数学期望和联合概率密度

数学期望的定义

数学期望是描述随机变量平均趋势的一个重要统计量。根据随机变量的类型(离散或连续),数学期望的定义有所不同。

  1. 离散型随机变量的数学期望

    若离散型随机变量 X X X取值为 x 1 , x 2 , … , x n , … x_1,x_2,\dots,x_n,\dots x1,x2,,xn,,且对应的概率为 P ( X = x i ) = p i P(X=x_i)=p_i P(X=xi)=pi,则 X X X的数学期望 E ( X ) E(X) E(X)定义为:

    E ( X ) = ∑ i x i p i E(X)=\sum_{i}x_i p_i E(X)=ixipi

  2. 连续型随机变量的数学期望

    若连续型随机变量 X X X的概率密度函数为 f ( x ) f(x) f(x),则 X X X的数学期望 E ( X ) E(X) E(X)定义为:

    E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x E(X)=\int_{-\infty}^{+\infty}x f(x)\,dx E(X)=+xf(x)dx

数学期望反映了随机变量在概率意义上的“平均”值。

联合概率密度的定义

联合概率密度函数用于描述两个或多个连续随机变量的联合分布情况。

  1. 二维连续随机变量的联合概率密度函数

    X X X Y Y Y是两个连续随机变量,联合概率密度函数 f ( x , y ) f(x,y) f(x,y)满足以下性质:

    • 非负性 f ( x , y ) ≥ 0 f(x,y)\geq0 f(x,y)0,对于所有 x x x y y y

    • 归一化:在整个定义域 D D D上积分为1,即:

      ∬ D f ( x , y ) d x d y = 1 \iint_{D}f(x,y)\,dx\,dy=1 Df(x,y)dxdy=1

    • 概率计算:对于区域 A ⊆ D A\subseteq D AD,随机变量 ( X , Y ) (X,Y) (X,Y)落入该区域的概率为:

      P ( ( X , Y ) ∈ A ) = ∬ A f ( x , y ) d x d y P((X,Y)\in A)=\iint_{A}f(x,y)\,dx\,dy P((X,Y)A)=Af(x,y)dxdy

  2. 高维情况下的联合概率密度

    类似地,对于 n n n个连续随机变量 X 1 , X 2 , … , X n X_1,X_2,\dots,X_n X1,X2,,Xn,联合概率密度函数 f ( x 1 , x 2 , … , x n ) f(x_1,x_2,\dots,x_n) f(x1,x2,,xn)满足非负性、归一化条件,并可用于计算特定区域内的概率。

联合概率密度函数提供了对两个或多个随机变量之间关系的描述,帮助我们分析它们的联合分布和相依性。

数学期望例题

在这里插入图片描述
根据题目中的分布律,随机变量 X X X的取值以及相应的概率 P P P已知。要求的是数学期望 E ( X 2 ) E(X^2) E(X2),即 X 2 X^2 X2的期望值。

数学期望 E ( X 2 ) E(X^2) E(X2)的计算公式是:

E ( X 2 ) = ∑ ( X i 2 ⋅ P ( X i ) ) E(X^2)=\sum(X_i^2\cdot P(X_i)) E(X2)=(Xi2P(Xi))

根据表格中的数据:

  • X = − 1 X=-1 X=1时, X 2 = ( − 1 ) 2 = 1 X^2=(-1)^2=1 X2=(1)2=1,概率 P = 0.4 P=0.4 P=0.4
  • X = 0 X=0 X=0时, X 2 = 0 2 = 0 X^2=0^2=0 X2=02=0,概率 P = 0.3 P=0.3 P=0.3
  • X = 1 X=1 X=1时, X 2 = 1 2 = 1 X^2=1^2=1 X2=12=1,概率 P = 0.2 P=0.2 P=0.2
  • X = 2 X=2 X=2时, X 2 = 2 2 = 4 X^2=2^2=4 X2=22=4,概率 P = 0.1 P=0.1 P=0.1

所以:

E ( X 2 ) = ( 1 × 0.4 ) + ( 0 × 0.3 ) + ( 1 × 0.2 ) + ( 4 × 0.1 ) E(X^2)=(1\times0.4)+(0\times0.3)+(1\times0.2)+(4\times0.1) E(X2)=(1×0.4)+(0×0.3)+(1×0.2)+(4×0.1)

