精华内容
下载资源
问答
  • 高维分布一直都是个很抽象的概念,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。 x=-20:0.5:20; y=-...

    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。

    x=-20:0.5:20;
    y=-20:0.5:20;
    u1 = 0;          %均值
    u2 = 0;        
    sigma1 = 2;      %方差
    sigma2 = 2;
    rou = 0;     %相关系数
    mu=[-1,2];
    [X,Y]=meshgrid(x,y); % 产生网格数据并处理
    p = 1/(2*pi*sigma1*sigma2*sqrt(1-rou*rou)).*exp(-1/(2*(1-rou^2)).*[(X-u1).*(X-u1)/(sigma1*sigma1)-2*rou*(X-u1).*(Y-u2)/(sigma1*sigma2)+(Y-u2).*(Y-u2)/(sigma2*sigma2)]);
    figure(1)
    surf(X,Y,p)
    shading interp
    colorbar
    title('二维正态分布条件概率密度函数曲线');
    

    变量x的均值为0,方差为2,变量y的均值为0,方差为2,相关系数为0:
    图1
    图2

    x=-20:0.5:20;
    y=-20:0.5:20;
    u1 = 2;          %均值
    u2 = 0;        
    sigma1 = 5;      %方差
    sigma2 = 2;
    rou = 0;     %相关系数
    mu=[-1,2];
    [X,Y]=meshgrid(x,y); % 产生网格数据并处理
    p = 1/(2*pi*sigma1*sigma2*sqrt(1-rou*rou)).*exp(-1/(2*(1-rou^2)).*[(X-u1).*(X-u1)/(sigma1*sigma1)-2*rou*(X-u1).*(Y-u2)/(sigma1*sigma2)+(Y-u2).*(Y-u2)/(sigma2*sigma2)]);
    figure(1)
    surf(X,Y,p)
    shading interp
    colorbar
    title('二维正态分布条件概率密度函数曲线');
    

    变量x的均值为2,方差为5,变量y的均值为0,方差为2,相关系数为0。 发现图像位置发生了平移,而且截面从圆形变成了椭圆:
    图3
    图4

    x=-20:0.5:20;
    y=-20:0.5:20;
    u1 = 2;          %均值
    u2 = 0;        
    sigma1 = 5;      %方差
    sigma2 = 2;
    rou = 0.5;     %相关系数
    mu=[-1,2];
    [X,Y]=meshgrid(x,y); % 产生网格数据并处理
    p = 1/(2*pi*sigma1*sigma2*sqrt(1-rou*rou)).*exp(-1/(2*(1-rou^2)).*[(X-u1).*(X-u1)/(sigma1*sigma1)-2*rou*(X-u1).*(Y-u2)/(sigma1*sigma2)+(Y-u2).*(Y-u2)/(sigma2*sigma2)]);
    figure(3)
    surf(X,Y,p)
    shading interp
    colorbar
    title('二维正态分布条件概率密度函数曲线');
    

    变量x的均值为2,方差为5,变量y的均值为0,方差为2,相关系数为0.5。 发现图像发生了旋转。变量x和变量y开始有同样的变化趋势:
    图5
    图6
    大家可以改变参数自行调试。

    展开全文
  • title: 【概率论】5-10:二维正态分布(The Bivariate Normal Distributions) categories: - Mathematic - Probability keywords: - The Bivariate Normal Distributions toc: true date: 2018-04-05 22:03:55 ...

    原文地址1:https://www.face2ai.com/Math-Probability-5-10-The-Bivariate-Normal-Distributions转载请标明出处

    Abstract: 本文介绍第一个多变量连续分布——双变量正态分布(本篇内有未证明定理,需要后续要补充 )
    Keywords: The Bivariate Normal Distributions

    二维正态分布

    今天我们来研究双变量的正态分布,多变量,连续分布。
    对于某些研究者,可能用正态分布来非常好的描述某个随机变量,那么如果我们有两个随机变量,都可以用正态分布描述,而且他们之间存在关系,这时候我们就可以用一个双变量正态分布来描述了这两个变量之间的关系,并且这个二维分布的边缘分布,还是这两个随机变量单变量的分布。5.6中 我们介绍了某些有正态分布的独立随机变量的线性组合还是正态分布。但是双变量正态分布(联合分布)可以是相关的。

