概率论与数理统计学习笔记——第二十五讲——Z=X+Y的分布

关于本科概率论内容的复习与总结

Z=X+Y 的分布 设(X,Y)的概率密度为f(x,y)，则Z=X+Y的分布函数为： 故Z=X+Y的概率密度为： 由X，Y的对等性，fZ(z)f_{Z}(z)fZ​(z) 又可写成 卷积公式： 如果X和Y相互独立时，Z=X+Y的密度函数公式称为卷积公式即： fZ(z)＝∫−∞+∞fX(z−y)fY(y)dy=∫−∞+∞fX(x)fY(z−x)dxf_{Z}(z)＝\int^{+\infty}_{-\infty}f_{X}(z-y)f_{Y}(y)dy=\int^{+\infty}_{-\infty}f

今天听概率论的一个问题:求一个两点分布X和一个a,b(a=0,b=1)上的均匀分布Y的和Z的分布情况,求解过程有点麻烦,感觉画下图可能做的更简单点.于是就异想天开的乱画。     画着画着,我突然想,这个两点分布可不可以看成两个高度为各自概率,位置为X的两个单位冲激呢?即      1/2§(x)+1/2§(x-1)  均匀分布则可以看成阶跃函数:       1/(a+b) [u(y

DATA SEGMENTX DW 20HY DW 12HZ DW ?DATA ENDSSTACK1 SEGMENT PARA STACKDB 10H DUP(0)STACK1 ENDSCODE SEGMENTASSUME CS:CODE,DS:DATASTART:MOV AX,DATAMOV DS,AXMOV AX,XADD AX,YSAL AX,1MOV BX,AXMOV CL,2SAL AX,...

今天写一个比较简单也比较常用的内容——相关系数。相关系数，并不是一个陌生的概念，因为高中的时候好像就学过了。只不过那个时候没有讲太深入，当然啦，我这篇笔记也不会讲得多深入，能力达不到嘛。理解一下，会用就好。相关系数，其实就是衡量两个变量之间相关性的大小的指标，常用的相关系数有两种，一种是pearson相关系数，也就是《概率论与数理统计》这本书里提到的，平时最为常用的相关系数。另一种称之为spear...

第三章 概率与信息论 概率论使我们能够提出不确定的声明以及在不确定性存在的情况下进行推理 信息论使我们能够量化概率分布中的不确定性总量 在人工智能领域，概率论主要有两种用途 概率法则告诉我们AI系统如何推理，据此我们设计一些算法来计算或者估算由概率论导出的表达式 可以用概率和统计从理论上分析我们提出的AI系统的行为 为什么要使用概率 这是因为机器学习通常必须处理不确定量，有时也可能需要处理随机...

目录1、数据分析概述1.1 什么是数据分析1.2 数据分析六部曲1.2.1 明确分析目的和内容1.2.2 数据收集1.2.3 数据预处理1.2.4 数据分析1.2.5 数据展现1.2.6 报告撰写1.3 数据分析方法简介1.3.1 统计分析方法简介1.3.1.1 描述性统计分析1.3.1.2 回归分析1.3.1.3 对应分析1.3.1.4 因子分析1.3.1.5 方差分析1.3.2 数据挖掘方法...

Large Margin Classification 支持向量机(Support vector machine)通常用在机器学习 (Machine learning)。是一种监督式学习 (Supervised Learning)的方法，主要用在统计分类 (Classification)问题和回归分析 (Regression)问题上。支持向量机属于一般化线性分类器，也可以被认为是提克洛夫规范化（Ti

概率论–Z=X+YZ=X+YZ=X+Y 的分布 提出问题： Z=X+YZ=X+YZ=X+Y时，fZ(z)=∫−∞+∞f(x,z−x)dxf_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)dxfZ​(z)=∫−∞+∞​f(x,z−x)dx是如何推导出的？ 背景： 概率论中多维随机变量及其分布板块，若X,YX,YX,Y均为连续型随机变量，FZ(z)F_Z(z)FZ​(z)的求法，可用公式 特别的，当Z=X+YZ=X+YZ=X+Y 时， 由此可得Z=X+YZ=X+YZ=X+Y的概率

从一些例题讨论。如何求分布函数：Z=离散X+连续Y，Y=F(X)，最大值/最小值函数，绝对值函数？同分布的含义？求抽样分布的方法？

分布函数（英文Cumulative Distribution Function, 简称CDF），是概率统计中重要的函数，正是通过它，可用数学分析的方法来研究随机变量。分布函数是随机变量最重要的概率特征，分布函数可以完整地描述随机变量的统计规律，并且决定随机变量的一切其他概率特征。从事件到函数　　我们已经很清楚函数的概念，g = g(x)是一个典型的函数，输入数据经过g(x)的处理后得到了一个新的输...

第一步：确定是用dx还是dy 下面对应两种选择 ①选择的是dx 第二步：通过题目给出的y的范围，求得z的范围 第三步：通过x和z的范围画出关于x-z的图像，以z为纵轴 第四步：列出定积分求得 ②选择的是dy 第二步：通过题目给出的x的范围，求得z的范围 第三步：通过y和z的范围画出关于y-z的图像，以z为纵轴 第四步：列出定积分求得 例子：下图（选择的是dx） 疑惑：1.至于第四步怎么得出的x的上下限， 2.还有为什么要分为0<z<1和1=<z<2 答：1.从x轴正向看 (即从左往右

因为关于二维随机变量主题内容重要，难度大，例题多，最主要是积分区间的确定是难点，同时关联卷积概念，卷积公式容易，积分区间难以确定，因为书上的例题都没有详细解释积分区间如何确定，所以分成上中下三篇博客写。 接本主题（上）。 求二维函数Z=g(X,Y)型，用卷积公式求概率密度，积分区域如何确定（中） #### ======= 【例二】 设二维随机变量(X,Y)的概率密度为f(x...

一、条件分布 1、分布律 2、分布函数 概率密度函数： 3、条件概率密度 二、相互独立的随机变量 1、定义 ① ② X、Y独立的充要条件 即： 三、两个随机变量函数的分布 1、离散型随机变量函数的分布 例： 求X+Y的分布律 ①、解法1 先求X+Y的值 ②、解法2 X、Y分布律等价于： 所以 X+Y分布律为： 2、连续型随机变量函数的分布 (1)、一般解题步骤 (2)、Z=X+Y 当X、Y独立时 注：有限个相互独立的正态随机变量的线性组合仍然服从正态分布 (2)、M=max

数学

一、多维随机变量及其分布 1.二维随机变量 根据随机变量的定义我们知道它其实是关于样本空间的函数，同样，二维随机变量也是关于样本空间的函数。只不过这里是关于样本空间的两个函数。比如样本空间是某地区全部学龄前儿童，那么它们的身高和体重就是关于样本空间的两个函数(或称映射)，所以它们也是定义在样本空间S上的两个随机变量。 一般来讲，多维的随机变量都是关于一个样本空间的。在机器学习中，常用多维随机变量描述一个事物的多重属性，然后用统计学知识(如朴素贝叶斯、贝叶斯网络)解决实际问题(如将事物进...