我们可以进行计算:

E ( X 2 ) = 0.4 + 0 + 0.2 + 0.4 = 1.0 E(X^2)=0.4+0+0.2+0.4=1.0 E(X2)=0.4+0+0.2+0.4=1.0

因此,数学期望 E ( X 2 ) = 1.0 E(X^2)=1.0 E(X2)=1.0

联合概率密度例题

在这里插入图片描述

  1. 设定积分
    由于联合概率密度函数 f ( x , y ) = a x e − ( x 2 + y ) f(x,y)=ax e^{-(x^2+y)} f(x,y)=axe(x2+y),我们要求解常数 a a a的值,使得联合概率密度函数在整个定义域上的积分等于1:

    1 = ∬ D f ( x , y ) d x d y 1=\iint_{D}f(x,y)\,dx\,dy 1=Df(x,y)dxdy

  2. 分解积分区域
    将双重积分分解为对 y y y的积分和对 x x x的积分:

    1 = ∫ 0 + ∞ ∫ 0 + ∞ a x e − ( x 2 + y ) d x d y 1=\int_{0}^{+\infty}\int_{0}^{+\infty}ax e^{-(x^2+y)}\,dx\,dy 1=0+0+axe(x2+y)dxdy

  3. x x x积分
    在答案中,通过对 x x x积分,得出:

    ∫ 0 + ∞ a x e − ( x 2 + y ) d x = − a 2 ∫ 0 + ∞ e − ( x 2 + y ) d [ − ( x 2 + y ) ] \int_{0}^{+\infty}ax e^{-(x^2+y)}\,dx=-\frac{a}{2}\int_{0}^{+\infty}e^{-(x^2+y)}\,d\left[-\left(x^2+y\right)\right] 0+axe(x2+y)dx=2a0+e(x2+y)d[(x2+y)]

    然后再进一步计算得到:

    = − a 2 ∫ 0 + ∞ − e − y d y = a 2 =-\frac{a}{2}\int_{0}^{+\infty}-e^{-y}\,dy=\frac{a}{2} =2a0+eydy=2a

  4. 最终结果
    通过积分得到 a = 2 a=2 a=2

因此,根据步骤可以验证该结果的正确性,即最终答案 a = 2 a=2 a=2

MATLAB实现

在 MATLAB 中,可以利用积分函数来求解期望和联合概率密度。以下是如何计算期望和联合概率密度的代码示例。

1. 计算期望值

假设随机变量 X X X的概率密度函数为 f ( x ) f(x) f(x),期望值 E ( X ) E(X) E(X)可以通过积分来计算。

例如,对于概率密度函数 f ( x ) = x ⋅ e − x f(x)=x\cdot e^{-x} f(x)=xex(定义域 x ≥ 0 x\geq0 x0),我们可以计算期望 E ( X ) E(X) E(X)

syms x
f_x = x * exp(-x); % 定义概率密度函数
E_X = int(x * f_x, x, 0, inf); % 计算期望
disp('期望 E(X) 为:')
disp(E_X)

在上面的代码中:

  • syms x 用于定义符号变量 x x x
  • int 函数对 x ⋅ f ( x ) x\cdot f(x) xf(x) [ 0 , + ∞ ) [0,+\infty) [0,+)上积分,得到期望。

2. 计算联合概率密度函数积分

假设 X X X Y Y Y是两个连续随机变量,其联合概率密度函数为 f ( x , y ) f(x,y) f(x,y)。我们可以通过对 x x x y y y积分来验证归一化条件(积分为1)。

例如,对于联合概率密度函数 f ( x , y ) = a ⋅ x ⋅ e − ( x 2 + y ) f(x,y)=a\cdot x\cdot e^{-(x^2+y)} f(x,y)=axe(x2+y),其中 x ≥ 0 x\geq0 x0 y ≥ 0 y\geq0 y0

syms x y a
f_xy = a * x * exp(-(x^2 + y)); % 定义联合概率密度函数
integral_result = int(int(f_xy, x, 0, inf), y, 0, inf); % 对x和y分别积分
disp('联合概率密度函数的积分为:')
disp(integral_result)