    二维正态分布的定义和来源 Definition and Derivation of Bivariate Normal Distributions

    Theorem Suppose that Z1Z_1 and Z2Z_2 are independent random variables,each of which has the standard normal distribution.Let μ1,μ2,σ1,σ2\mu_1,\mu_2,\sigma_1,\sigma_2 ,and ρ\rho be constants such that <μi<(i=1,2)-\infty<\mu_i<\infty(i=1,2) , σi>0(i=1,2)\sigma_i>0(i=1,2) ,and 1<ρ<1-1<\rho<1 . Define two new random variables X1X_1 and X2X_2 as follows:
    X1=σ1Z1+μ1X2=σ2[ρZ1+(1ρ2)12Z2]+μ2(5.10.1) X_1=\sigma_1Z_1+\mu_1\\ X_2=\sigma_2[\rho Z_1+(1-\rho^2)^{\frac{1}{2}}Z_2]+\mu_2 \tag{5.10.1}
    The joint p.d.f. of X1X_1 and X2X_2 is
    f(x1,x2)=12π(1ρ2)12σ1σ2e12(1ρ2)[(x1μ1σ1)22ρ(x1μ1σ1)(x2μ2σ2)+(x2μ2σ2)2](5.10.2) f(x_1,x_2)=\frac{1}{2\pi(1-\rho^2)^{\frac{1}{2}}\sigma_1\sigma_2}e^{-\frac{1}{2(1-\rho^2)}[(\frac{x_1-\mu_1}{\sigma_1})^2-2\rho(\frac{x_1-\mu_1}{\sigma_1})(\frac{x_2-\mu_2}{\sigma_2})+(\frac{x_2-\mu_2}{\sigma_2})^2]} \tag{5.10.2}

    上面这个定理的证明需要定理3.9.5 ,而定理3.9.5是个选证题,也就是说会在我们后面的高级课程中进行证明,所以这个定理也就没法证明了,在证明了3.9.5 以后,我们会对此定理进行证明。

    Theorem Suppose that X1X_1 and X2X_2 have the joint distribution whose p.d.f. is given by Eq.(5.10.2) Then there exist independent standard normal random variables Z1Z_1 and Z2Z_2 such that Eqs (5.10.1) hold .Also,the mean of XiX_i is μi\mu_i and the variance of XiX_i is σi2\sigma_i^2 for i=1,2i=1,2 .Furthermore the correlation between X1X_1 and X2X_2 is ρ\rho .Finally,the marginal distribution of XiX_i is the normal distribution with mean μi\mu_i and variance σi2\sigma_i^2 for i=1,2i=1,2

    此定理的证明也需要 3.9.5 的结论,所以我们目前只做不严谨的推理,两个联合分布如5.10.2,那么他们中的一个随机变量的分布(也就是联合变量的边缘分布)就是一个正态分布。均值和方差可求。

    Definition Bivariate Normal Distributions.When the joint p.d.f. of two random variables X1X_1 and X2X_2 is of the form in Eq(5.10.2),it is said that X1X_1 and X2X_2 have the bivariate normal distribution with mean μ1\mu_1 and μ2\mu_2 variance σ12\sigma_1^2 and σ22\sigma_2^2 ,and correlation ρ\rho

    以上就是第一部分要讲的内容,两个没证明的定理,和一个定义,这篇文章看起来有点水,确实是这样,但是如果没有知识又不完全,算是个占位符,但是双变量正态分布这个用途确实太多了,举个最简单的例子,我们的身高体重,就经常用双变量的正态分布来建模。

    二维正态分布的性质 Properties of Bivariate Normal Distributions

    接下来我们来研究一下双变量正态分布的性质

    Theorem Independence and Correlation.Two random variables X1X_1 and X2X_2 that have a bivariate normal distribution are independent if and only if they are uncorrelated.

