多元概率分布 Multivariate Probability Distributions

DreamABCDEF

已于 2023-06-30 16:51:44 修改

阅读量436

点赞数 1

文章标签：概率论

于 2023-06-30 16:39:50 首次发布

本文链接：https://blog.csdn.net/DreamABCDEF/article/details/131475989

版权

本文介绍了二元和多元概率分布的概念，包括离散和连续随机变量的联合分布函数和概率密度函数。讨论了边缘概率分布和条件概率分布的重要性，以及如何计算。此外，还涉及独立随机变量的定义，协方差和相关系数在衡量变量间关系中的作用。

摘要由CSDN通过智能技术生成

二元和多元概率分布 Bivariate and Multivariate Probability Distributions

边缘概率分布和条件概率分布 Marginal and Conditional Probability Distributions

边缘概率分布和条件概率分布的意义是什么？

边缘分布的定义 Marginal probability and density functions

条件离散概率函数的定义 Conditional discrete probability function

条件分布函数的定义 Conditional distribution function

条件密度的定义 Conditional density

独立随机变量 Independent Random Variables

随机变量的函数的期望值 The Expected Value of a Function of Random Variables

一些计算用的定理 Special Theorems

协方差 The Covariance of two random variables

协方差的定义

条件期望 Conditional Expectations

二元和多元概率分布 Bivariate and Multivariate Probability Distributions
- 这些联合分布的意义是什么？
  - 计算同时满足两个或多个条件的概率。
- 离散随机变量
  - Y1和Y2是离散随机变量，那么Y1和Y2的联合或二元概率函数（joint or bivariate probability function）是 $p(y_1, y_2)=P(Y_1=y_1, Y_2=y_2), -\infty <y_1<\infty, -\infty<y_2<\infty$ 。
  - 联合概率函数的两个性质：
    - 对于所有y1和y2， $p(y_1, y_2)\geq 0$
    - $\sum_{y_1, y_2}p(y_1, y_2)=1$
  - Y1和Y2是离散随机变量，那么Y1和Y2的联合或二元分布函数（joint or bivariate distribution function）是 $F(y_1, y_2)=P(Y_1\leq y_1, Y_2\leq y_2)=\sum_{t_1 \leq y_1}\sum_{t_2 \leq y_2} p(t_1, t_2), -\infty <y_1<\infty, -\infty<y_2<\infty$ 。
- 连续随机变量
  - Y1和Y2是连续随机变量，其联合分布函数是F(y1, y2)。若存在一个非负函数f(y1, y2)满足 $F(y_1, y_2)=\int_{-\infty}^{y_1}\int_{-\infty}^{y_2}f(t_1, t_2)dt_2dt_1, -\infty<y_1<\infty, -\infty<y_2<\infty$ ，则称Y1和Y2是联合连续随机变量，f(y1, y2)是联合概率密度函数(joint probability density function)。
  - 联合pdf性质：
    - 对于所有y1和y2， $f(y_1, y_2)\geq 0$
    - $\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(y_1, y_2)dy_1dy_2=1$
- 联合分布函数性质
  - $F(-\infty,-\infty)=F(-\infty, y_2)=F(y_1, -\infty)=0$
  - $F(\infty, \infty)=1$
  - 如果y1*>=y1以及y2*>=y2，那么 $F(y^*_1, y^*_2)-F(y^*_1, y_2)-F(y_1, y^*_2)+F(y_1, y_2) \geq0$
边缘概率分布和条件概率分布 Marginal and Conditional Probability Distributions
- 边缘概率分布和条件概率分布的意义是什么？
- 边缘分布的定义 Marginal probability and density functions
- 条件离散概率函数的定义 Conditional discrete probability function
- 条件分布函数的定义 Conditional distribution function
- 条件密度的定义 Conditional density
独立随机变量 Independent Random Variables
- Y1和Y2独立的充要条件：
  - $F(y_1, y_2)=F(y_1)F(y_2)$
  - $p(y_1, y_2)=p(y_1)p(y_2)$ 或者 $f(y_1, y_2)=f(y_1)f(y_2)$
  - 特例：优点是不用去算具体的marginal density，
    - 具体：
随机变量的函数的期望值 The Expected Value of a Function of Random Variables
一些计算用的定理 Special Theorems
- $E(c)=c$
- $E[cg(Y_1, Y_2)]=cE[g(Y_1, Y_2)]$
- $E[g_1(Y_1, Y_2)+...+g_k(Y_1, Y_2)]=E[g_1(Y_1, Y_2)]+...+E[g_k(Y_1, Y_2)]$
- $E[g(Y_1) h(Y_2)]=E[g(Y_1)]E[h(Y_2)]$
协方差 The Covariance of two random variables
- 协方差的定义
  - Y1和Y2是两个随机变量，其期望值分别为μ1和μ2，那么它们的协方差(covariance)的定义是。
    - 绝对值越大越相关。
    - 正的就是正相关，负的就是负相关。
    - 0就是不相关 -> Y1，Y2是独立的。
- 相关系数的定义
  - 协方差标准化后得到相关系数(correlation coefficients)，值域是[-1, 1]。
    - 绝对值越大越相关。
    - 正的就是正相关，负的就是负相关。
    - 0就是不相关 -> Y1，Y2是独立的。
随机变量线性方程的期望和方差 The Expected Value and Variance of Linear Functions of Random Variables
条件期望 Conditional Expectations