在上面的代码中:

  • syms x y a 定义了符号变量 x x x y y y和常数 a a a
  • 嵌套的 int 函数用于先对 x x x积分,再对 y y y积分,得到联合概率密度函数的归一化条件积分值。

3. 求联合期望 E ( X Y ) E(XY) E(XY)

假设我们希望计算 E ( X Y ) E(XY) E(XY),可以使用以下代码:

E_XY = int(int(x * y * f_xy, x, 0, inf), y, 0, inf); % 计算 E(XY)
disp('期望 E(XY) 为:')
disp(E_XY)

总结

通过以上代码,可以在 MATLAB 中求解期望、联合概率密度函数的积分以及联合期望等。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/3460.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

MRCTF2020:你传你ma呢

文件上传题先判断黑白名单过滤,先传个最简单的木马 这里上传不了php文件,猜测可能是对php文件进行了过滤,将文件改为任意后缀这里改为.abc 还是上传不成功,猜测可能对MIME也做了过滤,将Content-Type更改为image/jpeg再…

Harmony项目基础

项目基础 开发环境 DevEco Stuio下载和安装 DevEco Studio下载 下载链接:https://developer.huawei.com/consumer/cn/deveco-studio/ 安装IDE 直接运行安装文件即可 配置SDK及工具链 DevEco Studio 提供 SDK Manager 统一管理 SDK 及工具组件,包括如下组件包&…

《使用Gin框架构建分布式应用》阅读笔记:p307-p392

《用Gin框架构建分布式应用》学习第16天,p307-p392总结,总86页。 一、技术总结 1.AWS chapter 08讲使用AWS进行部署,可以根据需要选择是否阅读。因为使用到的概率很小,且还要绑卡,本人选择跳过。 2.CI/CD (1)什么…

新一代跟踪器StrongSORT: Make DeepSORT Great Again论文解析—让 DeepSORT 再次伟大

新一代跟踪器StrongSORT: Make DeepSORT Great Again论文解析—让 DeepSORT 再次伟大 时间:2023年 机构:北京邮电大学 发表在:IEEE TRANSACTIONS ON MULTIMEDIA, VOL. 25, 2023 代码源码地址: pytorch版本:https://github.com/dyh…

windows下安装jdk并配置环境

【1】安装jdk 这里建议傻瓜式安装,不要自定义路径,直接下一步下一步。 在Windows系统中安装JDK并设置环境变量(包括JAVA_HOME和CLASSPATH)是一个常见的任务。 1. 下载并安装JDK 访问Oracle官方网站或其他可信来源下载JDK安装包…

云安全真知实践 国内头部能源企业全面灵活云安全方案大公开

能源与安全,是两个紧密相连的齿轮,驱动着当今社会的运转与发展。能源是动力源泉,而安全则是守护这一动力的坚实支撑,保障着能源系统的运作与敏感数据的安全。 亚信安全一直以来为国内能源行业提供着安全保障,从石油、…

Photoshop 2025重磅来袭 :全新功能炫耀安装!Adobe全家桶

2024年10月,备受期待的Adobe Photoshop 2025正式版如约而至。每年的十月份,Adobe都会带来其软件的重要更新,而今年的Photoshop 2025则在改进和新功能方面做出了重磅升级,让创意工作者和设计师们倍感振奋。 新界面与核心功能 Ph…

【Java面试——计算机基础——网络——一篇就够了!!!】

1. 网络分层模型 1.1 OSI七层模型 OSI 七层模型 是国际标准化组织提出的一个网络分层模型,其大体结构以及每一层提供的功能如下图所示: 每一层都专注做一件事情,并且每一层都需要使用下一层提供的功能比如传输层需要使用网络层提供的路由和…

C#/.NET/.NET Core技术前沿周刊 | 第 11 期(2024年10.21-10.31)

前言 C#/.NET/.NET Core技术前沿周刊,你的每周技术指南针!记录、追踪C#/.NET/.NET Core领域、生态的每周最新、最实用、最有价值的技术文章、社区动态、优质项目和学习资源等。让你时刻站在技术前沿,助力技术成长与视野拓宽。 欢迎投稿、推荐…

