多维随机变量

2020-06-13  本文已影响0人  忻恆

二维随机变量

F(x, y)= P{X<=x, Y<=y}, 称为 X 和 Y 的联合分布函数

边缘分布

二维变量的变量都有各自的分布函数,称为二维变量(X,Y)关于 X 和 Y的边缘分布函数,

F_x(x) = F(x, \infty) = \sum_{x_i\leq x}^{\infty} \sum_{j=1}^{\infty} p_{ij}

注意标号,p_{i \cdot} 表示 \sum_{j=1}^{\infty} p_{ij}

条件分布

P(X=x_i,Y=y_j) = \frac {p_{ij}} {p_{\cdot j}}

相互独立:F(x,y) = F_X(x)F_Y(y)

二维正态随机变量(X,Y)相互独立的充要条件是 \rho = 0

数学特征

数学期望,方差,标准差

D(X) = E(X^2) - E(X)^2

切比雪夫不等式

只知道(X)和D(X),估计P{|X-E(X)| < \varepsilon \geq 1 - \frac{\sigma ^2}{\varepsilon ^2}

协方差

Cov(X, Y) = E{[X - E(X][Y - E(Y)]}

等于 0 时, X 和 Y 互相独立。

相关系数 

\rho _{XY} = \frac {Cov(X, Y)} {\sqrt{D(X)}\sqrt{D(Y)}}

若 ( X, Y)服从二维正态分布,则 X 和 Y 互相独立的充要条件为 X 和 Y 不相关。

矩, 协方差矩阵

k 阶原点矩

 E(X^k)

k 阶中心距

 E([X-E(X)]^k)

k+l混合矩 

k+l混合中心距 E([X-E(X)]^k[Y-E(Y)]^l)

二维变量有四个二阶中心矩,分别为:

c_{11} = E\{ [ X-E(X) ] ^2 \}

c_{12} = E\{ [ X-E(X) ] [ Y-E(Y) ] \}

c_{21} = E\{ [ X-E(X) ] [ Y-E(Y) ] \}

 c_{22} = E\{ [ Y-E(Y) ] ^2 \}

\begin {pmatrix} c_{11} c_{12}\\c_{21} c_{22}\end {pmatrix}称为协方差矩阵, 对称矩阵

正态随机变量特征

1、每个分量都是正态随机变量;

2、随机变量的线性组合服从正态分布;

3、线性变换不改变正态分布特性;

4、相互独立 == 两两不相关。

上一篇 下一篇

猜你喜欢

热点阅读