    两个随机变量有一个双变量正态分布,那么他们独立的充分必要条件是他们不相关。
    来回忆一下独立性相关性,独立性是两个随机变量分布之间满足 f(x,y)=f1(x)f2(y)f(x,y)=f_1(x)f_2(y) 这时 X,YX,Y 独立,不相关是说 ρ(X,Y)=Cov(X,Y)σX2σY2=0\rho(X,Y)=\frac{Cov(X,Y)}{\sigma_X^2\sigma_Y^2}=0 的时候两个变量不相关,相关性(点击传送)的介绍中对于任何随机变量的分布,独立性都能推出不相关,但是不相关不能推出独立,所以为了证明本定理我们可以只证明,if过程,也就是不相关来推到独立,另一部分在相关性的文章中已经证明了。
    证明 if 过程:
    假设两个变量不相关,所以当 ρ=0\rho=0 从公式 5.10.2 中可以看出 f(x1,x2)f(x_1,x_2) 可以被分解成两个分布相乘的形式,所以,我们可以得到这两个边缘分布独立。
    证毕。
    双变量的正态分布,不相关就独立,独立就不相关,在别的分布下不一定成立!
    当相关性不为0的时候,我们会得到下面这个定理,就是一个变量再另一个变量给定情况下的分布。

    Theorem Conditional Distribution.Let X1X_1 and X2X_2 have the bivariate normal distribution whose p.d.f. is Eq.(5.10.2) .The conditional distribution of X2X_2 given that X1=x1X_1=x_1 is the normal distribution with mean and variance given by
    E(X2x1)=μ2+ρσ2(x1μ1σ1)Var(X2x1)=(1ρ2)σ22 \begin{aligned} E(X_2|x_1)&=\mu_2+\rho\sigma_2(\frac{x_1-\mu_1}{\sigma_1})\\ Var(X_2|x_1)&=(1-\rho^2)\sigma_2^2 \end{aligned}

    当两个变量的联合分布为双变量正态分布,并且他们相关的时候,已知一个变量怎么来计算条件分布呢?
    证明:

    1. 给定条件 X1=x1X_1=x_1 等价于给定 Z1=x1μ1σ1Z_1=\frac{x_1-\mu_1}{\sigma_1}
    2. 那么我们只需要证明给定条件 Z1=x1μ1σ1Z_1=\frac{x_1-\mu_1}{\sigma_1} 下的 X2X_2 的分布。
    3. 那么把 Z1=x1μ1σ1Z_1=\frac{x_1-\mu_1}{\sigma_1} 带入到式子 5.10.1中的第二个公式。
    4. 那么给定条件 X1=x1X_1=x_1 下的 X2X_2 的分布,等价于给定条件 Z1=(x1μ1)σ1Z_1=\frac{(x_1-\mu_1)}{\sigma_1} 下,以下关系式的分布:
      (1ρ2)1/2σ2Z2+μ2+ρσ2(x1μ1σ1)(5.10.7) (1-\rho^2)^{1/2}\sigma_2Z_2+\mu_2+\rho\sigma_2(\frac{x_1-\mu_1}{\sigma_1})\tag{5.10.7}
    5. 上式可见 Z2Z_2 是唯一的随机变量,并且 Z1Z_1Z2Z_2 是独立的,所以 X2X_2 在给定 X1=x1X_1=x_1 的条件下是 5.10.7 的边缘分布
    6. 所以条件期望和条件方差如 5.10.6 所写。
    7. 证毕

    同理可以证明,
    给定条件 X2=x2X_2=x_2X1X_1 的分布也是正态分布,并且其期望和方差如下
    E(X1x2)=μ1+ρσ1(x2μ2σ2)Var(X1x2)=(1ρ2)σ12 E(X_1|x_2)=\mu_1+\rho\sigma_1(\frac{x_2-\mu_2}{\sigma_2})\\ Var(X_1|x_2)=(1-\rho^2)\sigma_1^2

    上面这两个结论可以看出,当两个变量相关的 ρ0\rho\neq 0 时, E(X2x1)E(X_2|x_1)x1x_1 的线性函数,并且 ρ\rho 是斜率。并且此时条件方差是不依赖于条件的。条件方差比边缘概率的方差小,也就是说 Var(X1X2=x2)<σ2Var(X_1|X_2=x_2)< \sigma_2 .