(C#面向初学者的 .NET 的生成 AI) 第 3 部分-ChatGPT 简介

在本部分中,将简要介绍ChatGPT。我们将了解ChatGPT是什么,稍微探讨一下ChatGPT中的角色分工,聊天和消息历史记录的作用。最后我们将查看一个使用OpenAI .NET SDK的ChatGPT代码示例。 1、ChatGPT是什么呢? ChatGPT中的GPT部分来…

Java中的日期与时间的间隔:Period类、Duration类

1、Period 类 在 Java 中,Period 类和 Duration 类都是用于表示时间间隔的类,但它们有不同的使用场景和特性。Period 类位于 java.time 包中,主要用于表示基于日期的时间间隔,即年、月、日的差异。它常用于处理日期之间的计算&am…

算法: 链表题目练习

文章目录 链表题目练习两数相加两两交换链表中的节点重排链表合并 K 个升序链表K 个一组翻转链表 总结 链表题目练习 两数相加 坑: 两个链表都遍历完后,可能需要进位. class Solution {public ListNode addTwoNumbers(ListNode l1, ListNode l2) {ListNode cur1 l1;ListNode…

交替传译收费标准

交替传译是一种高端口服务,常用于国际会议、商务洽谈、学术交流等多语言会议场合,演讲者的发言一般不超过15分钟,交替传译员和演讲者采取接力式交替发言,在这种模式下,口译员需要具备优秀的记忆能力和翻译功底。其价格…

灵动AI视频:重塑视频创作,智启无限灵感!

🚀 在这个视觉为王的时代,视频创作已成为展现创意与才华的重要舞台。然而,繁琐的剪辑流程、有限的创意资源往往成为制约创作者发挥的瓶颈。灵动AI视频,一款集智能、高效、创意于一体的视频编辑神器,正为视频创作领域带…

生物信息学R语言

检查R语言安装包和依赖 .libPaths() 这里有一个简单的生物信息学分析案例,使用R语言处理基因表达数据。这个示例中,我们将导入模拟的基因表达数据,进行数据预处理(如归一化),并使用主成分分析&#xff08…

基于VsCode platformio的stm32开发环境搭建

背景 VsCode作为当下流行的编辑器,且不单单是一个编辑器里面集成了很多插件,使用这些插件可以完成很多功能。 STM32开发环境除了KEIL与IAR,其实还有很多其他的开方方式,ST官方提供了很多的开发软件,基于Eclipse也可以…

【题解】【排序】—— [NOIP2017 普及组] 图书管理员

【题解】【排序】—— [NOIP2017 普及组] 图书管理员 [NOIP2017 普及组] 图书管理员题目背景题目描述输入格式输出格式输入输出样例输入 #1输出 #1 提示 1.思路解析2.AC代码 [NOIP2017 普及组] 图书管理员 通往洛谷的传送门 题目背景 NOIP2017 普及组 T2 题目描述 图书馆中…

华为和思科的配置

vrrp和mstp 思路 vrrp是用来虚拟网关,噢,是虚拟一条虚拟网关 优先级,priority越大越优先,优先级相同,哪个的路由器的vrrp先起来,谁就是主 mstp是快速生成树协议,防止环路用的 优先级越小越优…

React 前端如何通过组件完成 “下载 Excel模板” 和 “上传 Excel 文件并读取内容生成可使用的对象数组”

文章目录 一、Excel 模板下载01、代码示例 二、Excel 文件上传01、文件展示02、示例代码03、前端样式展示04、数据结果展示 三、完整代码 本文的业务需求是建立在批量导入数据的情况下,普通组件只能少量导入,数据较多的情况都会选择 Excel 数据导入&…

『统计检验』一篇文章入门置信区间

文章目录 置信区间点估计和区间估计置信度置信区间的计算置信区间计算的具体例子 参考文献 置信区间 置信区间是总体参数落在测量结果周围的程度 点估计和区间估计 点估计:通过样本数据估计总体参数 ⇒ \Rightarrow ⇒使用样本统计量(如样本均值、样本…