就可以求得,这里已经是把所有x的可能遍历一遍了,所以...
  • 1.二维随机变量(X,Y)的联合分布函数: F(x,y)=P(X≤x,Y≤y) 2.二维随机变量(X,Y)关于X的边缘分布函数: ...3.边缘分布函数边缘概率密度 $f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy$ $f_Y(y)=\int_{-\infty}^{+...
  • 第一章 概率论的基本概念 随机试验 样本...第三章 多维随机变量及其分布 二维随机变量 边缘分布 条件分布 相互独立的随机变量 两个随机变量的函数的分布 第四章 随机变量的数字特征 数学期望 方差 协方差及相关系数...
  • 高斯噪声就是它的概率密度函数服从高斯分布(即正态分布)的一类噪声。其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素块。噪声的出现会给图像带来干扰,让图像变得不清楚。 高斯滤波就是对整幅图像进行...
  • 统计推断(第四章)

    2012-12-18 10:40:39
    多维随即变量 联合分布与边缘分布 联合概率质量函数,边缘概率质量函数,定理4.1.6 条件分布与独立性 定理:4.2.1,定义4.2.5 ...概率质量函数和概率密度函数不同之处在于:机率质量函数是对离散随机变量定义的,
  • y)1.2.2、联合概率密度f(x,y)1.2.3、边缘概率密度1.2.4、条件概率密度1.2.5、分布函数1.2.6、独立性二、二维连续型三、二维离散型随机变量函数分布四、二维连续型随机变量正数分布五、 一、二维离散型 1.1、二维离散...
  • 基本知识结构 一:二维(n维)随机变量 ...2.边缘概率密度 3.条件概率密度 4.二维均匀分布 5.二维正态分布 四:独立性 1.概念 2.相互独立的充要条件 3.性质 五:函数的...
  • 二维正态分布概率密度函数为钟形曲面,等高线是椭圆线族,并且二维正态分布的两个边缘分布都是一维正态分布,如图numpy生成一个服从多元正态分布的数组multivariate_normal(mean, cov, size=None, check_...
  • |Σ| 代表协方差矩阵的行列式二维正态分布概率密度函数为钟形曲面,等高线是椭圆线族,并且二维正态分布的两个边缘分布都是一维正态分布,如图np.random.multivariate_normal生成一个服从多元正态分布的数组 【适用...
  • 分布函数 边缘分布函数 条件分布函数 概率密度 1:二维离散型随机变量 2:二维连续型随机变量 3:边缘分布 4:条件分布 5:条件概率密度
  • 概率论与数理统计基础知识整理基本概率公式一维随机变量的分布分布函数的应用离散型分布伯努利分布二项分布泊松分布几何分布超几何分布连续型...边缘分布函数条件概率密度二维均匀分布二维正态分布随机变量函数的分布...

空空如也

空空如也

1 2 3
收藏数 42
精华内容 16
关键字:

二维边缘概率密度函数