    这里可以简单的给个🌰 的大概描述:
    在一群人中进行建模,得到一个身高和体重的二维联合分布,是正态分布。已知一个人的身高预测他的体重,和不知道身高预测体重,是完全不同的两个过程,一个是条件期望,一个是边缘分布的期望,因为两个随机变量相关,所以必然用条件期望更准确一些(误差更小一点)。


    Linear Combination

    线性组合我们只证明一个定理:

    Theorem Linear Combination of Bivariate Normals.Suppose that two random variables X1X_1 and X2X_2 have a bivariate normal distribution ,for which the p.d.f is specified by Eq.(5.10.2).Let Y=a1X1+a2X2+bY=a_1X_1+a_2X_2+b ,where a1,a2a_1,a_2 and bb are arbitrary given constants .Then YY has the normal distribution with mean a1μ1+a2μ2+ba_1\mu_1+a_2\mu_2+b and variance
    a12σ12+a22σ22+2a1a2ρσ1σ2 a_1^2\sigma_1^2+a_2^2\sigma_2^2+2a_1a_2\rho\sigma_1\sigma_2

    当两个变量的联合分布是双变量正态分布的时,其和是一个正态分布,并且期望和方差满足上述关系。

    证明:

    1. 依据双变量正态分布的定义,我们可以用 Z1Z_1Z2Z_2 的线性组合来表示 X1X_1X2X_2 的线性组合。
    2. Z1Z_1Z2Z_2 独立(已知条件)
    3. YY 可以表示成Z1Z_1Z2Z_2 的线性组合
    4. 根据5.6中推论 Y还是正态分布,并且期望为:
      E(Y)=a1E(X1)+a2E(X2)+b=a1μ1+a2μ2+b \begin{aligned} E(Y)&=a_1E(X_1)+a_2E(X_2)+b\\ &=a_1\mu_1+a_2\mu_2+b \end{aligned}
    5. 根据4.6 中的推论: Var(Y)=a12Var(X1)+a22Var(X2)+2a1a2Cov(X1,X2)Var(Y)=a_1^2 Var(X_1)+a_2^2 Var(X_2)+2a_1a_2 Cov(X_1,X_2)
    6. 证毕

    总结

    给出了两个变量的正态分布的定义(这个定理中给出了双变量正态分布的所有有用性质的根本),双变量正态分布的性质的证明主要用到这个定理(本篇第一个定理),所以本篇第一个定理是关键中的关键。

    展开全文
  • 正态分布及其性质

    万次阅读 多人点赞 2015-08-20 13:43:41
    正态分布也称为高斯分布。客观世界中很多变量都服从或近似服从正态分布,且正态分布具有很好的数学性质,所以正态分布也是人们研究最多的分布之。本文对正态分布性质做归纳总结,方便日后查找。

    正态分布也称为高斯分布。客观世界中很多变量都服从或近似服从正态分布,且正态分布具有很好的数学性质,所以正态分布也是人们研究最多的分布之一。本文对正态分布的性质做归纳总结,方便日后查找。

    一、单变量正态分布
    单元正态分布的概率密度函数为:

    p(x)=12πσexp{12(xμσ)2}(1)

    其中,x为随机变量,μx的期望,σx的标准差,σ2x的方差,记作:N(μ,σ2),即:
    μ=E{x}=xp(x)dx(2)

    σ2=(xμ)2p(x)dx(3)

    μ=0,σ2=1时称为标准正态分布
    其图像就长成这个样子:
    正态分布图像
    单元正态分布有以下规律:

    1. σ越大,图形越扁平,数据分散程度越大;σ越小,图形越瘦高,数据分散程度越小。
    2. 约69.27%的样本落在(μσ,μ+σ)之间
    3. 约95%的样本落在(μ2σ,μ+2σ)之间
    4. 约99%的样本落在(μ3σ,μ+3σ)之间

    二、多元正态分布
    多元的正态分布看起来是有点复杂啦,性质也比较多,小编记不住,只好烂笔头啦。
    1.概率密度函数
    多元正态分布的概率密度函数是:

    p(x)=1(2π)d2|Σ|12exp{12(xμ)TΣ1(xμ)}(4)

    这个式子看起来很复杂,不过一般是不用记住,但是要了解里面各项的含义:
    x=[x1,x2,,xd]Td维列向量,也是变量;
    μ=[μ1,μ2,,μd]Td维均值向量;
    Σd×d维协方差矩阵,Σ1Σ的逆矩阵,|Σ|Σ的行列式;
    向量(xμ)T是向量(xμ)的转置。

    更具体的说,对于以上变量中的每一项:

    μi=E{xi}=xip(xi)dxi(5)

    p(xi)=p(x)dx1dx2dxi1dxi+1dxd(6)

    σij=E[(xiμi)(xjμj)]=(xiμi)(xjμj)p(xi,xj)dxidxj(7)

    Σ=σ11σ12...σ1dσ12σ22...σ2d............σ1dσ2d...σdd(8)

    可以看到,xi的方差就是对角线身上的元素σii=σ2i,非对角线上的元素σijxixj的协方差。
    2.多元正态分布的性质
    多元正态分布有很多易于分析的性质,这里就对几个常用的性质进行说明。
    (1)参数的决定性
    由定义公式(4)可以看出,整个分布是由参数μΣ决定的,同时μ中有d个参数(因为是d维向量),Σ之中的独立元素是d(d+1)2(因为Σ是对称矩阵),所以整个分布是由d+d(d+1)2个元素决定的。
    (2)不相关性等价于独立性
    一般来说,如果两个随机变量xi,xj之间不相关,并不能说明它们之间独立。若xi,xj相互独立则两者一定不相关,反之则不成立。两者定义如下:
    {E{xixj}=E{xi}E{xj}p{xixj}=p{xi}p{xj}xi,xjxi,xj

    但,对于多元正态分布,对任意两个分量xi,xj,若两者不相关,则两者一定独立。换句话说,在正态分布中,不相关性等价于独立性。
    (3)多元正态分布的边缘分布和条件分布仍然是正态分布
    (4)多元正态随机向量的线性变换仍然为多元正态分布的随机向量
    即:若x=[x1,x2,,xd]T为正态分布随机变量,y=Ax且A是非奇异线性变换矩阵,则y也是正态分布,且均值为Aμ,协方差矩阵为AΣAT
    (5)线性组合保持正态性
    x是多元正态随机向量,α是与x同维的向量,则y=αTx是一维的正态随机变量。

    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 线性变换法解法二 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段漂亮的代码片生成个适合你...

    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. +ex2dx=π(1)\int _{-\infty}^{+\infty}{e^{-x^2}dx}=\sqrt{\pi} \tag{1}
    2. f(x,y)=12πσXσY1ρ2exp(12(1ρ2)[(xμX)2σX22ρ(xμX)(yμY)σXσY+(yμY)2σY2]) 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)
    3. E(aX+b)=aE(X)+b(2)E(aX+b) = aE(X)+b \tag{2}
    4. E(x)=+xf(x)dx(3)E(x) = \int _{-\infty}^{+\infty}xf(x)dx \tag{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)}1进行计算,为了便于计算,这里给出一个广义的版本
      +ea(x+b)2dx=πa(4) \int _{-\infty }^{+\infty }e^{-a(x+b)^{2}}\,dx={\sqrt {\frac {\pi }{a}}} \tag{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)=12πσXσY1ρ2exp[12(1ρ2)(yμYσYρxμXσX)2(xμX)22σX2] 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]

    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)的计算结果

    解法一 线性变换法

    题目已经给出了提示
    max(X,Y)=X+Y+XY2max(X,Y) = \frac{X+Y+|X-Y|}{2}
    E(max(X,Y))=12E(X)+12E(Y)+12E(XY)=12μX+12μY+12E(XY)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|)

    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)
    方差为D(X±Y)=D(X)+D(Y)±2E[(XE(X))(YE(Y))]=D(X)+D(Y)±2ρσXσYD(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}
    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

    12E(Z)=12+zf(z)dz=0+z2πσZexp(z22σZ2)dz=σZ2π\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}}

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

    代入本题的数据可得
    E(max(X,Y))=2+1ρπE(max(X,Y))=2+\sqrt{\frac{1-\rho}{\pi}}

    解法二 积分法

    直接莽就完事了,强行积分
    E(max(x,y))=++max(x,y)f(x,y)dxdyE(max(x,y))=\int_{-\infty}^{+\infty}{\int_{-\infty}^{+\infty}{max(x,y)f(x,y)dxdy}}
    =x>yxf(x,y)dxdy+y>xyf(x,y)dxdy=\int{\int_{x>y}{xf(x,y)dxdy}}+\int{\int_{y>x}{yf(x,y)dxdy}}
    =x>y(x2+2)f(x,y)dxdy+y>x(y2+2)f(x,y)dxdy=\int{\int_{x>y}{(x-2+2)f(x,y)dxdy}}+\int{\int_{y>x}{(y-2+2)f(x,y)}dxdy}
    =2++f(x,y)dxdy+x>y(x2)f(x,y)dxdy+y>x(y2)f(x,y)dxdy=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}}
    可以看出第一项等于2,第二三项xxyy可以轮换,所以只计算一个即可,这里进行换元积分
    u=x2,v=(y2)ρ(x2)1ρ2变量代换u=x-2,v=\frac{(y-2)-\rho{(x-2)}}{\sqrt{1-\rho^2}}
    J(u,v)=(x,y)(u,v)=1ρ2则J{ \left( {u,v} \right) }=\left|\frac{{ \partial { \left( {x,y} \right) }}}{{ \partial { \left( {u,v} \right) }}} \right|=\sqrt{1-\rho^2}
    2x>y(x2)f(x,y)dxdy=1πu>1+ρ1ρvuexp(u2+v22)dudv2\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}}
    =1π+exp(u2+v22)1+ρ1ρv+dv=+exp(1+ρ1ρv2+v22)dv=\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
    =1π+exp(v21ρ)dv=1π(1ρ)π=1ρπ=\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}}
    E(max(x,y))=2+1ρπ所以E(max(x,y))=2+\sqrt{\frac{1-\rho}{\pi}}

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

    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erf(x)=1πxxex2dxerf(x) = \frac{1}{\sqrt\pi}\int_{-x}^{x}e^{-x^2}dx这里不展开讨论 ↩︎

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

    展开全文
  • 在正式开始之前,还是把维基百科上面的科普拎出来过正态分布又名高斯分布,是个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。1. 正态分布的定义如果对于任何实数a&...
  • 连续型概率分布——正态分布(二

    万次阅读 多人点赞 2018-05-24 21:04:27
    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(μ1,μ2,σ1²,σ2²,ρ) 二维正态分布的密度函数如下图 显然f(x,y)>=0 可以验证 2. 关于二维正态分布,需掌握如下...
  • 本节目录正态分布和相关定义一元正态分布性质多元正态分布性质正态分布和相关定义首先是个重要的积分, 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...
  • 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...
  • 一,设为p维随机向量,则X服从p元正态分布的充要条件是:对任一p维实向量a ,是一维正态随机变量。 (简单好用的定理,举反例证明的线性组合不服从正态分布,就可证明X不服从p元正态分布) 二,设为p维随机向量 ,...
  • 多维正态分布与图形识别

    千次阅读 2018-01-08 19:06:49
    什么是正态分布一维正态分布下的识别与匹配二维正态分布下的识别与匹配多维正态分布一个图形匹配实际问题 写在后面 多维正态分布与图形识别 对一维,二维,多维正态分布的理解从图形识别角度
  • 一维正态分布推广到多维正态分布推导过程中会加入推导所必需的理论从一维标准正态分布说起, ,其概率密度函数为 二维标准正态分布的概率密度函数为: 维标准正态分布的概率密度函数为:(其中 ) 接下来我们需要将...
  • 正态分布

    千次阅读 2018-05-29 21:33:21
    高斯分布的特例是正态分布,而正态的英文单词是“mormal”,意思是“常见的”,主要是因为这种分布能恰当代表多种多样的数据类型。如我们的考试成绩、身高统计等等很多数据都符合正态分布。所以,在数学、物理、...
  • 【编者注】几乎所有的经济模型都有假设前提,学过计量经济学的同学都知道古典假设,而正态分布又在假设中占有十分重要的作用,小编偶然间在我爱自然语嫣处理这个博客中发现了《正态分布前世今生》的系列文章,文章以...
  • 【编者注】几乎所有的经济模型都有假设前提,学过计量经济学的同学都知道古典假设,而正态分布又在假设中占有十分重要的作用,小编偶然间在我爱自然语嫣处理这个博客中发现了《正态分布前世今生》的系列文章,文章以...
  • 正态分布 高斯分布(数学)

    千次阅读 2020-04-26 20:57:49
    正态分布(Normal distribution),也称高斯分布(Gaussian distribution) 目录 [隐藏] 1什么是正态分布 2正态分布的发展 3正态分布的主要特征 ... 正态分布种概率分布...
  • R的正态分布函数

    万次阅读 2016-10-18 21:47:33
    一维正态分布 若随机变量 服从一个位置参数为 、尺度参数为 的概率分布,且其概率密度函数为 则这个随机变量就称为正态随机变量,正态随机变量服从的分布就称为正态分布,记作 ,读作 服从 ,或 服从...
  • 多元正态分布性质和定理

    千次阅读 2018-04-11 22:38:56
    X_n]^T服从多元高斯分布,均值为μ∈Rnμ∈Rn\mu \in R^n(这里μμ\mu是个n向量),协方差矩阵为Σ∈S++nΣ∈S++n\Sigma \in {S_{++}}^n ,(S++nS++n{S_{++}}^n 是对称的正定矩阵),概率密度函数: p(x;μ,Σ)...
  • 在学习高斯判别分析(Gaussian discriminant analysis)时,出现了n元正态分布的密度函数,函数中出现了矩阵,弄得大家一头雾水。其实这个公式在大部分概率论书籍中都没有提到,不过,简要推导一下,就可以得到结果...
  • 概率论:高斯/正态分布

    万次阅读 多人点赞 2015-10-30 20:31:21
    正态分布(高斯分布) 若随机变量X服从个数学期望为μ、方差为σ^2的高斯分布,记为N(μ,σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。 正态随机变量概率密度函数 ...
  • 正态分布种常见的分布,而我们生成符合正态分布的随机数,或者说将域收敛到正态分布,都是指的当前某个变量的所有数合到一起符合正态分布,不要混淆成其他含义。 例子 已知,Python 中 torch.randn 会生成均值为...
  • 概率笔记12——多维正态分布的最大似然估计

    万次阅读 多人点赞 2019-08-19 19:33:18
    我们在前面的章节中见识过二维正态分布,(X,Y)服从参数为μ1, μ2, σ1, σ2, ρ的二维正态分布,记作(X, Y)~N(μ1, μ2, σ1, σ2, ρ),它的密度函数:  其中μ1是第1维度的均值,σ12是第1维度的方差,ρ是将...
  • 正态分布&&切比雪夫不等式

    千次阅读 2018-01-28 13:07:27
    百度百科:https://baike.baidu.com/item/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83/829892?fr=aladdin ... 一维正态分布 若随机变量   服从一个位置参数为   、尺度参数为   的概率分布,且其概率
  • 正态分布3σ原则

    2021-06-23 09:14:26
    正态分布是具有两个参数μ(数学期望)和σ2(标准差)的连续型随机变量的分布,第参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差,所以正态分布记作N(μ,σ2 )。遵从正态分布的随机...
  • 透彻理解多元正态分布

    千次阅读 多人点赞 2020-03-14 14:50:52
    多元正态分布就是含有多个变量的正态分布,为什么关于多元正态分布要专门写篇学习笔记?因为其具有重要意义,在理论研究或者实际应用中,我们常会首先考虑多元正态分布是否适用,如果不符,再考虑其他类型的分布。...
  • 各种各样的分布函数-多维正态分布

    千次阅读 2020-04-04 21:07:32
    首先了解一下二维正态分布(没有学概率论正态分布了解限于高中知识) 二维正态分布 设(X,Y)设(X,Y)设(X,Y)~N(μ1,σ12;μ2,σ22;ρ)N(\mu_1,\sigma^2_1;\mu_2,\sigma^2_2;\rho)N(μ1​,σ12​;μ2​,σ22​;ρ) (1) ...
  • 正态分布的介绍

    2018-04-24 15:58:00
    正态分布常记作N(),其正态分布函数:f(x)=,x∈(-∞,+∞). 把N(0,1)称为标准正态分布,相应的函数表达式:f(x)=,x∈(-∞,+∞). 2.正态图象的性质: ①曲线在x轴的上方,与x轴不相交. ②曲线关于直线x=μ对称. ③...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,228
精华内容 2,091
关键字:

一维正态分布的性质